一、從一篇「轟動全球」的論文說起

2023 年 11 月，Google DeepMind 在《Nature》期刊發表了一篇引發廣泛討論的研究（Merchant et al., 2023）。該論文描述了一套以圖神經網路（Graph Neural Networks）大規模訓練的模型 GNoME（Graph Networks for Materials Exploration），宣稱發現了 220 萬種晶體結構，其中約 38.1 萬種為新穩定材料，代表人類已知穩定材料數量的數量級擴張。媒體報導鋪天蓋地，甚至將其稱為「等同 800 年的知識積累」。研究生看到這樣的標題，很自然地會產生一種印象：這個領域是否即將被 AI 顛覆？

然而，故事並未就此結束。

來自加州大學聖塔芭芭拉分校的材料科學家 Anthony K. Cheetham 與 Ram Seshadri 在《Chemistry of Materials》發表評析（Cheetham & Seshadri, 2024），指出該研究鮮有證據顯示其提出的化合物能同時滿足新穎性（novelty）、可信度（credibility）與實用性（utility）三項標準，並強調仍需更多材料合成與晶體學的專業介入。

這引出本文的核心問題：當一篇發表於頂尖期刊的論文聲稱重大突破時，我們應如何閱讀與判斷，而非照單全收？

二、「看起來很厲害」的幾種常見模式

2.1 數字越大，越要小心

GNoME 的案例提醒我們：宏大的數字不等於宏大的貢獻。批評者指出，其資料庫中許多「新材料」實際上為已知材料的衍生或延伸，例如大量屬於既有硼化物體系的結構。這些結構在計算上或許合理，但在新穎性上未必具有突破性。

因此，當我們讀到「發現X萬種新材料」時，應追問：「新」的定義為何？是計算上的熱力學穩定性，還是已經完成實驗合成與驗證？兩者意義差異甚大。

2.2 計算預測 ≠ 實驗驗證

近年研究顯示，生成式 AI 能產生與真實資料極為相似的科學影像，甚至連專家也難以可靠分辨（Hartung et al., 2024）。同時，AI 也能快速生成資料處理程式碼，但其中可能包含違反基本物理原則的錯誤，而這些問題常常無法在同儕審查中被立即察覺（Reeves-McLaren & Moth-Lund Christensen, 2026）。

這並非否定計算材料學的價值，而是提醒研究者：閱讀論文時必須區分「計算預測」與「實驗實證」。一篇宣稱「發現」材料的研究，究竟停留於理論預測，或已完成合成與表徵，其學術意義截然不同。

2.3 可重現性危機已波及材料化學

一項由《Nature》進行的調查指出，約 70% 的科學家曾無法成功重現他人的研究結果（Baker, 2016）。此現象並非材料化學所獨有，但在 AI 驅動的高通量研究中尤為顯著。

進一步研究顯示，在材料資訊學領域中，重現性困難常來自於：軟體依賴未說明、版本控制不足、程式碼結構不清，以及論文描述不完整（Persaud et al., 2024）。

這意味著，即使是發表於高影響力期刊的研究，也可能因方法描述不足而難以驗證。因此，讀者應主動思考：這項研究是否具備可重現性？

三、研究生的四大閱讀策略

策略一：先讀批評，再讀原文

這是反直覺但非常有效的閱讀順序。透過引用追蹤，找到針對一篇論文的後續評論、回應或批判性評析，先了解爭議所在，再回頭閱讀原文，往往能更快抓住關鍵問題。

以 GNoME 為例，除了原論文（Merchant et al., 2023）之外，Cheetham 與 Seshadri 在《Chemistry of Materials》發表了題為〈Artificial Intelligence Driving Materials Discovery? Perspective on the Article: Scaling Deep Learning for Materials Discovery〉的評析（Cheetham & Seshadri, 2024），系統性討論該研究在新穎性、可信度與實用性之間的落差。這篇評析是理解 GNoME 爭議不可錯過的對照讀物。

圖書館資源提示： 使用 Web of Science 或 Scite 資料庫，可以快速找到引用某篇論文的後續文獻，包括批評性評析與回應文章。

策略二：建立「主張—證據—限制」架構

每次閱讀一篇材料化學論文，不妨在筆記中明確區分三個層次：

主張（Claim） 是什麼？論文聲稱發現了什麼、達到了什麼性能、解決了什麼問題。注意摘要和標題往往是最「行銷化」的部分，需要和正文對照。

證據（Evidence） 是什麼形式的？是計算預測、理論模擬，還是實驗數據？使用了哪些表徵技術？樣本數量是否足夠？控制組設計是否合理？

限制（Limitation） 作者自己說了什麼？許多高品質論文會在Discussion或末尾主動說明研究的局限性。若一篇論文完全沒有提及任何限制，反而值得提高警覺。

策略三：善用資料庫篩選

優先使用如 Web of Science、Scopus 與 SciFinder等資料庫，以確保文獻品質，並謹慎使用未經同儕審查的預印本。

策略四：追蹤撤稿動態

近年材料科學領域亦出現多起撤稿事件。以《Nature》曾刊登的摻氮氫化鑥超導研究為例，其後被標記為「撤稿文章（RETRACTED ARTICLE），成為研究誠信的重要案例。

定期關注 Retraction Watch 平台，該平台持續追蹤學術論文撤稿事件，並提供相關背景與分析有助於建立資訊判讀能力。

四、生成式 AI 的應用：工具，而非替代判斷

生成式 AI（如 ChatGPT、Claude、Gemini）已廣泛進入研究過程。

研究者可將其用於文獻整理、語言潤飾與程式輔助，但仍需遵守揭露原則，並避免將判斷工作外包。

核心原則在於：AI 可以輔助研究，但不能取代批判性思考。

五、好的材料化學研究，長什麼樣子？

批判不等於否定。我們需要學會識別不可靠的研究，同樣也需要知道，值得信賴的研究通常具備哪些特徵。

現有 AI 材料科學綜述指出，資料品質（data quality）與可重現性（reproducibility）是影響研究可靠性的關鍵挑戰之一（Osaro et al., 2025）。

優質研究通常具備：方法論描述詳盡透明、數據集與代碼公開可取用、承認研究的侷限性、與既有文獻有清晰的對話，以及計算預測有對應的實驗驗證。

六、結語

在 AI 加速科學發現的時代，材料化學研究正以前所未有的速度擴展。然而，資訊的增加並不必然等於知識的累積。

對研究生而言，關鍵不在於是否相信論文，而在於是否具備判斷依據。透過批判性閱讀，我們才能在資訊洪流中維持清晰的學術判斷。

最終，AI 不會取代研究者，但會放大研究者的判斷力。批判性閱讀，正是建立學術立場與參與知識生產的基礎能力。

📚 References

Baker, M. (2016). 1,500 scientists lift the lid on reproducibility. Nature, 533(7604), 452–454. https://doi.org/10.1038/533452a

Cheetham, A. K., & Seshadri, R. (2024). Artificial intelligence driving materials discovery? Perspective on the article: Scaling deep learning for materials discovery. Chemistry of Materials, 36(8), 3490–3495. https://doi.org/10.1021/acs.chemmater.4c00643

Hartung, J., Reuter, S., Kulow, V. A., Fähling, M., Spreckelsen, C., & Mrowka, R. (2024). Experts fail to reliably detect AI-generated histological data. Scientific Reports, 14, Article 28677. https://doi.org/10.1038/s41598-024-73913-8

Merchant, A., Batzner, S., Schoenholz, S. S., Aykol, M., Cheon, G., & Cubuk, E. D. (2023). Scaling deep learning for materials discovery. Nature, 624(7990), 80–85. https://doi.org/10.1038/s41586-023-06735-9

Osaro, E., Karpinski, N., Alornyo, S., & Ighalo, J. O. (2025). Artificial intelligence in chemistry and materials science: Current applications and future directions. Materials Today Chemistry, 49, Article 103115. https://doi.org/10.1016/j.mtchem.2025.103115

Persaud, D., Ward, L., & Hattrick-Simpers, J. (2024). Reproducibility in materials informatics: Lessons from a general-purpose machine learning framework. Digital Discovery, 3, 281–290. https://doi.org/10.1039/D3DD00199G

Reeves-McLaren, N., & Moth-Lund Christensen, S. (2026). Data integrity in materials science in the era of AI: Balancing accelerated discovery with responsible science and innovation. Journal of Materials Chemistry A, 14, 276–283. https://doi.org/10.1039/D5TA05512A

推廣組 巫惠屏 / 本文搭配AI工具進行寫作輔助

這篇文章 當 AI 遇上材料化學：研究生如何不被「看起來很厲害」的論文誤導？ 最早出現於 NYCU陽明交大圖書館-陪你做研究。

在化學研究中，找到可靠的反應條件、化合物資訊與相關文獻，是進行研究與實驗設計的重要基礎。若你需要查詢化學物質性質、反應路徑或相關文獻，Reaxys 是一個非常值得使用的專業資料庫。

本文將簡單介紹 Reaxys 的特色，並帶大家看看近期推出的 AI 強化搜尋與文獻摘要新功能。

• 什麼是 Reaxys

Reaxys 是由 Elsevier 建置的專業化學研究資料庫，整合了化學文獻、化合物資料與化學反應資訊，廣泛應用於有機化學、無機化學、藥物化學、材料科學等研究領域，收錄包含超過 3.53 億筆化學物質、7300 萬筆反應、1.25 億篇文獻以及 4900 萬筆專利等豐富資料。透過結構式搜尋、性質搜尋與反應搜尋等多種檢索方式，能幫助研究人員快速找到可信的實驗與文獻資訊。

二、Reaxys 可以做什麼？

對於化學研究者而言，Reaxys 不只是文獻資料庫，更是一個強大的整合研究工具。常見用途包括：

• 🔬 查詢化學物質資訊：例如化合物結構、物理化學性質、光譜資料等。
• ⚗️ 尋找化學反應與合成方法：可查詢反應條件、試劑、催化劑與產率。
• 📚 探索相關文獻與專利：追蹤研究發展與最新研究成果。
• 🧪 設計化學合成路徑：協助研究者規劃實驗方向。

三、新功能：AI 強化搜尋與文獻摘要

為了幫助化學研究人員更有效率地尋找、理解與驗證相關文獻，Reaxys 推出了結合 AI 技術的搜尋與文獻摘要功能，並搭配了全新改版的使用者介面。

1. 支援自然語言的「快速搜尋」 (Quick Search)

• 自然語言搜尋：以一般自然語言提出化學相關問題，系統自動解析並擷取、排序最相關的文獻，大幅降低了查詢門檻，特別適合跨領域或初期探索階段使用。
• 語意與意圖導向搜尋機制: 結合了傳統的關鍵字搜尋與自然語言理解能力，系統自動處理同義詞、拼字差異與語意脈絡，精準解析使用者的查詢意圖，提升搜尋結果的完整性與相關性。
• 保留熟悉工作流程：既有的功能依然完整保留，包括結構搜尋、性質搜尋與 Query Builder（查詢建構器）等，不需要改變原本的習慣，使用者可以依自己的節奏逐步採用 AI 功能。

2. 幫助快速掌握核心的「AI 生成文獻摘要」

• 快速理解主題：使用 Quick Search + 自然語言查詢 時，系統會根據 Reaxys 中最相關的文獻與專利資料產生重點摘要，協助快速理解研究內容，掌握主題的整體概況。
• 資料嚴謹可靠： AI 摘要並非來自一般的通用型大型語言模型（LLM），是基於 Reaxys 所收錄的化學資料所生成。系統以最相關的文件(最多20篇)萃取包含文獻與專利的標題、摘要及關鍵字等資訊，資料每週更新。維持科學嚴謹性與可信度。
• 輕鬆驗證來源：生成摘要的相關參考文獻會清楚標示於結果清單中，點選即可查看完整的引用資訊。能輕鬆驗證摘要內容的正確性，並進一步探索原始來源或直接連結至全文進行深入審閱。

3. 全新設計的結果頁面改版後的結果頁面具備了更簡潔的版面配置、更新的配色與圖示，以及更清楚的視覺層級。這能讓您更快速、直覺地檢視搜尋結果。

四、小結

透過這次推出的 AI 強化搜尋與文獻摘要功能，研究人員可以：

• 更自然地提出研究問題
• 更快速掌握文獻重點
• 更有效率地規劃研究方向

Reaxys 升級讓研究減少繁瑣的搜尋時間，把更多心力專注於真正重要的問題解決與科學發現上。如果你正在進行化學相關研究，不妨試試 Reaxys，讓資料庫成為你的研究好助手。

參考文獻 (References)

• Reaxys (2026). AI 強化快速搜尋與文獻摘要
• Elsevier | Life Sciences. (2026, February 26). Reaxys Demo – New AI powered natural language search and summaries [Video]. YouTube. https://www.youtube.com/watch?v=jnZ6UkC7u0Y。

推廣組 巫惠屏 / 本文搭配 AI工具 進行寫作輔助。

這篇文章 化學研究好幫手：認識 Reaxys 資料庫與 AI 強化新功能 最早出現於 NYCU陽明交大圖書館-陪你做研究。

American Chemical Society 旗下 CAS 推出的研究檢索平台 CAS SciFinder，於 2026 年 2 月 23 日發布最新功能更新。本次升級聚焦於「SearchSense 搜尋透明度提升」、「IP Connections 視覺化強化」與「逆合成分析流程優化」，這些更新大幅強化了研究人員在物質特性篩選與合成規劃上的決策速度。

以下為本次更新重點整理：

一、SearchSense 強化：讓搜尋更透明、更好理解

為了讓使用者清楚掌握系統如何解讀搜尋條件，本次強化了 SearchSense 的「查詢解讀（Query Interpretations）」功能。

🔎 物質與反應搜尋顯示查詢解讀
當搜尋內容包含文字時，結果頁面將顯示系統如何理解您的查詢，包括：

• 顯示系統解讀邏輯
• 顯示套用的受控詞彙

這項功能有助於研究者確認搜尋是否被正確解析，必要時也能即時調整關鍵字策略。

📚 參考文獻搜尋全面顯示查詢解讀
所有包含文字的文獻搜尋，也將同步顯示查詢解讀內容，提升搜尋處理的透明度與可解釋性。

📄 移除「Load More」機制
隨著搜尋精準度提升，參考文獻結果將一次完整呈現，不再需要額外點選「載入更多」，瀏覽體驗更流暢。

二、IP Connections 視覺化擴充：物質資訊一目了然

IP Connections 原有的結果視覺化功能，現在擴展至「物質」搜尋結果。使用者可以更直觀地掌握：

• 物質在反應中的角色（例如反應物、生成物、催化劑）。
• 商業可得性（可購買性）。
• 物質類別（例如有機化合物、聚合物等）。
• 成分數量等資訊

透過圖像化呈現，研究者一眼即看到物質的研究脈絡與應用情境，能快速掌握重點，提升資料判讀效率。

三、工作流程優化：提升研究操作效率

🧪 物質性質表新增篩選功能
在物質詳細頁面的實驗與預測性質表中，新增「依性質篩選」功能。
當資料欄位眾多時，研究者可快速篩選出所需性質，加速分析與比對。

🔬 互動式逆合成（Interactive Retrosynthesis）升級

• 強化環化反應處理：當目標分子包含環系統時，系統會優先套用環化規則，並將相關路徑納入替代方案評估，使逆合成規劃更完整。
• 移除限制條件頁面：系統改以預設參數自動產生合成計畫，使用者可先檢視結果，再依需求調整條件，讓操作流程更直覺、有效率。

本次更新帶來哪些改變？

整體而言，本次升級聚焦三大方向：

✔ 提升搜尋透明度與可解釋性
✔ 強化結果視覺化與資料篩選能力
✔ 優化逆合成研究流程與使用體驗

對於經常進行物質查詢、反應檢索或合成規劃的研究人員而言，此次更新將有助於更精準掌握搜尋策略，並加快研究決策流程。

資料來源：

Chemical Abstracts Service. (2026, February 23). What’s new: February 23, 2026. CAS SciFinder Product Help. https://cas-product-help.zendesk.com/hc/en-us/articles/43586645252749-What-s-New-February-23-2026

推廣組 巫惠屏 / 本文搭配 AI工具 進行寫作輔助。

這篇文章 CAS SciFinder 功能升級！2026 年 2 月更新重點 最早出現於 NYCU陽明交大圖書館-陪你做研究。

不囉嗦，馬上利用「Plant Tissues」為關鍵字，在「Springer Protocols」查詢。

簡介

在SpringerProtocols.com首頁提到，該平台已涵蓋實驗指南(Experiments)之文獻，因此目前收錄於該平台之文獻包括以下四類：

現在，我們就來看看此平台是如何幫助實驗者去發現，評估以及使用與生命科學有關的實驗流程和實驗方法。(SPRINGER NATURE)

發現

輸入關鍵字後，可以利用左邊的篩選機制，讓查詢結果更符合所需；篩選後，還可以利用排序條件包括：Relevance、Most Recent、Most recent和Trending；接著便可以針對簡易的條列結果之資訊進行初步評估。

評估

點入篇名後，可以看到更多關於該文之詳細資訊如：Full text、Abstract、Related articles、Reference、Figures & Videos、Citations和Keywords，可藉此一探：最新技術、實驗過程、最近的研究方向和實際技術介紹。

使用

實驗要成功，就要特別掌握操作過程中關鍵處包括：重要步驟、注意事項以及需要特別小心處理的地方，相信善用「Springer Protocols」所提供的資源與功能，是能少走很多冤枉路，以將寶貴時間發揮到最大效益，期待你的探索與發現!!!

文 / 推廣組 何佳欣

更新日期: 2021.10.22 by推廣組 林玉

這篇文章 實驗手冊（Protocol）資源：Springer Protocols 最早出現於 NYCU陽明交大圖書館-陪你做研究。

登登，趕快來圖書館資源裡找到實驗手冊(Protocol)：「Wiley Current Protocols Online(以下簡稱Current Protocols)」，就可以讓你如同「站在巨人的肩膀上」清楚知道前人的研究成果是何以達成，接著從中搭起自己的研究架構，並在減少試誤的過程中，將寶貴的時間更專注地在鑽研自己的新發現。

• 簡介

Current Protocols目前包含2萬5千種技術與步驟，希冀提供科學家可信賴的實驗方法以供其再次複製與探討。

一篇Current Protocols通常都不單單只是實驗手冊，為使更容易操作，一篇Current Protocols，其內容包含：序列步驟 (Numbered Steps)、流程圖(Flow Charts)、圖示(Illustrations)、結果(Results)、配方(Recipes)、背景(Background)、說明(Explanations)和建議(Advice)。以下介紹其查詢步驟：

• 查詢

首先在圖書館首頁找到Current Protocols，

接著利用「Plant Tissues」為關鍵字，在Current Protocols平台上查找。

• 解讀

在文章章節中的Commentary部份如下圖所示，可以得到更多關於此一實驗手冊的說明，內容包括：Background Information, Critical Parameters, Troubleshooting, Anticipated Results, Time Considerations和Literature Cited。藉由這些上述內容，可以讓你對該實驗先有一初步的認識如潛在的問題等，好得以讓實驗能更完備地進行。

下次，除了老師與學長姐的面授機宜外，自己先透過Current Protocols了解實驗的重要步驟、需要注意事情，甚至是做到哪階段時得特別留意，都是可以讓實驗進行的更順利，說不定還能因此激盪出令人喜出望外的發現，期待你的多加利用。現在除了可以在Current Protocols平台檢索，還能直接在Wiley Online Library查詢。

• 分享

呂仁，現為中央研究院基因體研究中心的副研究員，在2004年接受Wiley訪問時，分享她使用Current Protocols的方式為：先使用關鍵字去檢索線上資料庫；再下載需求的實驗手冊；最後詳讀手冊以避免錯誤並幫助故障排除。

• 延伸

圖書館所訂的實驗手冊資訊報你知：「Springer Protocols」。

文 / 推廣組 何佳欣

更新日期: 2023.04.25 by 推廣組 何佳欣

這篇文章 應援實驗｜準備做實驗的你，一定要知道Current Protocols 最早出現於 NYCU陽明交大圖書館-陪你做研究。

通常要下載學術文獻，直接點選該篇PDF即可。但在ASME若要下載BOOK REVIEWS類型的文獻，請參考以下說明。

1.以查詢篇名「Schlieren and Shadowgraph Techniques: Visualizing Phenomena in Transport Media」為例，在圖書館整合查詢檢索。

2.在ASME該篇書目下方按PDF應該沒反應，請點選上方紅框中的連結。

3.到卷期首頁點選BOOK REVIEWS右方的PDF，下載此卷期所有BOOK REVIEWS文獻。

4.檔案中的頁碼B76即可找到該篇文獻

文 / 推廣組 張淑娟

這篇文章 美國機械工程師學會（ASME）特殊下載PDF方法 最早出現於 NYCU陽明交大圖書館-陪你做研究。

ASTM技術標準每年有多達三分之一的文獻量會有更新，為了讓使用者能清楚掌握新舊版本的差異，ASTM Compass提供了一個「Version Comparison」的實用功能，說明如下：

1.在ASTM標準文獻下方點選VIEW ONLINE線上全文瀏覽模式，如下圖示：

2.在畫面上方找到Version Comparsion，如下圖示：

3.你可以透過下拉式選單選擇哪二個新舊版本作對照比較，呈現結果如下圖示：

文 / 簡玉菱

這篇文章 【ASTM】 標準之Version comparison介紹 最早出現於 NYCU陽明交大圖書館-陪你做研究。