LLMs：科研工作的多功能辅助工具
杭州CCOS2025年会分享
张宇（河南省立眼科医院）人工智能在眼科学术论文写作中的辅助作用：思路、实践与伦理探讨
张冰（温州医科大学附属眼视光医院）大语言模型助力眼科科研的方法举例
优势与局限
在充分利用LLMs强大能力的同时，时刻警惕其固有的局限性并恪守学术伦理。
能力与应用
充分利用LLMs在代码生成、数据分析、内容归纳、语言组织等方面的强大能力。
代码生成
辅助生成R, Stata, Python, SQL等主流语言代码。
数据分析
辅助进行归纳、比较、汇总，并探讨其应用价值。
内容归纳
辅助进行资料收集、文献梳理和摘要生成。
语言组织
辅助完成初稿、调整语言风格和格式。
局限与伦理
时刻警惕LLMs的“幻觉”、隐私安全等问题，并强调人工核实与遵循学术伦理的必要性。
“幻觉” (Hallucination)
人工核实是最后防线！
隐私安全 (Privacy & Security)
严禁上传涉密或包含个人身份信息的敏感数据。
学术伦理 (Academic Ethics)
LLMs是辅助工具，而非思想的创作者。核心思路与结论必须源于研究者本人。
贯穿科研的五大应用环节
LLMs的应用贯穿从最初的灵感迸发到最终的成果评审，在每个阶段扮演着不同的辅助角色，系统性地提升科研工作的效率与深度。
环节一: 研究构思与前期准备
发散性探索
利用 head storm (头脑风暴) 的形式，围绕一个核心议题，快速探索3个以上的研究方向和初步大纲，有效拓宽研究思路。
文献情报工作
辅助进行资料收集和文献梳理，并可进行初步的语言风格与格式调整。
环节二: 数据处理与代码生成
编程与数据分析助手
LLMs可作为强大的编程助手，根据自然语言需求，生成多种主流科研软件和语言的代码，显著降低技术门槛。
- R: 用于统计分析的代码撰写。
- Stata: 用于数据的分析、清洗和整理。
- Python: 用于数据可视化图表的制作。
- SQL: 用于执行数据库查询。
LLM对数据任务的效率提升预估
环节三: 核心研究与推导
在科研的心脏地带，LLMs可以作为科学发现的催化剂，激发新的研究思路。
输入
基于现有数据或原始数据
过程
生成假设 → 解释数据
输出
辅助推导初步结论
环节四: 学术撰写与优化
从零散的观点到结构化的论文，LLMs为学术写作提供全方位的支持。
从0到1的写作辅助
- ✓ 辅助构建论文逻辑骨架。
- ✓ 确保学科术语在全文中的一致性。
- ✓ 提炼并强调研究的核心创新点。
- ✓ 优化摘要，统一缩写，精炼语言。
结构化写作支持 (BMRD)
B (Background): 背景
辅助撰写文献综述，凝练当前研究领域的挑战。
M (Methods): 方法
清晰、准确地描述研究对象、使用方法与流程。
R (Results): 结果
客观描述实验结果，并辅助表达其统计学意义。
D (Discussion): 讨论
围绕结果展开，探讨其机制、意义，并诚实地指出研究局限。
环节五: 同行评审
借助LLMs，我们可以在投稿前邀请一位“AI审稿人”进行预审。这能帮助我们跳出作者的固有思维，从一个全新的、批判性的视角审视稿件的方方面面，从而在提交前主动发现并解决潜在的问题。
代表期刊政策
了解顶级期刊对AI辅助工具使用的基本要求至关重要。
Science 系列
披露要求
在致谢部分披露使用了哪些AI工具以及使用原因。
使用限制
AI生成的文本、图表、图像等不能使用，除非作为研究的一部分并适当呈现。
Nature 系列
严格禁止
禁止在论文中使用AI生成的任何图像、视频或图表。
披露要求
如使用AI生成文本，必须在方法或致谢部分详细说明。
JAMA Network
披露要求
在致谢或方法部分的适当位置声明，并描述其使用范围。
推荐使用场景
明确AI在科研写作中的使用边界，趋利避害。
推荐使用场景 ✅
- 👍语言润色与语法修正
- 👍头脑风暴，产生新思路
- 👍文献摘要与综述辅助
- 👍代码生成与调试
- 👍简化复杂概念用于科普
谨慎使用场景 ⚠️
- 🤔生成大段“方法”或“结果”
- 🤔直接生成数据图表
- 🤔作为主要文献检索工具
严禁使用场景 🚫
- ⛔代替原创性思考与论证
- ⛔将AI列为作者
- ⛔生成最终研究结论
- ⛔上传患者隐私或未公开数据
- ⛔在不披露的情况下使用