📌 如何開始？

登入 WoS 平台後，請點選頂端選單的 Research Assistant，即可看到新功能。（請注意：若停留在其他頁面會看不到此功能喔！）

WoS RA 支援多語言互動，您可以放心使用中文提問，系統一樣能準確理解並檢索全球文獻。

一、 WoS Research Intelligence (RI) 核心功能整合

進入 Research Assistant 首頁後，您會在下方看到全新的「Research Intelligence Assistant」區塊。這個區塊將研究資料轉化為洞察，是支援策略決策的分析平台。您可以直接透過下方的兩個快捷按鈕來啟動：

1. 尋找資助 (Find funding opportunities)
   • 功能亮點：探索可能的研究計畫資助來源，並依您的特定需求量身打造。
   • 使用情境：當您有一個初步的研究構想，準備撰寫計畫書申請經費時，可以利用此功能快速比對全球的學術補助機構，找出最適合您研究領域的潛在資助者。
2. 找出新興主題 (Identify emerging topics)
   • 功能亮點：辨識您所在領域的新興與熱門趨勢主題，協助您掌握先機。
   • 使用情境：在進行研究發想或尋找下一個突破點時，此功能可協助您綜覽該領域的發展脈絡，找出尚未被過度探討但具備高潛力的新興子題，確保研究的前瞻性。

二、全新擴充功能上線

除了 RI 的整合，WoS RA 近期也釋出了幾項強大的全新擴充功能，歡迎大家多加利用：

1. Manuscript Upload (上傳稿件/檔案提問)
   • 位置：對話框左側的迴紋針圖示。
   • 功能說明：您可以直接上傳您的稿件或相關檔案，並針對上傳的內容向 AI 提問。
   • 圖書館小叮嚀：由於此功能涉及資料上傳，在上傳任何未發表的文稿前，請務必先確認相關授權與個資問題，保護自身的研究心血。
2. Deep Search (深度檢索)
   • 位置：對話框右側的 Deep Search 按鈕。
   • 功能說明：當您遇到較為複雜的研究問題時，Deep Search 可以幫您進行更深度的檢索與引文分析，並同時比較多篇研究文獻，快速掌握該領域的脈絡。
   • 圖書館小叮嚀：雖然 AI 能快速統整，但系統也有提醒：AI 生成的內容品質可能會有所不同，請務必檢查其準確性，引文與數值須逐項核對。

三、 首次使用新功能：開通與驗證步驟

要啟用上述的專屬功能（包含 RI 功能），您需要先完成權限開通。第一次點擊使用新功能時，畫面會跳出「Access Not Enabled（尚未啟用存取權限）」，請按照以下方式操作：

Step 1：點選畫面上的 Continue（繼續）。
Step 2：在新開啟的登入頁面中，尋找並點選 Use my institution sign in（使用機構/學校帳號登入）。
Step 3-4：搜尋並選擇 National Yang Ming Chiao Tung University (NYCU)，輸入學校的校園單一入口(SSO) 帳密即可開通權限。
Step 5-6：開通後，系統會引導您註冊或登入個人帳號。請至您的申請信箱收取 OTP 驗證碼，並輸入完成驗證。
Step 7：成功開通！ 歡迎探索使用 WoS RI 相關功能。

👉 想了解更多資訊，請參考：WOS RI 官方介紹

歡迎大家踴躍體驗最新上線的各項功能！若在使用上有任何心得回饋，或遇到操作問題，都歡迎隨時與圖書館的學科館員聯繫。

參考資源

• Web of Science 研究助手使用指南
• WoS Research Intelligence Official Overview

推廣組 巴詠淳 / 本文搭配AI工具進行寫作輔助

這篇文章 【資源更新】WoS RA 介面升級：整合 RI 掌握研究趨勢與資金 最早出現於 NYCU陽明交大圖書館-陪你做研究。

網頁引用最大的敵人，可能不是格式寫錯

論文寫到一半，你找到一份政府公告、一篇研究機構的文章，或一個剛好能支持論點的重要網頁。你把網址放進註腳，確認可以開啟，便安心繼續往下寫。幾個月後，文章準備投稿，編輯卻問：「這個來源怎麼找不到了？」

更麻煩的是，有時網址還能開啟，頁面裡的數字、文字甚至整個內容卻已經更新，當初支持你論點的那一段早就不在了。前一種情況常稱為連結失效（link rot），後一種則是內容漂移（content drift）。兩者都指向同一個問題：讀者還有辦法確認，你當時看到、引用的究竟是什麼嗎？為了處理這樣的問題，網頁封存就是在這個問題脈絡下解法：盡可能替某個時間點的網頁內容留，下一份可追查的紀錄，讓讀者日後有機會查證。

《Bluebook》開始在意的，不只是一串網址

網路資料的保存，對法律研究尤其重要，參考華盛頓大學法學圖書館對《Bluebook》第 22 版（2025）的整理，Rule 18.2.1(d) 對網路來源的保存要求比前一版更進一步：過去鼓勵保存，現在則更明確要求替網路來源留下可供查證的版本，例如可運作的網頁封存連結，或作者本人備份的 PDF 等固定副本。

實務上的保存方式也不只一種：一般公開網頁可以嘗試使用線上封存服務，留下指定網頁的快照；但如果是訂閱內容、受授權限制的資料，或不適合公開提交到第三方平台的內容，則應較適合保存固定副本，再依期刊規範註明由作者或其他指定單位保管；但像是 DOI這類持續識別碼( Persistent Identifier，簡稱 PID )，它們能幫助讀者找到資源，卻不等於內容會如實永久保存。

免費工具這麼多，先從最容易理解的開始

如果只是偶爾需要保存研究網頁，不必一開始就研究十幾種服務，知名的 Wayback Machine 就是一個入門選擇：它可以查詢過去已封存的網頁版本，也提供 Save Page Now，讓使用者主動提交目前看到的公開網頁。

不過在操作時要留意時間差，假設作者你在三個月前引用某份公開網頁的資料，今天才想起來補做封存動作，Save Page Now 嘗試保存的是今天的頁面，不會自動回溯三個月前的版本。因此，如果研究會引用容易變動的網頁，建議看到重要資料時就順手保存，別等到投稿前才想起來補救。

實際操作可以分成六步：

1. 開啟要引用的原始網頁，確認標題與需要引用的段落。
2. 將完整網址提交到 Wayback Machine 的 Save Page Now；也可以先查詢是否已有合適的歷史版本。
3. 等待服務完成處理。看到「已提交」或仍在排隊，還不能算保存完成。
4. 打開產生的回放頁，再重新開啟一次，確認它不是 /save/ 之類的提交入口。
5. 檢查封存日期、標題、文字與必要圖表是否存在。
6. 留下原始網址、封存日期，以及可以重新打開的結果網址。

最後一步容易被忽略：看到一張封存畫面，和取得一個日後能重新開啟的封存網址，兩個都是需要注意的重點。

除了 Wayback Machine，還有哪些選擇？

如碰到 Wayback Machine 無法保存指定頁面，也可以試試其他服務：如 Archive.today 也是一種選擇，提交後可以查看網頁快照或截圖；如果網址裡還有 /wip/，通常表示仍在處理中，不適合直接當作最後的引用網址；不過 Archive.today 封存品質較有疑慮，使用上還需多加斟酌。

日本的 Megalodon.jp（ウェブ魚拓） 則是另一個歷史悠久的網頁快照服務，可以透過網址搜尋或建立「魚拓」。

葡萄牙的 Arquivo.pt 除了提供歷史網頁搜尋，也有 ArchivePageNow，讓使用者錄製目前的公開頁面。完成錄製後，可能還需要等一段時間，才能在典藏系統中回看。

這些服務各有長處，但沒有任何平台能保證所有網頁都成功保存，也不能替你確認來源本身是否可信。它們能做的，是讓研究證據多一條日後回頭查找的路。

常常要存網頁？這時擴充套件才真正方便

如果一篇論文只引用一兩個網頁，直接進入封存網站操作就夠了。但如果研究大量使用新聞、政府公告、政策文件或其他網路資料，三不五時就得複製網址，瀏覽器擴充套件確實能省下不少功夫。

使用時要先分清楚兩者的角色：封存服務負責保存內容，瀏覽器擴充套件主要協助你提交。例如，Internet Archive 官方的 Wayback Machine Extension 可以直接從瀏覽器工具列使用 Save Page Now，省去另外開啟網站、複製網址的步驟。送出後，還是要打開結果，確認日期、內容和正式封存網址。

Ourchives：一次送五個平台，看起來很省事，然後呢？

如果希望將同一個網頁同時送到多個封存服務，可以看看 Ourchives。這是一個第三方 Chrome 擴充套件。打開要保存的網頁後，它會帶入目前頁面的網址；使用者也可以一次貼入多個網址，再選擇要提交的平台。

按下 Archive 後，各封存服務會分別開啟，有些平台還需要進一步確認。Ourchives 也提供 CSV 匯出，留下各平台的提交時間、狀態和網址。一個按鈕送到五個平台，雖然似乎很省事，但實際測試後，有個地方特別需要留意：CSV 裡的 submitted 不代表封存已經成功，它只表示請求送出了。

有些網址可能只是提交入口，有些仍在處理；也有些畫面雖然看得到內容，卻還沒確認最後的回放網址能否重新開啟。Ourchives 的價值，是降低同時管理多個封存平台的操作成本，最後的確認仍然得自己來。

我們真的試了一次，結果比想像中更有趣

2026 年 10 月 29 日，我們拿陽明交大圖書館「陪你做研究」的一篇文章，做了一次測試，透過 Ourchives 同時提交到五個網頁封存服務。這只是一個網頁、一次操作，不能拿來比較五個平台的成功率，但它讓我們看見：按下封存之後，還要經過確認，才能知道是否取得可重新查證的快照。

Wayback Machine、Archive.today、Megalodon.jp 的畫面都能看到文章內容，都可以於 CSV 檔案中的 archived_page項下獲取到網址，並於11月2日查證時可重新開啟，因此能確認最終結果有畫面有內容，但使用時還是需事後查核，確認網址可以回放。

Ghostarchive 沒有留下最後結果網址；Arquivo.pt 呈現錄製階段許久，依官方說明，完成瀏覽後還要結束錄製並保留結果網址，而且可能要等幾個小時才能看到，但在 11 月 2 日查核時，兩個都封存失敗。

回頭再看 CSV，五筆紀錄的 state 全部都是 submitted：自動提交了五次封存請求，但實際完成封存的只有三個平台；這個差別對研究很重要。真正需要注意的，不是「我記得當時有按過」，而是讓未來的讀者有機會循著網址，看到當初引用的內容。

那什麼是 Perma.cc？

回到華盛頓大學法學圖書館對《Bluebook》的說明，其中也特別提到 Perma.cc。它和前面介紹的 Wayback Machine 等工具一樣，都是用來保存網頁內容的服務；不過，Perma.cc 從一開始就更聚焦於學術與法律引文的長期可查證性，並透過圖書館、學校或其他組織，協助管理使用者與保存紀錄。

對一般研究者來說，Wayback Machine 等公開服務可能已經足以應付不少需求。Perma.cc 的不同之處，在於它進一步提供機構支援的方式：依 Perma.cc 的 Registrar 文件，學術圖書館可以申請成為 Registrar，協助校內研究者建立與管理封存紀錄，讓網頁保存也能成為研究支援服務的一部分。

不過，提供這類服務也意味著圖書館需要投入帳號管理、使用者培訓與諮詢等資源。因此，對學校或圖書館而言，除了比較 Perma.cc 與其他工具的功能，還需要考慮校內是否有足夠的網頁引用與保存需求，值得進一步提供由機構協助管理的服務。Perma.cc 也不能保證紀錄永久不會消失，但透過較有制度的保存與管理，能讓研究者和讀者未來多一條回頭查證的路。

如果您對 Perma.cc 感興趣，或曾經自行申請帳號、遇到使用額度限制，歡迎花 1 分鐘填寫簡短問卷。您的回饋將協助圖書館了解校內的實際使用需求，作為未來評估相關網頁封存支援服務的參考。

填寫 Perma.cc 使用需求調查問卷 (調查到2026/11/30止)

陪你做研究的最後：不要只留網址，留下你走過的證據

寫論文時，一則註腳看起來可能只是一串網址。但換個角度想，它也是在告訴讀者：「如果你想確認我的說法，這裡是我當時看到的證據。」然而，網路上的資料會變：文章會修改、公告會撤下、網站會改版；今天仍在運作的服務，也沒有人能保證十年後完全不變。

網頁封存是一種研究習慣，看到會變動、而且對研究重要的資料時，先想想是否需要保存。保存後，實際重新開啟結果，確認日期、內容與網址；到了寫作和投稿階段，也記得替讀者留下回頭查證的線索。

封存不能證明來源一定正確，也不能替研究者判斷資料可信度。它能做的，是替當時看到的證據多留下一條回去的路。未來讀者點開註腳時，若仍能看到當初據以討論的內容，這次保存才真正成為研究的一部分。

參考資料

• Arquivo.pt. (n.d.). Crawling web content. Retrieved October 29, 2026, from https://sobre.arquivo.pt/en/help/crawling-and-archiving-web-content/
• Arquivo.pt. (2025, January 7). ArchivePageNow to archive webpages immediately on Arquivo.pt. https://sobre.arquivo.pt/en/savepagenow-to-record-webpages-immediately-on-arquivo-pt/
• Boston College Law Library. (n.d.). Citing internet sources. Retrieved October 29, 2026, from https://lawguides.bc.edu/perma/websources
• Ghostarchive. (n.d.). About Ghostarchive. Retrieved October 29, 2026, from https://ghostarchive.org/about.html
• gitchasing. (n.d.). Ghostarchive Lookup [Browser extension]. Chrome Web Store. Retrieved October 29, 2026, from https://chromewebstore.google.com/detail/ghostarchive-lookup/hegpbpbibhkiakcmlmfpbkmpoffblmmn
• Internet Archive. (n.d.). Wayback Machine [Browser extension]. Chrome Web Store. Retrieved October 29, 2026, from https://chromewebstore.google.com/detail/wayback-machine/fpnmgdkabkmnadcjpehmlllkndpkmiak
• Internet Archive. (2018, August 24). Save pages in the Wayback Machine. Internet Archive Help Center. https://archivesupport.zendesk.com/hc/en-us/articles/360001513491-Save-Pages-in-the-Wayback-Machine
• Navas, J. (n.d.). Archive Page [Browser extension]. Chrome Web Store. Retrieved October 29, 2026, from https://chromewebstore.google.com/detail/archive-page/gcaimhkfmliahedmeklebabdgagipbia
• Ourchives [Browser extension]. (n.d.). Chrome Web Store. Retrieved October 29, 2026, from https://chromewebstore.google.com/detail/ourchives/kcpncmklolblppigiepoobpnldfcoock
• Perma.cc. (n.d.-a). For libraries and other registrars. Retrieved October 29, 2026, from https://perma.cc/docs/registrars
• Perma.cc. (n.d.-b). Frequently asked questions. Retrieved October 29, 2026, from https://perma.cc/docs/faq
• University of Akron Law Library. (n.d.). Citation to internet. Retrieved October 29, 2026, from https://libguides.uakron.edu/bluebook/internet
• University of Washington Law Library. (n.d.). Changes: Rule 18 (substantially reworked). Retrieved October 29, 2026, from https://lib.law.uw.edu/bluebook101/22nd_18
• ウェブ魚拓. (n.d.). 魚拓リスト. Retrieved October 29, 2026, from https://megalodon.jp/?url=http%3A%2F%2Fmegalodon.jp

推廣組 柯文仁／本文搭配 AI 工具進行寫作輔助

這篇文章 網頁消失了，引用的證據怎麼辦？從《Bluebook》談網頁封存 最早出現於 NYCU陽明交大圖書館-陪你做研究。

1. 引用數高就是神作？當「連貓都能發表論文」時請保持懷疑
很多人查 Google Scholar，第一眼只看「被引用次數」。但引用數其實很容易被操弄，2024 年甚至發生過有心人士讓一隻貓「發表」假論文，還在 Scholar 上刷了上百次引用的荒謬事件。下次看到高引用文章別急著膜拜，多花幾秒確認一下：這篇文章有經過嚴格的同行評審嗎？作者所屬機構和期刊名聲可靠嗎？如果不確定，丟進 Web of Science 核心合輯或是查一下 Retraction Watch（撤稿資料庫），把有疑慮的「水分」擠掉。

2. Google Scholar 的星號（*）不是這樣用的！搞懂邏輯才抓得準
習慣用圖書館專業資料庫的人，常會直覺在 Google Scholar 用星號 * 做字根截斷，例如打 computer* 想一次抓 computing 跟 computation。但 Scholar 的星號只能用來「替換完整詞彙」，不支援字尾變化。
真正有效的變通作法是回歸布林邏輯，把關鍵字用雙引號鎖起來，加上 OR：(“computer” OR “computing” OR “computation”)。如果結果太雜，善用減號排除干擾（如 機器學習 -神經網路），或加上 filetype:pdf 鎖定有全文檔的結果。把這套語法存在記事本裡，以後每次檢索都能精準命中。

3. 撞上付費牆？這兩招幫你合法挖出隱藏版全文
好不容易找到關鍵文獻，點開卻要收費幾十美金，絕對是研究日常最崩潰的時刻。其實 Google Scholar 內建了兩套合法的破牆機制：
第一招是「圖書館連結」：進設定把自己的學校（陽明交大）加進去，搜尋結果旁邊就會浮現專屬連結，一鍵連回圖書館買好的資料庫。
第二招是找「所有版本（All versions）」：如果學校沒訂閱，點開搜尋結果下方的這個小字，通常能挖出作者自己上傳的審定本或是機構典藏庫裡的預印本。這些綠色開放取用（Green OA）的內容和最終出版的期刊版本幾乎一樣，能幫你省下大筆下載費。

4. ORCID 不只是一串數字，它是解決「學術分身」的數位身分證
你可能有過這種困擾：陳大明到底是 T.M. Chen、Da-Ming Chen 還是 Chen, T.M.？換了單位、結了婚改姓，或是遇到同名同姓，研究成果很容易就被系統歸錯人。
ORCID（那一串 16 位數的網址）就是為了解決這個痛點而生的。（順帶一提，如果你 ORCID 最後一碼是英文字母「X」，那不是系統亂碼，而是根據 ISO 標準算出來的校驗碼剛好是 10。）現在包括 IEEE、PLOS 甚至許多補助計畫，都強制要求綁定 ORCID。建議研究生在投出人生第一篇 paper 前就先註冊，讓未來的發表紀錄從第一天起就清清楚楚跟著你。

5. 拒絕手動貼書目！串連 WoS 與 ORCID 打造全自動履歷
每次發了新文章就要到處登入、手動更新履歷，既心累又容易漏掉。其實你可以讓系統自己來。
登入 Web of Science 的個人檔案（Researcher Profile），進入設定裡的「ORCID Syncing」頁面，授權連動你的 ORCID 帳號，接著把「雙向自動同步」的選項全部打開。未來只要新論文註冊了 DOI，系統就會在背後默默幫你把書目跟同行評審紀錄更新好。你只需要偶爾登入巡視一下沒有 DOI 的早期研討會論文，就能輕鬆維持一份精準的動態學術履歷。

把時間留給研究本身，找全文、管履歷這些繁瑣事就交給工具。提早建立好清晰的數位學術足跡，不僅能讓研究社群更容易看見你的貢獻，也能讓漫長的學術之路走得更從容。

參考文獻：

1. AsiaEdit. (2025, June 11). 2025 Google 學術搜尋技巧全攻略：快速找到關鍵論文！. AsiaEdit. https://asiaedit.tw/blog/complete-guide-to-google-scholar-search-tips
2. Clarivate. (n.d.). How to sync your ORCID record with Web of Science researcher profile. Web of Science Help Center. https://webofscience.zendesk.com/hc/en-us/articles/36787077862545-How-to-Sync-Your-ORCID-Record-with-Web-of-Science-Researcher-Profile
3. Esten, E. (2026, February 3). 連結研究者與成員： ORCID新的研究人員連結功能促使研究人員與所屬機構系統建立連結. ORCID. https://info.orcid.org/zh-TW/connecting-researchers-with-members-orcids-new-researcher-connect-functionality-prompts-researchers-to-connect-with-home-institutional-systems/
4. Hernandez-Garrido, C., & Reyes-Lillo, D. (2026). Researcher profiles: A systematic review of approaches, metrics, and dimensions of research performance. BiD, (56). [[suspicious link removed]]([suspicious link removed])
5. 洪翠錨. (2023, 4 月 18 日). 善用WOS個人學術檔案展現學術影響力. 臺灣大學圖書館參考服務部落格. https://tul.blog.ntu.edu.tw/archives/31818
6. 高雄醫學大學圖書資訊處. (無日期). 建置研究人員個人學術檔案 [PDF 簡報]. 高雄醫學大學圖書資訊處. https://www.kmu.edu.tw/index.php/academic-profiles
7. 國立中興大學圖書館. (2026). ORCID 手冊 (2026.03版) [PDF 指南]. 國立中興大學圖書館. https://orcid.org/
8. 邱炯友.期刊「開放同儕評閱」之設計與應用發展. (無日期). [線上資源].
9. 維基百科編者. (無日期). ORCID. 維基百科，自由的百科全書.

推廣組 簡玉菱 / 本文搭配AI工具進行寫作輔助

這篇文章 5 個研究生該早點知道的學術生存法則 最早出現於 NYCU陽明交大圖書館-陪你做研究。

題目：快速變動的AI時代，大學生該有的學習態度

日期：115年9月18日(五) 13:00-14:00

地點：光復校區圖書館B1國際會議廳

講者：吳炳飛 教授 電控工程研究所

【講座紀實】

AI正快速改變這個世界。有效學習，靈活思考，是面對快速變動環境的AI時代，必須具備的能力。本講座將分享適用的學習策略，強化主動思考、跨域整合與持續學習能力。
透過培養提問力、實踐力與適應力，並善用AI工具，在快速變動的未來中持續學習與成長，建立長期競爭優勢。入陽明交大寶山，千萬不要在4年後，遺憾沒好好珍惜這一生最重要的與AI共處的學習時光。

首先，介紹吳炳飛講座教授的卓越成就與教育理念，不僅是台灣首輛長程自駕車的開發者，更在非接觸式生理量測技術領域取得國際領先地位。憑藉其在智慧型運輸系統與人工智慧影像辨識的貢獻，榮獲「施敏講座」百萬大獎及多項國家級發明獎項，並成功創立新創公司鉅怡智慧推動技術商用化。他在教學上秉持「一個都不能少」的精神，曾獲教育部師鐸獎肯定，強調在AI時代學生應培養主動學習與獨立思考的能力，避免被科技取代。此外，他積極帶領年輕學者參與國際學術組織，致力於提升台灣在半導體與AI醫療應用領域的全球能見度。此外，以「教不在巧，有心則靈；研不在深，有用則名」作為核心信念，展現了結合產學研究與人才培育的深刻實踐。 

吳老師提及，鼓勵學生趁年輕要勇敢闖一闖。陽明交大是一座寶山，適逢AI時代，運用好其優勢，從前甚麼事都問Google，現在大小事都問AI。Physical AI在真實世界是可以實作出來的，AI技術是可以走入真實世界，比方說機器人、無人機、醫療領域等各行各業的應用。腦袋要思考、刺激，才會越用越厲害，這是人類最珍貴的地方。從Agent AI到Physical AI，AI已經影響到你我的生活了，在這劇烈改變中，定位自己是使用者？還是遊戲規則的制定設計者？前者往後很有可能被淘汰，後者則具備相對優勢，陽明交大提供非常多的能量和機會，讓人可創造歷史的時代，不要僅僅是吃瓜的群眾。以台灣大哥大年輕總經理林之晨的成功背後的故事為例來激勵大家，融合創業DNA與推動生成式AI轉型，獲選為企業數位與AI升級的領導典範，其領導風格與轉型成果被視為台灣企業迎向AI時代的重要指標。從學生時代每天養成聽英文新聞的好習慣，背景不錯，態度正確，雙語能力也很重要。以陽明交大電機學院領域為例，培養學生主動思考、提問力、實踐力、適應力等等能力不遺餘力，在學院課程的設計上培養養成學生這些能力。友直、友諒、友多聞，老師就是兼具以上諸多特點的最佳的人選，不要害怕與老師溝通互動，多找幾個老師討論尋求合適自己的方向，找學長、學姐聊聊增廣見聞，多讀新聞財經、科技的新聞，少看八卦娛樂新聞，浪費時間。所以說入交大不要空手而回，學校資源非常豐富且多元。踏入社會進科技公司，領高薪非常好；當業務員要訓練好口才，喜歡跟人互動，工作的型態很多種，看自己的性向做選擇，當然，創業也是一種選擇。陽明交大有三寶，給力的教授，多跟老師互動，以後寫推薦函才寫得出來具體的內容；豐沛AI；廣大校友，幫來幫去人脈廣。最後，老師分享自身教學研究的心路歷程，以及豐富的創業經驗，跨域智慧醫療領域的應用-HCTV(HealthC and TV)，已經商品化在歐洲販賣，台灣還在申請流程中；符合FDA標準要求的量血壓的技術；刷牙時對著鏡子、機器人生理狀況資訊量測器的點子。末了，再次感謝老師非常幽默風趣、含金量極高的講演，並提供講座講義和影片。 

【講座照片】

推廣組：湯春枝　整理

這篇文章 快速變動的AI時代，大學生該有的學習態度 最早出現於 NYCU陽明交大圖書館-陪你做研究。

論文投出去之後，研究生最熟悉的等待之一，大概就是 Reviewer 的審查意見。

幾個月後，信箱終於跳出通知，點開 Reviewer 2 的審查意見：
“The paper is well-written and addresses an important problem. However, several concerns remain…”
條列清楚、語氣客氣、從研究方法一路評論到實驗限制，每一點都寫得四平八穩。

但看著看著，你突然冒出一個有點失禮、現在卻越來越合理的念頭：

等等，這份 Review……該不會是 AI 寫的吧？

以前作者最怕 Reviewer 2，現在可能還得先猜 Reviewer 2 到底是不是一個人。

這已經不完全是玩笑！生成式 AI 進入研究流程之後，它不只協助找文獻、修改文字、寫程式，現在也開始進入學術出版最重要的一道關卡－Peer Review，同儕審查。

於是問題慢慢從「Reviewer 能不能用 AI？」變成一個更麻煩的問題：當 AI 已經走進 Peer Review，我們到底可以把哪一種工作、甚至哪一種判斷交給它？近來幾項以大型 AI 學術會議審稿流程為對象的研究，剛好讓我們看到 AI 參與 Peer Review 的三種不同方式，以及這些不同角色可能帶來的影響。

第一張椅子：如果真的讓 AI 當 Reviewer 呢？

先從最直接的情況開始，既然大型語言模型已經可以讀完整篇論文、整理貢獻、指出研究限制，甚至寫出一份煞有其事的 Review，那麼乾脆讓 AI 當 Reviewer 如何？ 2026 年，Cornell University 的 Sharma、Joachims 與 Dean 的研究團隊，分析了 ICLR、NeurIPS 以及 ICML ，一共超過 12.5 萬組「論文—審稿」配對資料，問了一個非常有趣的問題：LLM 協助的 Reviewer，會不會比較喜歡 LLM 協助撰寫的論文？

乍看資料，答案還真的有點像「會」？在 ICLR 2024–2025 的資料中，LLM-assisted paper 若遇到 LLM-assisted review，平均得到的評分增幅，比一般論文遇到 LLM-assisted review 還高；莫非 AI 也會「偏好自己人」，甚至出現某種「矽基同鄉會」？但研究者繼續分析後，故事開始轉彎。

當他們改成比較同一篇論文收到的不同審稿意見時，原本看似明顯的「AI 偏愛 AI」現象大幅縮小；真正值得注意的，可能是另一件事：LLM-assisted reviews 對品質較弱的論文普遍比較寬容；而 LLM-assisted papers 又較常出現在這些品質區間，因此整體資料容易呈現「AI 特別照顧 AI」的表象；不過也要補充一句，這樣的表象是透過文字統計特徵進行推估，並非逐一確認作者與 Reviewer 的實際使用紀錄。

研究團隊接著更進一步，直接讓 GPT-4o 獨立替論文產生完整 Review；這時問題變得更明顯，在 ICLR 的 1–10 分評分裡，AI 給出的分數大量擠在 6～7 分附近，不論原本被人類視為較弱或較強的論文，分數之間都沒有被充分拉開；研究者稱這種現象為評分壓縮 ( rating compression )。

換一個比較生活化的比擬：AI Reviewer 最大的問題，可能不是有所偏心，而是像一位「每個學生都不肯放棄、鍥而不捨、盡心盡力的導師」。

面對 50 分的學生，AI他會說：「你其實有很多潛力，我們再努力一下。」
電對 90 分的學生，他也會說：「表現很好，不過還有可以進步的地方。」

這種老師或許很適合陪伴學習，但如果今天的工作是要把學生排出相對名次，事情就麻煩了，Peer Review 也是如此；能夠指出一篇論文有哪些優缺點，和能夠穩定區辨研究品質，其實是兩種不同的能力。

第二張椅子：那人類 Reviewer 可以帶 AI 一起來嗎？

好，那我們不讓 AI 直接坐上 Reviewer 的那張椅子，那人還是 Reviewer，只是旁邊放一個 AI 助手呢？這正是 ICML 2026 一項大型實驗想回答的問題，ICML 2026 為 Reviewer 設計了兩種不同的 LLM 使用政策；其中一種較為保守，原則上禁止在審稿過程使用 LLM；另一種則允許 Reviewer 使用符合隱私規範的 LLM，協助理解論文、閱讀 related work，以及潤飾自己已經寫好的 Review。

但有一條很重要的紅線：不能把研究品質與重要性的判斷、strengths 與 weaknesses、Review 應該寫哪些重點，甚至整份 Review 的撰寫，直接交給 AI製作；這有點像是在說：「你可以帶 Calculator 去考統計學，但不能叫 Calculator 幫你列統計方程式。」因為一旦連問題要怎麼設定、哪些變項重要、方程式應該怎麼列，都已經由機器決定，真正的判斷其實早在按下「＝」前就被交出去了。ICML 2026 的特別之處，在於研究團隊不是事後問 Reviewer 覺得哪種政策比較好，而是真的在審查流程中，對部分論文與 Reviewer 隨機分派不同政策。

研究結果顯示，不同政策確實影響了 AI 的使用情形，但最終的論文評分、Reviewer 信心水準與錄取結果，卻沒有出現明顯差異；例如兩組最終接受率約為 27.0% 與 26.5%，Reviewer 給出的平均分數與信心水準也非常接近；相對寬鬆的政策下，Review 倒是稍微長了一些，也有部分結果顯示 Review 的主觀品質略高；更有意思的是，研究結束後的匿名問卷揭露了另一個現象，在回答問卷的人當中，即使被分配到禁止使用 LLM 的政策，仍有 22.5% 自陳曾經使用 LLM；而在有限度開放 LLM 的組別中，也有 36.5% 自陳至少做過一項政策明確不允許的使用；但這並不代表「禁止沒有用」。

研究中的其他分析反而顯示，政策確實改變了 AI 使用程度，但真正值得思考的問題變成：工具使用程度明明改變了，為什麼最後的審查結果卻沒有跟著大幅改變？這個結果也提醒我們，「Reviewer 使用 AI」其實不是一件單一的事情；拿 AI 改英文、幫忙讀懂一段公式，和叫 AI 判斷「這篇論文最大的三個 weakness 是什麼」，雖然都叫做「用了 AI」，但對學術判斷的介入程度完全不同。所以真正值得確認的問題，可能從來都不是深究：「Reviewer 有沒有用 AI？」而是：「Reviewer 把哪一段工作交給了 AI？」

第三張椅子：如果 AI 不審 Paper，而是審 Reviewer 呢？

接下來這篇研究，卻換了一個有趣的角度。既然直接讓 AI 評論文可能出現問題，人類 Reviewer 使用 AI 又牽涉到職責界線，那如果改變 AI 的工作對象，不讓它替 Reviewer 做判斷，而是讓它來檢查 Reviewer 寫出的審稿意見呢？ ICLR 2025 的研究團隊設計了一套 Review Feedback Agent。系統會讀取投稿論文與 Reviewer 已經寫好的 Review，但它不是替 Reviewer 評估論文品質，也不負責打分數或決定 Accept、Reject，而是檢查審稿意見是否模糊、是否誤解論文內容，或使用了不專業的措辭。

如果 Reviewer 寫：「實驗的比較基準( baseline )不夠。」AI 並不會補上一句：「所以建議 Reject。」而會反問 Reviewer 說：「你認為缺少哪些比較基準？為什麼這些比較對判斷研究結果很重要？」如果 Reviewer 質疑的內容其實已經出現在論文裡，系統也可能提醒他回頭確認；如果評論變成人身攻擊或使用不專業措辭，也會要求 Reviewer 把焦點拉回研究本身。換句話說：AI 不當 Reviewer 2，改當 Reviewer 2 的 Reviewer。

這套系統在 ICLR 2025 被實際放進大型審稿流程中測試；研究總共將 22,467 份 Review 隨機分配到 AI feedback 實驗組，其中 18,946 份實際收到回饋；最後有 5,031 份 Review 經過修改，占收到回饋的 Review 約 26.6%，並累計納入超過 12,000 項 AI 修改建議。相較之下，未被分配到 AI feedback 的對照組，Review 修改率約為 9.4%。

由於研究採用隨機分派設計，因此能更可靠地比較不同組別的差異；不過，被安排接受 AI 回饋與實際收到回饋後選擇修改仍是兩回事，例如，主動修改 Review 的人平均增加約 80 個字，但不能把這個數字直接解讀成 AI 對所有 Review 造成的效果。研究真正令人期待的，不只是 AI 讓 Reviewer 願意重新修改評論，而是這些更具體的審稿意見，也可能進一步促進作者與 Reviewer 之間的學術討論。

三張椅子：問題可能一直都不是「有沒有 AI」

把三篇研究排在一起，就會出現一個很有意思的畫面：

所以 Peer Review 面對的界線，也許並不是簡單的：Human vs. AI，而比較接近：資訊處理做到哪裡開始變成學術判斷？

這分水嶺其實沒有想像中那麼容易斷定，請 AI 把 Review 的英文修順，大概還很好理解，但像是：「幫我整理這篇論文的方法」、「幫我找它和既有研究的差別」、「列出這篇研究的三個 weakness」、「判斷這項 contribution 是否足以刊登」以上這些 Prompt 看起來只是一句一句往前走，實際上卻可能一步一步把 Reviewer 原本應該形成的判斷交出去。

當 AI 已經默默走進審稿，真正不能模糊的是責任

還有另一個更需要嚴肅看待的問題，Reviewer 手上的論文，通常不是我們平常丟進 AI 裡整理的公開文章，它可能根本還沒有發表過，裡面可能包含尚未公開的資料、方法、實驗結果，甚至作者還沒有對外揭露的研究方向；因此，把一份手稿( manuscript )放進外部 AI 系統，從來不只是「提高工作效率」的問題，它還涉及學術會議或期刊的 AI 使用政策、稿件保密義務，以及 AI 服務如何保存與處理輸入資料。

這也是為什麼「我只是叫 AI 幫忙看一下」，並不一定是一件很單純的事，不過真正難以界定的分界，可能還是在判斷本身，Peer Review 的價值從來不只是 Reviewer 幫出版社多寫了幾百個字；一份 Review 可能要求作者補做實驗、重新分析資料、改寫研究論述；它可能影響一篇研究能不能被看見，也可能影響一個研究團隊接下來幾個月甚至更久的工作方向。

這也是 Reviewer 這個角色之所以有份量的原因，它不是單純的文字工作，而是一種學術社群把判斷同儕研究的權力與責任，暫時交到另一位研究者手上；AI 當然可以參與其中，它可以幫忙讀、幫忙整理，也可能提醒 Reviewer：「這個批評是不是太模糊了？」、「這個問題是不是論文其實回答過了？」

隨著 AI 能協助處理的工作越來越多，真正值得我們思考的，也許不只是「到底應不應該禁止 Reviewer 使用 AI」，而是如何在借助 AI 提升審稿效率的同時，依然牢牢守住身為 Reviewer 的專業榮譽與責任，不輕易讓 AI 代替自己做出學術判斷。

參考文獻

Kim, S. S. Y., Deng, W. H., Vaughan, J. W., Su, B., Su, W., Agarwal, A., Li, S., Jaggi, M., Goldstein, D. G., Shah, N. B., & Dudík, M. (2026, September 16). Use and effects of LLMs in peer review: A randomized experiment and survey at ICML 2026. arXiv.org. https://doi.org/10.48550/arXiv.2609.19420

Sharma, V., Joachims, T., & Dean, S. (2026). Do LLMs favor LLMs? Quantifying interaction effects in peer review. In Proceedings of the 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’26) (pp. 3151–3189). Association for Computing Machinery. https://doi.org/10.1145/3805689.3806505

Thakkar, N., Yuksekgonul, M., Silberg, J., Garg, A., Peng, N., Sha, F., Yu, R., Vondrick, C., & Zou, J. (2025, April 13). Can LLM feedback enhance review quality? A randomized study of 20K reviews at ICLR 2025. arXiv.org. https://doi.org/10.48550/arXiv.2504.09737

推廣組 柯文仁／本文搭配 AI 工具進行寫作輔助

這篇文章 Reviewer 2 也是 AI？當人工智慧開始審你的論文 最早出現於 NYCU陽明交大圖書館-陪你做研究。

題目：反思在日常跨領域研究工作中融入生成式 AI

日期：115年8月26日(三) 13:00-15:00

地點：光復校區圖書館B1國際會議廳

講者：王邦任 助理教授 資訊工程學系

【講座紀實】

隨著生成式 AI 的日益普及，研究者們開始探索如何運用它來減少重複性工作，並支持更深入、更具洞察力的思考。尤其是在跨領域研究中，生成式 AI 有潛力降低「轉換成本」——如跨領域溝通時協調概念的不同意義所需的勞力，以及採用新領域的方法或理論時面臨的考驗。

首先，王老師提及自己領導的社群運算與福祉實驗室，從一名人機互動（Human-Computer Interaction, HCI）與跨領域實踐者的角度，反思生成式 AI（GenAI）如何重塑日常研究流程。本講題核心觀點指出：生成式 AI 能顯著加速跨學科間的概念「翻譯」過程（將過去需數週的文獻閱讀縮短至一個下午），但同時亦帶來「平坦化學科細節」（flattening disciplinary nuance）的隱憂——語言的流利度（Fluency）並不等於學術準確度（Accuracy）。研究者必須從單純診斷跨學科鴻溝，轉向具體檢視 AI 在各個實踐環節中究竟是縮小還是隱蔽地擴大了這些溝通差距，這是使用AI的核心隱憂與風險。

從日常跨領域研究工作細緻地分享經驗範例，在研究日常中運用如 Claude 等大型語言模型以及各種互動工具的經驗。從統合、翻譯、溝通跨領域的詮釋與傳達，到認定的價值傳遞給別人，覺得這過程是困難的。比方說醫學領域，過去實際投入理解上是非常花時間的，要進入實際情境去了解，這件事AI可以協助轉化到自己的認知當中，但扁平化轉譯過程不盡完善，自己如何修正，研究的每個部分AI如何介入研究。跨領域研究許多人在做，我的跨領域和你的跨領域有何異同，這是老師想講清楚的部分。問題的形成和AI討論研究，清楚逐條列出問題了解為什麼、哪一個比較好？什麼比較厲害？人在社群媒體討拍？比方說醫護人員與病人互動額外找出時間自己情緒的出口是？研究方法像是問卷、訪談、田野調查，習慣將研究脈絡完整列出來。和AI討論、互動出的結果報告，許多跳脫的想法，給相當多的回饋，再順著這思路去衍生自己原本想不到驚喜的思路，花相當多時間去思考、發想、推論，再去審核、篩選、整理，就像和別人聊天的過程，和AI聊後做簡單總結，再繼續討論引發新的發想脈絡，花時間去管理，這是研究過程思考是省不了的過程，這是使用AI的主要際遇。生成式 AI 無疑是促進跨領域溝通與加速知識轉譯的強大工具，但研究者必須保持理性批判性思考，避免被 AI 流利漂亮的語言表達所誤導。

後續，謝謝英語教學所蕭煌元同學以研究生觀點的回饋文章，經本人同意分享給大家：

【研究生觀點】從「斜槓跨域」到「慢科技」：參與圖書館 AI 研究攻略講座的深度反思 前言：一場關於 AI 與研究日常的對話。開學前夕，我有幸參加了由圖書館主辦的「AI 研究攻略」系列講座。下午場由陽明交大資工系社群運算與福祉實驗室的王邦任老師主講，主題為「反思在日常跨領域研究工作中融入生成式 AI」。 在當前學術界，「斜槓」與「跨領域」已成為熱門趨勢，但不同學門之間往往存在著難以跨越的知識與溝通鴻溝。這場講座並非單純的 AI 工具教學，而是帶領我們從人機互動（HCI）的視角，重新審視人與 AI 在研究流程中的協作夥伴關係。 跨領域的痛點：尋找「邊界物件」與知識轉譯，王老師指出，跨領域研究不僅是方法論的疊加，更涉及「認識論（Epistemology）」的差異——即不同學術領域如何定義「何謂知識」與「何謂有效證據」。 在跨領域合作中，數據或系統常常扮演「邊界物件（Boundary Objects）」 的角色。例如同一組心率數據，在工程師、醫護人員與患者眼中，代表著完全不同的脈絡與意義。跨領域研究最核心也最困難的挑戰，正是「轉譯（Translation）與溝通」。生成式 AI 的強項，恰好在於能夠作為對話觸媒，協助研究者快速梳理跨學科的知識脈絡，打破語言與領域壁壘。 研究流程的七大階段反思，講座中，王老師詳細拆解了生成式 AI 滲透至日常研究的七個關鍵階段，並分享了深刻的思辨：

1. 問題形成與發想（Ideation）： AI 能迅速建立問題架構，但其輸出多基於既有邏輯，往往缺乏跳脫框架的驚喜感（Serendipity）與深層原創性。

2. 文獻閱讀（Reading Literature）： 借助 AI 快速掌握陌生領域概念時，必須提防「虛假自信（False Confidence）」。王老師建議保持像「開課老師批改學生作業」般的批判視角，仔細檢視 AI 提出的論述與邏輯。

3. 科技探測（Technology Probes）： 在開發研究原型時，AI 大幅降低了寫程式與除錯的門檻，讓研究者能更敏捷地部署系統並進行真實場域的使用者測試。

4. 資料分析與質化反思（Data Analysis）： 針對質化研究中的編碼與反思性主題分析（Reflexive Thematic Analysis），王老師強調應堅守「研究者的主觀詮釋權」，不能將資料分析完全自動化，以保留人類對文本脈絡的獨特洞察。

5. 論文寫作與語言翻轉（Scientific Articles）： 學術界長期以英文為主導，隱含著話語權的結構落差。AI 能幫助非英語母語者消除語言表達障礙，讓學術溝通回歸核心論點與實質貢獻。

6. 科學傳播（Scientific Communication）： 利用 Google Gemini Notebook（前身為 NotebookLM）等工具，能將艱深的學術論文轉化為 Podcast 對話或科普網路雜誌，促進知識的廣泛傳播。

7. 重拾主導權（Ownership）： 研究者需要透過持續的微調、修改與自我思考，將個人洞見注入品質中，從而建立對研究成果的心理所有權。 結語：擁抱「慢科技（Slow Technology）」的微小價值 整場講座最令我震撼的是關於「慢科技（Slow Technology）」與「微小工作（Trivial Work）」的討論。在追求高效率產出的 AI 時代，那些看似繁瑣、親力親為的閱讀、思考與反覆梳理，其實是醞釀深度洞察不可或缺的過程。 作為研究生，我們不應盲目追求產出的速度，而是要有意識地定義 AI 的角色，在快速生成的科技浪潮中，守護專屬於人類的批判思維與研究靈魂。

末了，再次感謝老師非常實用的講演以及蕭煌元同學詳盡的回饋分享，並提供講座講義和影片。 

【講座照片】

推廣組：湯春枝　整理 

這篇文章 2026 研究攻略營系列 從寫作到修稿：反思在日常跨領域研究工作中融入生成式 AI 最早出現於 NYCU陽明交大圖書館-陪你做研究。

題目：從寫作到修稿：AI 在研究溝通中的角色

日期：115年8月26日(三) 10:00-12:00

地點：光復校區圖書館B1國際會議廳

講者：盧郁安 教授 外國語文學系

【講座紀實】

從課堂作業到研究論文，AI正改變寫作與修稿方式。本講題將示範如何善用AI整理、撰寫與修訂，並延伸至研究溝通中的重要文件，包括cover letter 與 response letter 的撰寫策略。透過優化結構與表達，同時保持批判思維，幫助你在學術交流中更清楚、有說服力地呈現自己的成果。

盧老師在講座一開始先分享自己的研究經驗，以自身真實血汗經驗學案例闡述研究寫作過程從投稿到稿件被接受通常是一段不算短的時間甚至長達兩年，是一個蠻孤單的過程，因此如何研究過程和合作夥伴有連結和研究單位有連結並AI在其中扮演的角色，這些都需要透過溝通，研究的每一步驟實質上皆為「對話」與「溝通」。學術工作者在日常研究生活中，需要頻繁地在多重身分之間進行切換。溝通是研究過程的主軸，特別是在AI不清楚多重身分切換、不懂好或不好、不懂人際關係，在AI 的能與不能下Prompts情境可獲得較為精準的文字產出，重點不是談AI，而是談AI不知道的事情，分辨不空洞或者是有內容的發表。提供具體之 AI 信件撰寫提示詞（Prompts）架構。同時，透過期刊投稿之真實退稿與從語言學領域實用音韻學看修稿案例，展現面對學術挫折時的應對策略與正向循環機制，強調研究者自身在研究深化、團隊支持與人際溝通中不可替代的核心價值。此外，投稿撰寫過程中並運用了學校圖書館的資源，例如：JCR、Grammarly、EndNnote。研究之路的關鍵在於耐心與韌性。每一次的回饋都是讓研究變得更完整、更有說服力的契機。一篇稿件的結束，往往是下一篇稿件成功發表的開始。

【幕後花絮】

後續，收到學員電控工程所劉靜熹小姐的回饋分享：上這堂課之前，我從未想過使用 AI 時需要先定義「自己的身份」。但這次課程讓我明白，因應不同的任務與需求，我們的角色隨時都在轉換——有時是社群小編，有時則是計畫助理。因此，未來在下達指令時，除了設定 AI 的人設，更關鍵的是要先讓 AI 知道「我是以什麼身份在尋求協助」，如此才能獲得最切合需求的回覆。這只是眾多回應中的一篇，這場講座內容豐富實用，謝謝與會者Q&A的熱烈討論，再次感謝盧老師的珍貴分享，當天的講義與講座錄影提供給大家參考。

【講座照片】

推廣組：湯春枝　整理

這篇文章 2026 研究攻略營系列 從寫作到修稿：AI 在研究溝通中的角色 最早出現於 NYCU陽明交大圖書館-陪你做研究。

找文獻、整理摘要，還是Python 不會寫，都可以問 AI！
連統計分析卡住，好像也能先問 AI，真是比神奇海螺還要神奇！

但身為苦情研究生的你，滑到一則消息：AI 已經可以自己找文獻、提出研究假設、規劃實驗、分析實驗結果，甚至根據結果繼續想下一輪研究問題。

這時再看看自己那份還在修改研究問題、文獻回顧甚至都還沒整理完的論文，很難不產生一絲絲的懷疑：莫非真正厲害的「論文全自動豪華AI方案」，只有我還沒訂到？

這種焦慮其實愈來愈普遍， 2025 年，FutureHouse 團隊公開了一套名為 Robin 的 multi-agent system，Robin不只會整理資料，而是把文獻搜尋、假設生成、實驗規劃、資料分析，再到下一輪研究假設串成一個流程！到了 2026 年，這項研究正式刊登在《Nature》。

不過卻有一個很值得注意的詞：semi-autonomous scientific discovery——半自主科學發現；所以真正有意思的，或許不是「Robin 已經可以自己做研究了」，而是：那個 semi前綴，到底還藏了多少東西？

Robin 不是一個超級 AI，而是…

如果原本想像 Robin 是一個智商超高的 AI 博士，稍微了解其架構後，大概會稍微冷靜一點，因為 Robin 不是一個，而是很多的分工：

Crow 負責較精簡的文獻搜尋與整理；
Falcon 負責更深入的文獻回顧與候選方案評估；
Finch 則負責 RNA-seq、flow cytometry 等實驗資料分析。

Robin 再把這些角色串在一起，形成「文獻 → 假設 → 實驗 → 資料分析 → 下一輪假設」的研究循環。

況且背後不只有這三個 Agent，整套系統還使用了 o4-mini 進行文獻綜整與假設生成、Claude 3.7 Sonnet 擔任候選假設比較的 LLM judge；為了讓 Judge 的判準貼近領域專家的偏好，團隊還先請專家做比較，再利用 Gemini 2.5 Pro Preview 協助產生相關 Prompt；再加上 Jupyter Notebook、Aviary framework、標準化的分析環境，以及一整套生物資訊工具……等等！

看到這裡，Robin 已經很難再被理解成「一個比較強的 ChatGPT Pro」，與其說 Robin 是一位 AI 科學家，不如說它比較像一間已經把工作流程搭好的 AI 研究室；所以你心中的問題也開始有些不一樣了：我真的只是少買了一個比較高級的付費版 AI 嗎？

一輪「自動研究」，到底要動員多少 AI？

先看一組很容易讓研究生棄守的數字：論文中描述的一次典型 Robin workflow，會產生：論文描述的一次典型 Robin 工作流程，會呼叫 Crow 45 次、Falcon 30 次，也就是一輪約有 75 次 Agent 呼叫。；這可不是研究室裡養了 75 個不同 AI，而是這些專門 Agent ，在不同研究任務裡被反覆執行指定任務。

這樣 75 次 Agent calls 跑下來，一輪大約會分析 551 篇不同文獻；作者估算，如果由人類處理同樣數量的文獻，單是搜尋與綜整大約就需要 294 小時；Robin 則大約花 30 分鐘；如果把假設生成、實驗規劃、資料分析與結果解讀等認知工作都算進去，作者估計，一輪研究循環中的這些工作原本需要約 359–424 小時的人力投入；在 Robin 輔助下，則可壓縮到不到 2 小時。 

Robin 真正重要的地方，就是它顯示了一件事：研究流程裡大量耗時的認知工作，的確開始有被自動化的可能；可是，跑得快之後，下一個問題馬上就出現了，如果 AI 每次跑出來的結果都不完全一樣呢？

歡迎進入研究的多重宇宙

Finch 是 Robin 裡負責實驗資料分析的 Agent，但即使給 Finch 同一份資料、同一個提示詞，每次執行時，還是可能因為 AI 本身具有隨機性，而走出不完全相同的分析路徑。

此時Robin 的解法很有意思，它不是讓 Finch 跑一次、看到結果可接受就收工，而是一次啟動 8 條彼此獨立的分析路徑，讓 Finch 分別處理同一份實驗資料，最後再把這 8 次分析結果整合起來，找出彼此一致的結論。

簡單說，有點像突然打開 Finch 多重宇宙：八個平行世界的 Finch 各跑一次分析，最後再全部抓回會議室開會；看看哪些結果彼此一致，再綜整成最後的共識；看到這裡，研究真正關心的顯然已經不是：「AI 有沒有回答？」反而是：我們到底怎麼規範 AI 協助研究工作？

真的還需要 Prompt Engineering 嗎？

開始有人認為，模型愈來愈聰明之後，Prompt Engineering 好像已經沒那麼重要了。但如果你所謂 Prompt Engineering 是：

「你現在是一位世界頂尖教授……」
「請深呼吸，step by step……」
「回答得好我給你 200 美元……」

這種帶有一點「提示詞咒語」感的技巧，確實可能愈來愈不重要；但研究情境裡的 Prompt，是另外一件事情，平常跟 AI 聊天，你可以說：「幫我看看這份資料有什麼有趣的發現。」

可是如果真正執行研究也只交代到這種程度，大概就像對戰前對隊友說：「等等大家看情況自由發揮。」大家自由度很高，然後可能很快就滅團；真正的研究指令至少得交代：

任務目標是什麼？哪些資料可以使用？
哪些條件不能違反？要採用什麼分析方式？
什麼狀況算成功？發現異常要怎麼處理？
最後又要留下哪些紀錄？

所以研究型 Prompt 比較不像聊天，反而更接近一種任務規格或戰術 call。

而 Robin 自己就提供了一個非常好的例子：2025 年的預印本直接寫道，Finch 高度依賴領域專家的 Prompt Engineering，才能產生可靠的分析結果；到了 2026 年正式刊登 Nature，這項限制依然存在，只是語氣稍微收斂，但其中或許最重要的，已不再是 Prompt Engineering 這兩個字，而是：by domain experts。

因為真正的門檻不是「你會不會寫一個很厲害的 Prompt」，而是：你知不知道這個領域合理的分析應該怎麼做，才知道要怎麼要求 AI。AI 愈聰明，也許愈不需要那些「提示詞咒語」；但研究愈認真，反而愈需要把任務規格說清楚。

Prompt 寫好了，為什麼還不夠？

不過事情還沒有結束，因為一份研究不能只留下：「我那天問 AI，它回答這個。」如果今天使用一套軟體，明天換了另一個版本，後天調了參數，過幾個月後，可能連自己都忘記當時到底怎麼跑的，那即使結果看起來差不多，也很難談研究的可重現性。

所以研究流程還需要盡可能保留：資料、Prompt 或任務規格、分析方法、模型與環境、程式碼、參數、執行紀錄，以及驗證方式。

Finch 因此也不是隨便找台電腦就開始工作。它被放進預先建立、標準化的執行環境裡，裡面已經配置好 Python、R、Bash 與各種生物資訊工具，目的之一就是支援可重現的評估( reproducible evaluation )。

Finch 的分析是使用Docker 容器（Docker Container）技術來維持軟體與分析環境的一致 ，其實就算不懂Docker是什麼，也可以這樣理解這件事情－要重演同一齣戲，至少舞台、燈光、道具和劇本不能每天都換一套；AI 可以有創意，研究方法最好不要每次執行都臨場發揮。

那我直接買最強的 AI，不就好了？

可能到這邊會有人想：好吧，Robin 架構很複雜，那我乾脆直接使用最強的通用模型，不就好了？

這有點像：「我要去跑 WRC，所以我先買一台法拉利。」

引擎當然很強，但沒有適合拉力賽的懸吊、輪胎、導航、防滾籠與整套賽車設定，馬力愈大，有時候只是更快衝出賽道。

而Robin 團隊還真的做了類似測試，他們拿掉部分專門做文獻搜尋的 Agent，改以 o4-mini 取代，再請人類研究者逐筆確認 AI 引用的文獻是否真的存在；其中一項測試裡，Crow 沒有產生虛構引用 ( hallucinated references)，但o4-mini 產生的實驗方案  ( assay proposals ) 中，卻有 44.5% ± 6.37% 的引用文獻( references )被人工判定為虛構引用。

這個結果其實很值得研究生記住：模型能力很強，不等於研究流程很可靠。

有趣的是，Nature 論文估算，在這套設定下，45 次 Crow 加上 30 次 Falcon 的模型呼叫費用，總共大約只有 10.76 美元。

這個數字反而提醒我們：Robin 厲害的地方，並不是因為它用了多昂貴的 AI；真正讓這套系統能用於研究的，是前面那一整套設計：資料從哪裡來、不同 Agent 如何分工、提示詞如何規範任務、分析環境如何保持一致，以及最後由誰驗證結果；換句話說，買到更強、更貴的模型，和建立一套可靠的研究流程，其實是兩件截然不同的事。

說了這麼久的 AI 科學家，那人類去哪了？

往 Robin 的 Nature 論文後面一翻，可以看到這項研究共有 14 位作者；而且這 14 個人並不是站在旁邊看 AI 表演：從研究與實驗設計、Robin 與 Finch 的開發，到細胞培養、吞噬實驗、RNA-seq 前處理，再到資料分析、驗證 Finch 的輸出、人工分析、系統評測、論文撰寫與研究監督；從系統開發、實驗執行到資料驗證與論文撰寫，都有人類研究者參與。。

真正進入實驗階段後也是如此，Robin 可以提出候選藥物與實驗方向，但候選方案仍由人類研究者 review，真正進到實驗室執行的，則是依據 Robin 建議，再由人類研究者制定的實驗流程（experimental protocol）。 

這裡的重點並不是「看吧，AI 果然還是不能取代人」。Robin 已經展示出許多過去必須由研究者親自完成的工作，確實可以交給 AI 處理。真正值得注意的是，研究者在研究流程中的角色正在改變；AI 愈來愈能接手文獻搜尋、資料整理、比較分析、候選假設生成，以及部分資料分析與結果整理；相對地，人類研究者的工作，則更集中在定義研究問題、提供領域判斷、設定方法與限制條件、做出實驗決策，以及驗證最後的結果是否可信。

所以，真正該解除的也許是「AI 研究 FOMO」

回到最開始那個問題：所以，你真的只是還沒訂到「論文全自動豪華AI方案」嗎？至少 Robin 的案例告訴我們，事情不是這麼簡單；AI 的確正在讓研究流程變得更快，而且速度可能快得超乎我們原本的想像，但真正能讓這些自動化成果進入研究的前提，仍然是研究者知道：

什麼問題值得問？哪些資料值得相信？
哪些方法合理？哪些條件必須固定？
什麼結果需要懷疑？

只有對自己的研究領域有足夠理解，才有可能把這些判斷轉成 Prompt、規則、工作流程與驗證條件，再交給 AI 執行；所以，真正拉開差距的，可能不是你用了多貴的 AI，而是：

你對自己的研究理解得有多深，能不能把這些判斷轉成 AI 可以遵循、也可以驗證的研究流程。
當這件事情做得到時，AI 才不只是幫你「做得更快」，它才真正開始幫你加速判斷，也加速研究。

參考資料

Ghareeb, A. E., Chang, B., Mitchener, L., Yiu, A., Szostkiewicz, C. J., Laurent, J. M., Razzak, M. T., White, A. D., Hinks, M. M., & Rodriques, S. G. (2025). Robin: A multi-agent system for automating scientific discovery [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2505.13400 

Ghareeb, A. E., Chang, B., Mitchener, L., Yiu, A., Szostkiewicz, C. J., Shved, D., Gyimesi, G. J., Laurent, J. M., Wright, S. M., Razzak, M. T., White, A. D., Finnemann, S. C., Hinks, M. M., & Rodriques, S. G. (2026). A multi-agent system for automating scientific discovery. Nature, 655, 497–505. https://doi.org/10.1038/s41586-026-10652-y 

推廣組 柯文仁／本文搭配 AI 工具進行寫作輔助 

這篇文章 AI 都能自己做研究了，為什麼我的論文還是得自己做？ 最早出現於 NYCU陽明交大圖書館-陪你做研究。

壹、前言

研究從發現問題開始，接著尋找文獻、查核證據、整合分析、研究寫作，走向發表與分享。這個研究生命週期像一份地圖，每位研究者實際採用的工作流則是各自的路線，因學科與習慣而不同。本文以 Discover、Search、Evaluate、Analyze、Write、Disseminate 六個環節為架構，介紹可用的圖書館服務與研究工具。這些環節並非單向前進：閱讀新文獻後，可能需要重新釐清問題；分析時也可能回頭補充檢索。

AI 可協助提出線索、整理資料和比較文獻，但它的概述、圖譜與引文仍須回到原始紀錄及全文核對。研究者應確認資料來源、研究設計、結果與適用範圍，並記錄重要的判斷與修改；圖書館則提供資源取得、工具評估及研究方法支援。

代理式 AI（Agentic AI）技術嘗試串連搜尋、實驗、分析、寫作與評閱。例如，The AI Scientist 展示了電腦可執行之機器學習研究的自動化流程（Lu et al., 2026）。這類系統仍有構想粗淺、實作錯誤及引文不準確等問題；跨步驟的自動化輸出仍須逐一查核。

貳、六個研究環節與建議入口

研究寫作可依據主要任務安排工具；同一工具可能跨環節。可用功能與介面以圖書館及平臺公告為準。

表1 研究生命週期六環節與圖書館建議入口

✦ 具 AI 功能；圖1-9 為文中對應配圖

一、發現問題 Discover

1. 拆解問題：研究問題並沒有適用於所有領域的單一公式。PICO 等架構可協助釐清研究對象、關注的介入或現象，以及希望了解的結果；不同問題可選用不同的架構（Covvey et al., 2024）。起步時，可先列出核心概念、研究對象、情境及想了解的關係，再查找同義詞與相關文獻。
2. 從問題走向文獻：Primo Research Assistant 可用自然語言取得主題概覽與來源線索；接著進入館藏紀錄、授權全文及適當的學科資料庫；Primo也可將範圍擴大至非館藏紀錄。同一問題點按「再試一次」，結果可能不同；有用的線索宜記錄及核對。（見圖 1）

圖1  Primo Research Assistant 介面導覽

3. 觀察研究前沿：WoS RA 可輔助探索核心文獻及引用關係（見圖 2）；WoS RHN 可供觀察新興主題與跨學科線索（見圖 3），相關趨勢圖表可提供發想與進一步探索的線索，仍須結合文獻閱讀與領域判斷。師生可在本校「校園單一入口」的「圖書館」分頁，或透過 Primo 資料庫清單進入 WoS RA 與 WoS RHN。

圖2  Web of Science Research Assistant 介面導覽

圖3  Web of Science Research Horizon Navigator 介面導覽

4. 尋找經費與合作：WoS RI 整合出版、專利、臨床試驗與 Pivot-RP 經費資料，可依研究主題查找相符的經費機會、潛在合作者與機構，並觀察新興研究領域（見圖 4）。本校師生亦可在「校園單一入口」的「圖書館」分頁，或由 Primo 資料庫清單進入 WoS RI。AI 助理提供的建議與指標，仍須回到經費機構公告與原始出版紀錄核對。

圖4  Web of Science Research Intelligence 介面導覽

【延伸閱讀與服務】

• 研究題目不是突然想到的：研究發想是一個探索過程
• 從 AI 提示到研究判斷：驗證研究缺口的 3 個關鍵步驟
• Web of Science AI 介紹
• Web of Science 新增功能介紹
• 辨識潛在研究前沿：Web of Science Research Horizon Navigator 如何精準捕捉「新興主題」？

二、搜尋文獻 Search

1. 建立可重現的檢索：選擇合適的學科資料庫，逐步調整關鍵詞與檢索式。需要交代文獻搜尋及篩選方法時，記錄資料庫與平臺、完整檢索式、檢索日期、限制條件、篩選流程及結果筆數。
2. 取得文獻：Primo 用於查詢本館書刊與電子資源並確認全文取得方式；NYCU Library MCP 可在支援的 AI 對話介面查詢館藏（例如在 Claude 使用，見圖 5），AI 提供的書目資料、館藏地及可用性，仍須以 Primo 紀錄為準。本校師生可利用授權電子資源、開放取得版本，或申請館際合作與文獻傳遞。

圖5  在 Claude 使用 NYCU Library MCP

3. 補充探索：Google Scholar Labs 可作為補充探索入口（若帳號已開放使用），其結果若要納入研究，仍須依研究目的回到適合的資料庫完成檢索。

【延伸閱讀與服務】

• NYCU Library MCP 把圖書館串接進你的 AI
• MCP小白筆記：什麼叫做MCP？這跟我有什麼關係？
• 跨域研究不迷路—看懂不同領域如何討論同一個問題
• 為什麼 Google 第一筆結果不一定最好？

三、查核證據 Evaluate

1. 辨認摘要的資料依據：確認 AI 讀取的是書目、摘要或全文。附有全文連結不代表回答由全文生成；逐項對照原文中的研究對象、設計、測量、數值、限制和結論，確認引文支持主張。
2. 判讀引用與適用範圍：WoS 的「Citing items by classification」根據施引文章的引用脈絡，將引用分為 Background、Basis、Support、Differ、Discuss 五類（見圖 6）。可從 Support 與 Differ 類切入，細讀引用段落及施引文章，了解研究結果有何相近與差異；分類未涵蓋所有施引文獻，仍需評讀原文確認關聯及證據品質。

圖6  WoS 引用分類（Citing items by classification）

3. 檢查預設假設：Ma 等人（2026）針對醫師形象的圖文生成進行跨模態稽核，發現即使提示未指定人口特徵，模型仍會自行帶入性別、年齡等屬性。研究結果可能隨測試模型與設定而異，提醒應檢視 AI 輸出是否帶入未經要求的假設。
4. 核對文獻狀態：EndNote（需啟用線上帳號同步）會依 DOI 或 PMID 比對 Retraction Watch 資料，提示已撤稿的書目。從 Primo 經 LibKey 連向全文時，若文章引用了撤稿文獻，則會出現「Article Contains Retracted Citations」提示，但不能直接推定此文章本身有問題；若文章本身已撤稿，會顯示撤稿原因與官方聲明（見圖 7）。WoS RA 回答所引用的文獻，會預設排除 Retracted Publications。各服務涵蓋範圍不同，引用前仍須逐一核對更正與撤稿狀態。

圖7  Primo 撤稿提示：兩種情境

【延伸閱讀與服務】

• 跨域研究不迷路：看懂不同領域如何討論同一個問題
• 用 EndNote 追蹤撤稿文獻：別讓「殭屍文獻」混進你的論文
• 如何批次查詢論文參考書目的正確性
• 如何判斷期刊是否可信？不只是投稿前，更是閱讀研究時的重要能力

四、整合分析 Analyze

1. 建立比較矩陣：比較研究對象、設計、指標、結果與限制，並探討結果一致或不同的原因。針對關鍵主張，記下所依據的文獻及可回查的位置，並區分研究結果、文獻作者的觀點與自己的推論。
2. 概念矩陣實例：Pool 等人（2024）以負責任使用 AI 的概念整理遠距醫療文獻，顯示研究類型與各主題的分布。若目的是比較研究結果，則須列出對象、方法及結果等欄位。
3. 工具輔助閱讀：WoS RA 的 Manuscript upload 可針對上傳文件提問；Deep search 可輔助探索較複雜的問題，並將結果整理成主張與證據表（見圖 8）；兩者目前為 early adopter 早鳥測試，介面可能調整。Gemini Notebook（原 NotebookLM）可在匯入資料範圍內整理與比較，再逐一查核頁碼和引文。上傳文件之前，均須確認授權、個資與未公開研究資料的處理規範。

圖8  WoS Research Assistant Deep search 主張與證據表

4. 理解研究方法：JoVE 平臺提供研究與教學影片；其中 JoVE Journal 是經同儕審查、收錄於 PubMed、Web of Science 的影音期刊。本校訂購 Unlimited 方案，包含：研究版本「JoVE Research」、教育版本「JoVE Education」，以及JoVE  Visualize（從文獻推薦影片）與 Ask JoVE（AI 助理推薦文章與影片）。安裝 JoVE 瀏覽器擴充功能後，在 PubMed、Google Scholar、Web of Science 等平臺的檢索結果旁，即可看到相關實驗影片（見圖 9，以 Google Scholar 為例）。AI 助理推薦的影片與論文方法是否一致，仍須回到原文核對。

圖9  JoVE：從文獻或 AI 找到實驗影片

【延伸閱讀與服務】

• 從「金魚腦」到「學術大神」：利用 AI 重塑文獻回顧
• 當你用 AI 跑質化分析， 你其實是開了「一鍵美顏」，還是「自動戰鬥」？
• JoVE AI 全面解密：AI 驅動的生科實驗與教學革新
• 上傳文章至 AI 的侵權與倫理風險

五、研究寫作 Write

1. 文獻與引註：EndNote 與 Zotero 可管理書目、插入文內引註及產生參考文獻，EndNote 2025 另提供 AI 輔助功能。格式正確並不代表來源真實，也不代表文獻支持文中主張（Madsen & Silva, 2026）；仍須檢查數值、版本及撤稿狀態等。
2. 協作與排版：Overleaf 可供 LaTeX 團隊寫作及版本協作，書目可匯入 BibTeX（.bib）。EndNote 使用者可先匯出 .bib 再上傳；其他文獻管理工具的直接同步功能依方案而異。
3. 原創性比對：Turnitin 與 SYMSKAN 神隼比對服務，提供文字重疊線索，應逐句檢視引用語境，判斷是否屬合理共用的文字，不能僅依比例判定。

【延伸閱讀與服務】

• Endnote 2025新功能簡介
• Meet Zotero
• 用AI 寫論文會被退稿嗎？搞懂「AI 貢獻聲明」，別踩學術誠信紅線
• 尋找安全且可多人協作的 AI 論文寫作環境？Overleaf AI Grammarly 應用介紹
• 畢業口試第一關~「論文原創性比對」大哉問

六、發表與分享 Disseminate

1. 選擇合適期刊：投稿前先核對期刊宗旨、文章類型、審查流程、費用與可信度。Journal Citation Reports（JCR）提供期刊引用指標與學科排名；各平臺的 journal finder 可依題名、摘要等提供候選期刊。推薦名單及單一指標都不能代替對期刊適配度與品質的判斷。
2. 確認開放取用條件：投稿前查詢圖書館的出版社合作方案、適用資格及可能的文章處理費（APC）優惠；額度與期刊政策會變動，簽署授權或付款前以最新公告和最終報價為準。
3. 從研究起步管理資料：收集資料前即確認權利、同意範圍、檔名、版本、備份、存取權限及保存期限；成果完成後依個資、倫理、合約與智慧財產限制決定可分享的內容。FAIR 鼓勵資料可被發現、取得、互通及再利用，並不要求所有資料公開。適當整理且取得授權的資料可評估保存至 NYCU Dataverse。
4. 論文與研究者識別：學位論文定稿後，依規定辦理比對、上傳、授權及必要的延後公開程序。ORCID 可在研究初期建立並持續維護，使論文、資料與研究貢獻更易連結。

【延伸閱讀與服務】

• 投稿期刊怎麼選？善用 Web of Science、JCR 與 EndNote 2025 的研究工具
• 國立陽明交通大學研究資料管理平臺 NYCU Dataverse
• 國立陽明交通大學研究資料管理原則
• 研究資料管理計畫 Data Management Plan（DMP）
• 國立陽明交通大學圖書館學位論文建檔規範
• 5分鐘懂ORCID 2030新策略計畫藍圖

參、圖書館支援貫穿六個環節

圖書館推廣服務組以學科館員為核心，依學院、課程、實驗室與研究團隊需求，提供檢索、資源取得、選刊、資料管理及 AI 素養支援，也可安排客製化教學；並持續辦理新生電子資源導覽、研究攻略營、AI 素養工作坊與期刊投稿講座；涉及系統性回顧、臨床證據或特殊資料治理時，宜及早與學科館員及相關專業單位討論。

學院、研究團隊與研發單位若需分析研究成果、規劃合作布局或呈現社會影響，可運用 InCites 與 WoS RI 的標竿比較、合作網絡及影響力分析。推廣服務組可協助資料擷取、指標解讀與報告製作。報告應標示資料範圍、更新時間、指標定義及平臺限制，避免以單一指標評定不同領域或個別研究者。

從形成問題到發表分享，圖書館提供資源、工具與諮詢；研究者則核對來源、記錄判斷，並在需要時補充檢索或調整論述。

【延伸閱讀與服務】

• 聯繫學科館員
• 圖書館 AI 工具課程支援服務
• 陽明交通大學數位影音服務（YouTube專屬頻道）
• AI 素養世代來了！大學教學與研究的華麗轉身術

【參考文獻】

Covvey, J. R., McClendon, C., & Gionfriddo, M. R. (2024). Back to the basics: Guidance for formulating good research questions. Research in Social and Administrative Pharmacy, 20(1), 66–69. https://doi.org/10.1016/j.sapharm.2023.09.009

Lu, C., Lu, C., Lange, R. T., Yamada, Y., Hu, S., Foerster, J., Ha, D., & Clune, J. (2026). Towards end-to-end automation of AI research. Nature, 651, 914–919. https://doi.org/10.1038/s41586-026-10265-5

Ma, L., Yang, J., Li, N., Zhu, Y., & Yao, X. (2026). Cross-modal demographic bias in generative AI representations of physicians: A comparative audit of large language models and text-to-image models. Journal of Racial and Ethnic Health Disparities. https://doi.org/10.1007/s40615-026-03151-3

Madsen, D. Ø., & Silva, E. S. (2026). Teaching citation in the age of generative AI: Rethinking research literacy, academic integrity, and epistemic responsibility. The Journal of Academic Librarianship, 52(4), Article 103267. https://doi.org/10.1016/j.acalib.2026.103267

Pool, J., Indulska, M., & Sadiq, S. (2024). Large language models and generative AI in telehealth: A responsible use lens. Journal of the American Medical Informatics Association, 31(9), 2125–2136. https://doi.org/10.1093/jamia/ocae035

推廣服務組 王慧恆｜文．圖 運用 AI 協作｜2026年10月3日

這篇文章 NYCU Library 圖書館支援 AI 時代的研究生命週期 最早出現於 NYCU陽明交大圖書館-陪你做研究。

從「能跑就好」到「怎麼知道它真的算對了？」

研究做到一半，突然發現自己需要一個小工具，可能是很多研究生都碰過的情境。你只是想把幾百筆資料轉成固定格式、自動執行一套資料清理程序，或者把分析結果整理成特定圖表，結果找了一圈，現有軟體不是沒有這個功能，就是操作流程和自己的研究需求差了一點。繼續查下去，網路上的答案經常會慢慢收斂成一句話：「這個用 Python 很快。」

問題是：只是做個研究，怎麼還需要學習程式設計師的技能？

生成式 AI 的出現，讓這件事開始有了另一種可能。現在，即使沒有程式背景，也可以直接向 ChatGPT、Claude 或其他AI 工具，說明資料格式、分析需求與預期輸出，協助產生一個小型程式或應用工具。對剛開始嘗試 AI Coding 的人來說，過程甚至可能非常單純：描述需求、讓 AI 寫出第一版，執行後發現基本可用，就先拿來處理眼前的研究工作。

這有點像過往玩RPG遊戲，必須走遍地圖找解謎的關鍵道具，現在突然多了一個「自動尋路」。但研究生需要留心的是－ AI 能順利往目的地前進，但不代那就是你原先預期的那一條路徑。

程式沒有消失，只是「誰負責翻譯」變了

從更長的歷史來看，讓人不用處理那麼多底層技術細節，其實一直都是程式設計演進的重要方向。

早期程式設計必須非常貼近硬體；後來出現組合語言、高階程式語言，再到 SQL、low-code 與 no-code，使用者逐漸不必親自描述電腦底層的每一個執行步驟。Meske 等人便把 Vibe Coding 放在這條歷史脈絡中，並用 intent mediation（意圖中介） 解釋這次改變。

傳統程式開發裡，人必須把「我想做什麼」轉換成符合正式語法與邏輯的程式；到了 Vibe Coding，人可以先以自然語言表達較高層次的目標，再由生成式 AI 解讀需求、產生程式，最後仍交由電腦依確定性的規則執行。換句話說，底層運算並沒有突然變成魔法，真正改變的是：誰負責把人的意圖翻譯成電腦可以執行的形式。

因此，Vibe Coding 並不是「程式碼不重要了」，而比較像是研究者未必還需要親自完成每一層實作。Meske 等人也認為，當部分技術實作逐漸交由 AI 處理，人的能力重心可能從語法、框架與具體實作，往問題界定、領域知識、結果驗證與人機協作轉移。

這對研究者真正有意思的地方在於：以前電腦要求我們回答「每一步要怎麼做」，現在 AI 開始允許我們先從「我到底想做到什麼」出發。

四個 Prompt，真的能做出研究分析工具

這件事已經不只是想像。

2026 年，Jesse Meyer 在 Journal of Proteome Research 發表了一個很直接的示範。他利用 AI Coding Agent 建立一套蛋白質體資料分析 App，功能從資料上傳、資料前處理，到統計檢定、PCA、heatmap 與 volcano plot 都包含在內。整套程式約有 1,400 行，開發過程只使用 4 個自然語言 Prompt、不到 10 分鐘，模型使用費不到 2 美元，而且作者沒有另外手動進行程式除錯或重構。

這個案例最值得注意的，其實不是「10 分鐘」或「2 美元」，而是它呈現了一種不同的研究工具開發方式！過去研究者常常必須先打開 SPSS、Excel、R 套件或其他分析工具，看看既有軟體提供哪些功能，再想辦法將自己的研究需求放進這些框架裡。

AI 輔助開發則增加了另一種可能：先決定研究究竟需要什麼，再針對這個需求建立工具。

這個工具未必要發展成正式產品。它可能只是資料格式轉換器、一套特殊的清理流程、一個研究資訊儀表板( dashboard )，或是把某組固定的分析與視覺化程序包成簡單介面。甚至它只服務一篇論文、一個研究計畫，任務完成後就沒有繼續維護的必要。

對研究者而言，這種「研究專屬的小工具」所增加的自由度，可能比「AI 幫我寫了多少行程式」更值得關注。

《迷宮飯》時刻：能跑，不代表算對

不過，開發門檻降低之後，也帶來另一個很容易被忽略的問題。

AI 做出的程式可能有漂亮的介面，檔案可以成功上傳，按下「啟動」之後也沒有出現報錯( Error )，最後甚至還畫出了看起來很專業的統計圖表。當整個流程如此順利時，我們很容易把「程式可以執行」和「研究分析正確」當成同一件事，但兩者其實還存有一定的距離。

就像是身處《迷宮飯》世界的感覺，一道料理看起來像料理、吃下去也沒有立刻倒下，只能證明這東西「可以吃」，但無法確認到底用了什麼材料。同樣，程式順利跑完，只表示電腦成功執行了一套指令；至於那套指令是不是你原本想要的研究方法或是演算法，則需要另外確認，雖然程式設計師總說：「能跑就不要動它！」或是，「這個為什麼能跑？」

Meyer 的研究最值得學習的地方，他並沒有因為 App 能跑，就直接認定結果可信。作者先準備一組答案已知的模擬資料，再用一套可信任的 Python 分析流程作為對照，逐項比較資料處理、差異倍數、p 值與校正後的 q 值。兩邊結果幾乎完全一致，才確認這個 AI 產生的工具確實按照預期完成分析。

因此，使用 AI 製作研究工具時，有兩件事情最好不要混在一起：

沒有 Error，代表程式執行完成；有 Output，代表電腦產生了結果。

但這兩件事情，都不能自動證明研究結果是正確的。

不看懂每一行 Code，可以嗎？

這可能才是沒有程式背景的研究者真正會面對的問題。假設 AI 一次產生上千行程式，而自己本來就不是資訊相關科系，是否真的需要把每一行全部讀懂，才有資格使用這個工具？

答案可能不是簡單的「需要」或「不需要」。

Meske 等人指出，AI 協助開發之後，我們可能不再需要把每一行程式、每一個技術細節都弄懂，才能使用一個工具。但這不代表可以完全放手。研究者仍然需要確認：這個工具做的事情是不是自己原本要的、結果是否合理，以及其中有沒有不能接受的風險。換句話說，重點不是「每一行都看懂」，而是「重要的地方不能不知道」。

Meyer 則提醒另一個更實際的問題：你沒說清楚的地方，AI 會自己補。 例如你只說「幫我分析這份資料」，卻沒有交代缺失值怎麼處理、要不要標準化、判定門檻是多少，AI 為了讓程式跑得下去，勢必會替你選一套預設做法。這些選擇未必錯，但也未必符合你的研究設計。

因此，真正需要建立的可能不是「逐行審查所有程式碼」的能力，而是一套針對研究工具的驗證習慣。至少可以從五件事開始：先確認交給 AI 的研究方法與分析需求是否已經說清楚；檢查 AI 是否自行決定了資料標準化、缺失值處理、判定門檻或其他重要預設值；準備一組已知結果的資料測試工具；再使用成熟軟體、既有套件、人工計算或 reference implementation 進行交叉驗證；最後保留 Prompt、模型版本、程式、參數與資料處理流程，讓結果具有基本的可重現性。

也就是說，你未必要知道 Plotly 底層究竟怎麼把圖畫到瀏覽器上，卻必須知道：圖上的數字究竟是怎麼來的。

再往前一步：連「怎麼做」都可能交給 AI 探索

目前研究前沿甚至已經比「AI 幫我寫一個工具」再往前一步。

2026 年刊登於 Nature 的 ERA（Empirical Research Assistance），又把這件事往前推了一步。研究者只需要先說明問題、提供相關研究概念，並設定「什麼樣的結果算比較好」，系統就會讓 AI 自動產生不同程式、實際執行、比較結果，再繼續修改與嘗試，反覆找出表現更好的方案。

這套方法已經被拿來處理實際研究問題。例如在單細胞資料分析中，ERA 找到 40 種表現超越當時公開基準最佳方法的方案；在 COVID-19 住院人數預測上，也找出 14 種優於 CDC 官方整合預測的方法。

這使 AI 在研究中的角色產生另一種可能。今天我們可能告訴 AI：「請依照這個方法幫我做一個工具。」未來在某些可以明確量化與評估的研究問題中，則可能進一步變成：「這是問題、限制和評分方式，請幫我探索有哪些解法值得測試。」

不過，作者也特別提醒，在公開基準上得到更好的成績，不等於已經完成科學發現。ERA 可以快速嘗試大量方案，找出在既定評分標準下表現更好的方法，但研究者仍然需要解釋方法為什麼有效、背後可能存在什麼因果機制，以及這些結果在理論上代表什麼。「做得更好」和「知道為什麼更好」，仍然是兩件不同的事。

把時間還給「為什麼」

因此，AI Coding 對研究最值得期待的地方，可能不是「以後大家都不用學程式」，而是讓某些原本卡在程式實作門檻後面的研究想法，有機會更快被做出來、測試，再決定值不值得繼續投入。

當 syntax、UI、framework 或大量重複性的程式實作，可以部分交由 AI 處理，研究者需要投入的能力並沒有因此減少，而是重新集中到研究本身：研究問題是否定義清楚、選擇的方法是否合理、AI 在未明說之處替研究者加入了哪些假設、分析結果如何被驗證，以及整個過程能否被他人重現。

這或許才是 AI Coding 對研究方法真正有意思的改變。它降低的是「把想法做成工具」的技術門檻，卻同時把研究者原本就應該負責的判斷凸顯得更加清楚。

當 AI 越來越會回答「怎麼做」，研究者真正不能外包的，也許正是「為什麼這樣做」，以及「怎麼知道它真的做對了」。

參考資料

Aygün, E., Belyaeva, A., Comanici, G., Coram, M., Cui, H., Garrison, J., et al. (2026). An AI system to help scientists write expert-level empirical software. Nature, 654, 909–916. https://doi.org/10.1038/s41586-026-10658-6

Meske, C., Hermanns, T., von der Weiden, E., Loser, K.-U., & Berger, T. (2025). Vibe coding as a reconfiguration of intent mediation in software development: Definition, implications, and research agenda. IEEE Access, 13, 213242–213259. https://doi.org/10.1109/ACCESS.2025.3645466

Meyer, J. G. (2026). Vibe coding omics data analysis applications. Journal of Proteome Research, 25(2), 1191–1197. https://doi.org/10.1021/acs.jproteome.5c00984

推廣組 柯文仁／本文搭配 AI 工具進行寫作輔助

這篇文章 不會寫程式，AI 能幫你做出專屬研究工具嗎？ 最早出現於 NYCU陽明交大圖書館-陪你做研究。