深厚底蘊： 由美國維吉尼亞州的喬治梅森大學Roy Rosenzweig Center for History and New Media於 2006 年首創。

跨平台支援： 從早期的 Firefox 外掛發展至今，第 8 版已支援 Chrome、Safari、Edge 等多種瀏覽器。

高效蒐集： 與瀏覽器環境緊密結合，一鍵即可完成各類文獻資料的蒐集。

開源生態： 採開放原始碼模式，不僅主程式免費，更具備強大的外掛擴充性，由全球開發者共同維護優化。

Zotero 主要功能與使用方式✨ 

1. 瀏覽器一鍵蒐集書目
2. 以識別碼快速匯入完整書目
3. 分類標記管理文獻
4. 文書處理軟體引用與產生參考書目
5. 快速複製貼上引用
6. 匯出多種書目格式
7. 多人協作群組文獻庫

接下來，操作以下安裝步驟一起來探索Zotero！✨ 

1. 請至Zotero官網，根據作業系統下載合適的安裝檔，打開安裝檔(.exe或.dmg) 檔，依指示步驟完成安裝。

下圖是選擇「Zotero Connector」安裝時加至Chrom的擴充功能。

2. 安裝完成後，點選Zotero開啟文獻庫畫面，確認成功安裝。

工欲善其事，必先利其器」，讓強大的書目管理軟體Zotero使繁複的管理書目過程變得事半功倍！✨

參考資源：

1.Zotero官網.https://www.zotero.org/download/

2..Chien Ju Chiang(2026)。書目管理軟體-Zotero簡介與安裝

。國立臺灣大學圖書館參考服務部落格。https://tul.blog.ntu.edu.tw/archives/23581

推廣組 湯春枝 / 本文搭配AI工具進行寫作輔助

這篇文章 Meet Zotero 最早出現於 NYCU陽明交大圖書館-陪你做研究。

Google Scholar 之後，你可以多走一步：也來認識 Semantic Scholar

從「找得到文章」到「開始學會判讀文章重不重要」，讓文獻蒐集不只停在第一步

先承認一件事：大家都是從 Google Scholar 開始的

如果你現在是研究生，或至少是個會寫報告、做專題、交文獻回顧的人，那你第一次找資料，很高機率就是打開 Google Scholar。

這件事很正常，真的不用裝。
因為 Google Scholar 就是方便、直覺、熟悉，像研究旅程一開始發給你的新手裝備：先讓你能出門，不會赤手空拳站在村口發呆。

而且說句公道話，Google Scholar 也不是沒本事。它涵蓋廣，常常連灰色文獻、學位論文、預印本都撈得到，對剛開始摸索主題的人來說，確實很好用。

問題不是它不能用，問題是，很多人會在這裡停太久。

真正的問題不是找不到，而是你太早以為自己找夠了

Google Scholar 最大的優點，是讓你很快找到幾篇看起來很像的文章。但研究最麻煩的地方，通常不是完全找不到，而是你太快進入一種「嗯，我大概抓到了」的狀態。這種感覺很常見：你搜尋一個主題，點進前幾篇標題很對味且有全文的文章，掃一下摘要，再順手看一下被引用次數。然後腦中就開始浮現一句話：

「好，這主題的文獻我找得差不多了。」

小等一下(Sió-tán–tsi̍t-ē)！這通常只是研究起步時很常見的錯覺。
找到幾篇文章，跟找到核心文獻，甚至跟看懂研究脈絡，完全不是同一件事。

而且 Google Scholar 本身也有一些很現實的限制，我猜你不知道！就是單一查詢最多只顯示 1,000 筆結果，雖然也知道不可能看到第1,000筆檢索結果；但如果你做的是比較正式的文獻整理，這其實默默產生影響。再加上它的書目與引用資料主要來自自動解析，可能會出現錯誤、重複或辨識不完整的情況。

換句話說，Google Scholar 很適合當入口，但它不太適合單獨扛起「完整、可交代、可重現」的文獻回顧工作。

這時候，Semantic Scholar 很適合當一張過渡地圖

如果說 Google Scholar 是研究起步時附上的簡易地圖，那 Semantic Scholar 比較像便利商店買到的環島地圖：資訊比前者多一點，路線也清楚一點，至少會讓你開始知道哪些地方值得停下來看；但它還不是最完整、最穩、最能拿來正式規劃路線的導航系統。

不過，Semantic Scholar的定位並非「更強的 Google Scholar」，也不是「圖書館資源替代品」，而是「一個過渡資源」。它的價值不在於幫你一步到位，而在於幫你從「先找到文章」往前跨一步，開始學會看文章內文之外的資訊。

這一步，其實很重要。因為多數人都會看標題、看摘要、看關鍵字、看引用次數，但還不太習慣看：

• 這篇被引用的狀況怎麼樣
• 它在這個主題裡可能扮演什麼角色
• 它是不是值得優先花時間讀的那篇

而 Semantic Scholar 的好處，就是它會把一些這類線索整理得比 Google Scholar 再明確一點。

真正要學的，不只是看內文，還要學會看「文章外部資訊」

很多人以為文獻判讀就是看內文：研究問題是什麼、方法是什麼、結果是什麼。這當然重要。但如果你正在做文獻蒐集，還有一層功課也得慢慢學，就是看文章外部資訊。

例如：

• 這篇被引用很多次，是因為真的很重要，還是只是常被當背景引用？
• 這篇在這個主題裡，是方法基石、綜述文，還是補充材料？
• 這篇是不是你現在最該優先讀的那篇？

這種判斷，不是只靠標題和摘要就能完成。

Semantic Scholar 可以提供一些比較結構化的線索，例如 citation count、Highly Influential Citations、TLDR，以及部分排序資訊。這些東西都不是答案，更不是品質保證，但它們至少會提醒你：

文獻不是只有「有沒有對題」，還有「它在這個領域裡站在哪裡」。

這件事很重要。因為一旦學生開始在意「位置」和「重要性」，他就不再只是撿文章，而是真的開始做文獻判讀。

TLDR 很方便，但它比較像第一層篩選，不是最後裁判

這裡特別想講一下 Semantic Scholar 的 TLDR( Too Long; Didn’t Read )，也就是太長不看專用的懶人包，這功能很好用，但千萬不能過度依賴，TLDR可以理解為 AI自動生成的摘要的摘要。TLDR 最適合的用途，不是替你讀文獻，也不是替你做最終判斷，而是當作第一眼篩選工具。你可以先用它快速看一下：這篇大概在談什麼？值不值得先點開摘要？再決定要不要往下看全文。

所以它真正對研究者有幫助的地方，不是讓你少讀，而是讓你比較不會一上來就把時間砸在不必要的全文上。

順序大概是這樣：

TLDR → 摘要 → 全文 → 最後才是要不要引用、要怎麼引用的判斷

如果把 TLDR 當成最終理解，真的是大可不必，但如果把它當成第一層分流，它其實很好用。

認清工具的邊界：Semantic Scholar 的侷限性

講到這裡，還是要峰迴路轉一下！Semantic Scholar 雖然比 Google Scholar 多給你一些判讀線索，但它不是正式學術資料庫，也不是全文取得平台，更不是那種可以直接把引用網路用圖像化方式攤在你面前的工具。

而且它目前仍以英文文獻為主。如果你的研究高度依賴中文文獻、臺灣在地研究、中文期刊或學位論文，那 Google Scholar、在地資料庫與圖書館資源還是不可或缺。

所以，Semantic Scholar 很適合扮演學習判讀文獻的橋梁，卻不適合扮演文獻蒐集的終點。

為什麼最後還是得回到圖書館？

因為真正要把研究做好做滿，最後還是會遇到幾個逃不掉的問題：

• 我有沒有漏掉關鍵文獻？
• 我能不能穩定拿到全文？
• 我怎麼建立正式而可交代的檢索策略？
• 我怎麼處理重複、錯誤與書目品質問題？

這時候，圖書館的價值就會非常清楚。

如果 Google Scholar 是起手用的簡易地圖，Semantic Scholar 是資訊多一點的過渡地圖，那圖書館的資料庫與工具更像是真正可靠、更新快、還能依研究需求規劃路線的導航系統。它提供的不只是「找到幾篇文章」，而是更完整的全文取得、更穩定的書目品質、更正式的檢索策略，以及更有把關的學術資源環境。

所以這篇文章真正想幫同學跨過的，不只是「多認識一個工具」，而是這一步：從「我找到了幾篇文章」走到「我開始學會判斷哪些文章真的值得優先讀」而這一步，通常就是你真正開始做研究的起點。

陪你做研究的最後

Google Scholar 很方便，這件事沒有問題。Semantic Scholar 也值得認識，因為它能幫你從「找到文章」再往前走一步，開始練習看文獻的重要性、引用狀況與外部位置。但說到底，這些都不是終點。

如果 Google Scholar 是研究的第一站，Semantic Scholar 可以是一座橋。那麼當你真的開始在意文獻的重要性、引用脈絡、全文取得與檢索策略時，你最後還是會發現：圖書館，才是研究真正的主場。

參考資料

Semantic Scholar. (n.d.). Frequently asked questions. Retrieved March 30, 2026, from https://www.semanticscholar.org/faq

推廣組 柯文仁 / 本文搭配AI工具進行寫作輔助

這篇文章 Google Scholar 之後，你可以多走一步：也來認識 Semantic Scholar 最早出現於 NYCU陽明交大圖書館-陪你做研究。

在 2026 年的今天，AI 已經是研究者的加速器，但如果你不知道如何正確「標註」它，它就可能成為你畢業路上的絆腳石。根據 Committee on Publication Ethics (COPE出版倫理委員會) 的相關指引，『未揭露的 AI 生成內容』可能被視為學術不當（misrepresentation），在嚴重情況下，影響研究可信度或涉及誤導，可能會被撤稿。主流學術出版社與組織，像是COPE、IEEE、Elsevier、ACS、AIP 等，對於人工智慧（AI）工具在學術寫作中的規範與倫理要求皆有相關規定，這裡整理了「防踩雷重點」，讓你安心用 AI，順利過關！

一、AI 不能成為作者是核心共識：

這是所有國際期刊與組織的一致共識。

AI 不能擔任學術論文作者的主要原因在於 AI 無法承擔責任（Accountability）與問責（Responsibility）。學術出版界認為作者身分不僅是榮譽，更是一項任務與責任，作者身分要求必須能對研究內容的準確性、完整性與誠實性負責。當研究出現錯誤或涉及倫理問題時，必須承擔法律及專業上的責任。

COPE的聲明指出，AI 工具無法滿足成為作者的條件，因為它們無法為提交的研究負起責任。作為非法律實體，它們無法聲明是否存在利益衝突，也無法管理版權和授權協議。

二、透明揭露（Disclosure）是最重要原則

「用了 AI，就要說出來。」這是學術誠信的基本要求。

各主要學術出版社對於 AI 使用的具體規範通常在專屬的 AI 政策頁面（AI Policy）、作者指引（Author Guidelines/Guide for Authors）以及出版倫理規範（Ethical Guidelines）中，投稿前建議查閱該期刊最新指引。 Guidelines）

以下整理4家出版社的披露規定：

三、圖像與資料使用的嚴格限制

針對 AI 生成圖片、圖像與數據，出版社的核心原則在於嚴禁竄改科學事實、確保透明披露以及作者承擔最終責任。

• 數據與研究結果的「紅線」: 各出版社對於使用 AI 處理數據有極為嚴格的限制，絕對禁止使用 AI 偽造、虛構、操縱或竄改研究數據、程式碼、實驗結果或影像。
• 圖片與圖像的使用規定：各出版社對於「科學影像」與「說明性圖像」有不同程度的規範。Elsevier原則上不允許使用生成式 AI 創建或更改提交稿件中的圖像，除非該用途本身即為研究方法的一部分，並需完整揭露；IEEE允許使用 AI 生成用於說明目的的圖像（如對未來技術的構想圖），須加註說明並提供生成提示詞（Prompt）

四、作者責任不可轉移

AI 可能會產生「幻覺（Hallucination）」，編造虛假的數據、文獻引用或事實。

• 查核義務： 作者必須親自核對 AI 產出的每一條內容、引用文獻的正確性，並確保文中沒有抄襲嫌疑。
• 學術責任： 無論論文內容是由 AI 協助生成還是潤飾，最終所有的學術錯誤、版權爭議或研究倫理問題，均由全體人類作者共同承擔。

五、哪些可以用？哪些要小心？

幫大家整理一個超實用版本👇

六、圖書館建議：學術寫作中的 AI 使用原則

綜合各大機構政策，建議研究人員遵循以下原則：

🔑 1. 誠實透明：明確揭露 AI 使用情況，不隱瞞、不模糊。

🔑 2. 人類主導：AI 僅為輔助工具，核心內容須由研究者產出。

🔑 3. 嚴格審查：檢查事實正確性，避免引用錯誤或虛構資料。

🔑 4. 避免倫理風險：不使用 AI 進行抄襲或改寫逃避查重。

🔑 5. 遵循期刊規範：投稿前確認期刊 AI 政策，不同期刊要求可能不同。

七、結語：從「工具使用」走向「學術責任」

AI 正在改變學術寫作，但並未改變學術的核心價值：👉 誠信、透明、責任

未來學術寫作將不只是「會不會用 AI」，而是：

✔ 是否能「正確使用 AI」
✔ 是否能「負責任地使用 AI」

當 AI 能夠生成看似完美的論文時，我們該如何重新定義一個研究者的真正價值？答案或許就在你對每一行數據、每一篇引用所展現出的那份「人類獨有的責任感」之中。

參考文獻 (References)

AIP Publishing. (n.d.). AI policy. https://publishing.aip.org/resources/researchers/policies-and-ethics/ai-policy/

Committee on Publication Ethics. (2019). Retraction guidelines. https://doi.org/10.24318/cope.2019.1.4

Committee on Publication Ethics. (2023, February 13). COPE position: Authorship and AI tools. https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools

Elsevier. (n.d.). Policies and standards: Generative AI policies for journals. https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals

IEEE. (n.d.). Submission and peer review policies. IEEE Author Center. https://journals.ieeeauthorcenter.ieee.org/become-an-ieee-journal-author/publishing-ethics/guidelines-and-policies/submission-and-peer-review-policies/

IEEE Robotics & Automation Society. (n.d.). Guidelines for generative AI usage. https://www.ieee-ras.org/publications/guidelines-for-generative-ai-usage/

推廣組 巫惠屏 / 本文搭配AI工具進行寫作輔助

這篇文章 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 最早出現於 NYCU陽明交大圖書館-陪你做研究。

先說清楚，這不是一篇反 AI 文章。

如果今天還在討論「研究生到底該不該用 AI」，真的是為時已晚。現實是大家都在用，而且只會越用越多。問題早就不是要不要用，而是——你跟 AI 之間，現在到底是什麼關係？一開始通常都很單純。請它幫忙摘要文獻、整理逐字稿、列出可能的研究問題，省一點時間，也少一點手忙腳亂，這些都很合理。真正麻煩的是，它的影響往往不是立刻爆發，而是循序漸進、暗度陳倉。

你不會在第一天就突然把研究判斷全交出去，但你跟AI合作了幾次，覺得它抓重點抓得不錯、整理得也順，慢慢地，就開始覺得：AI 好像真的蠻懂我現在在做的研究。但當你開始覺得它「好像真的很懂我」時，反而該停下來想一下：這是可信賴的協助，還是你已經開始對它暈船了？

很多人以為自己一開始會對 AI 保持警戒，但研究指出，人面對科技時其實常常帶有某種正向偏見，容易先預設它是有效、可靠、值得一試的，一次摘要得不錯、一次分類看起來很合理、一次改寫甚至比自己原稿還順。

久了之後，你不一定會承認「我完全相信它」，但你的行為會先透露出來：你開始比較少回頭查原文，也比較快接受它整理過後的版本。換句話說，你不是一開始就相信 AI，而是被一次次「看起來沒問題」的互動，慢慢 fine-tune 成開始相信它。說得直接一點，你可能已經開始變成一個數位暈船仔。

問題不是 AI 有沒有幫助，它當然有，真正的問題是：這種信任，什麼時候是合理依賴，什麼時候開始變成過度信任？

為什麼人會開始相信 AI？

Glikson 與 Woolley 在回顧人類信任 AI 的研究時指出：人對 AI 的信任，不是單一感受，也不是只憑「它準不準」就能解釋。信任會受到很多因素影響，例如系統是否穩定、介面是否清楚、呈現方式是否讓人覺得專業、過去使用經驗好不好，甚至連它有沒有一點「像個可以合作的對象」，都會影響我們怎麼看它。

這件事放到研究現場，特別有感。你相信它，不一定是因為你真的驗證過它每次都正確。很多時候，比較像是它呈現出一個值得信任的助手樣子：不急、不亂、會整理、會條列、會把很亂的東西排得乾乾淨淨。於是，在你還沒意識到之前，你就已經先對它放低戒心了。

所以，對 AI 產生信任，從來不只是理性評估後做出的純粹判斷，而是在一次次互動中慢慢累積出來的；也就是說，人不一定是因為 AI 值得信才相信它，有時候，只是因為它表現得很像值得信任。

在質化分析裡，這種信任是怎麼長出來的？

如果把這件事放到質化分析現場，就更明顯了；Hitch 在談 AI 進入質化分析時，重點其實不是「AI 能不能取代研究者」，而是提醒：這類工具可以協助整理、摘要與初步主題生成，但它缺乏對社會脈絡、文化意義與反思思辨的能力，因此不能被當成分析的捷徑。

順著這個提醒往下想，質化分析現場真正麻煩的地方在於：當 AI 開始幫你整理逐字稿、生成初步主題、提供分類架構時，研究者很容易因為這種「已經被理清」的外觀，而逐漸放下戒心。這點在質化分析裡尤其明顯。因為質化分析本來就不是有標準答案的研究類型，它很依賴判斷、取捨，以及你怎麼理解脈絡、矛盾與例外。

想像一個很熟悉的場景：你把逐字稿丟進去，它很快整理出條列重點和摘要；你原本還在一堆雜亂語句裡打轉，它已經幫你列出幾個看起來很像樣的類別；你還在想「這段到底算不算某個概念」，它已經幫你把幾十頁內容收斂成一張乾淨的清單。

這時候，你真的很難不被說服；研究者開始相信 AI，不一定是因為它每次都完全正確。很多時候，反而是因為它太像一個已經幫你理清的人。它把原本一塌糊塗的東西整理得有條不紊，把你還說不清楚的直覺先寫成幾句完整的句子。於是你很容易把它提供的結果，誤認成自己的判斷。

什麼叫合理依賴？什麼叫過度信任？

真正的問題，不是信不信 AI，而是：怎樣算合理依賴，怎樣算過度信任。

合理依賴其實一直都在發生，而且沒有問題。你可以讓 AI 先掃過整體資料，看看哪些主題反覆出現；請它整理一版初步歸納或分類；幫你列出幾個可能的比較方向；甚至把它當成第二雙眼睛，協助發現你原本沒注意到的細節。這些都很好，因為它是在幫你省力，最後的判斷還在你手上。

但是，過度信任就不同了。你直接接受 AI 給你的分類框架；把它的摘要當成自己對研究文獻的理解；還沒重讀逐字稿，就先採納它對某段對話的意義判讀；甚至在自己都還沒形成推論之前，就先讓它替你決定哪些東西重要、哪些東西可以忽略。

這裡真正的差別，不是你用得多不多，而是：你把什麼樣的判斷權交給了 AI ？要知道－合理依賴是借力，過度信任則是失衡。

為什麼過度信任會發生？

過度信任之所以麻煩，不是因為 AI 常常明顯出錯。明顯的 hallucination 反而容易讓人警覺，真正危險的是另一種情況：它沒有錯得很誇張，甚至整理得還蠻像一回事，內容扎實、條理清楚、語氣穩定，還剛好和你的直覺差不多。這時候，人最容易放下防備。

你會想：「這版整理大致可用。」然後就從「先參考一下」慢慢轉變「應該差不多就是這樣」，再往下走一點，內心就會變成：「我其實已經掌握這段內容了。」

但你真的掌握了嗎？還是只是因為 AI 把東西說得太順，所以你不再追問了？現階段最危險的，真的不是它錯得離譜，而是它看起來剛剛好，好到你覺得沒有繼續追問或檢查的必要。

研究者真正不能外包的是什麼？

說到底，問題已經不是「能不能用 AI」，而是哪些工作你可以放心交給它，哪些不行？有些工作的確很適合交給 AI 處理，像是初步資料彙整、內容摘要、整理比較表、產生候選分類、協助腦力激盪並收斂想法等。這些地方，AI 很有價值，也真的能省下不少力氣。

但有些事情，研究者最好不要外包，例如：

• 決定哪個分類真的有意義
• 判斷哪個概念值得留下
• 辨認例外、矛盾與反例
• 對引用、詮釋與結論負責

這些事情之所以不能外包，不是因為 AI 完全做不到，而是因為一旦這些判斷不再由你承擔，你的研究也就不再真正是你的研究；所以說白了，研究者真正不能外包的，不是輸入文字，而是判斷與承擔。

陪你做研究的最後

信任AI 所衍生的問題，從來不只是準不準而已；真正麻煩的是：你自己有沒有意識到，現在是基於什麼理由在相信它？一個成熟的研究者，從來不是完全不信或不使用工具，而是知道什麼時候可以借助工具帶來的便利，也知道什麼時候必須把判斷權收回來。

你可以讓 AI 幫你整理、幫你歸納、幫你發掘一些原本沒看見的東西；但你不能讓它替你決定：哪些東西值得相信、哪些概念值得留下、哪些結論可以寫進你的研究裡。

到最後，真正需要被調整的，不只是 AI 的輸出品質，還有你自己對 AI 的信任分寸；因為研究者最需要保住的，不是摘要能力，不是整理速度，甚至不只是閱讀量，而是：我知道這段話看起來很對，但我還沒決定要不要相信它。

參考資料

Glikson, E., & Woolley, A. W. (2020). Human Trust in Artificial Intelligence: Review of Empirical research. Academy of Management Annals, 14(2), 627–660. https://doi.org/10.5465/annals.2018.0057

Glikson, E., & Woolley, A. W. (2020). Human Trust in Artificial Intelligence: Review of Empirical research. Academy of Management Annals, 14(2), 627–660. https://doi.org/10.5465/annals.2018.0057

推廣組 柯文仁 / 本文搭配 AI工具 進行寫作輔助。

這篇文章 你被 AI fine-tuning 了嗎？—從 AI 信任研究與質化分析現場，談合理依賴與過度信任 最早出現於 NYCU陽明交大圖書館-陪你做研究。

第一種，姑且叫做「溫良恭儉讓模式」；每次要求 AI 幫忙整理文獻、改句子、潤稿，最後都不忘補上一句：麻煩你了，謝謝，這樣的使用者，值得給他一個乖寶寶印章。

第二種則是另一條完全不同的路線，你開始研究各種 Prompt 模板：Zero-shot、Few-shot、角色設定、輸出格式、Step-by-step reasoning……一個原本只需要一句話的問題，最後被寫成一段看起來很專業的操作流程。

如果你兩種都做過，其實不用太意外，大多數人在開始認真使用 AI 之後，多少都會經歷這段過程；但問題是：事情真的有這麼複雜嗎？有研究開始發掘一件很有意思的事情：

影響大型語言模型表現的，可能不只是你把任務寫得多清楚。

還有一個常被忽略的小變數 — 語氣，以及句子裡夾帶的那些情緒線索；換句話說，當你以為自己只是「在問問題」的時候，其實很可能已經在無意間改變了語言情境的條件；而這件事，有兩篇研究剛好從不同角度切入，提供使用者一些參考結果。

第一件奇怪的事：對 AI 進行情緒勒索

第一篇研究是 Li 等人（2023）發表的：《Large Language Models Understand and Can Be Enhanced by Emotional Stimuli》，研究團隊做的事情其實很簡單，他們在原本的 Prompt 後面，加上一句帶有情緒色彩的補充語句，例如：

這是你最後的答案嗎？相信你的能力，追求卓越。你的努力會帶來驚人的結果。(Are you sure that’s your final answer? Believe in your abilities and strive for excellence. Your hard work will yield remarkable results.)

或者：

這對我的職業生涯非常重要。(This is very important to my career.)

如果只看文字，或許會覺得有點好笑或荒謬，大概腦海中會浮現一個畫面：研究生坐在電腦前，對著 AI 說：「這對我能否畢業真的很重要，拜託。」但研究者真正關心的其實不是 AI 會不會被「真摯的話語」所感動，他們想知道的是：

這些語言線索，會不會影響模型處理問題的方式。

結果顯示，在某些任務上確實有所提升，在 Instruction Induction 任務上表現變好，在 BIG-Bench 的一些高難度題目上也觀察到明顯改善，研究者後來從注意力機制分析推測，像 confidence 或 success 這些詞，可能會改變模型在推理過程中的注意力權重。

簡單說就是，基本上AI模型應該是會把較多的運算資源集中在任務本身，所以相對合理的解釋其實是－這不是情緒感染，比較像是注意力操弄；不過這裡有一個很容易被誤讀的地方，不要把這個研究理解成：只要跟 AI 說「這對我人生很重要」，它就會更為你賣命，雖然AI沒有命，或是說AI有無限命。

如果誤會Prompt對AI的作用，很可能會出現一種 Prompt 風格，每一段提示最後都補一句：「這對我的未來很重要，拜託」或是「我真的快要畢不了業了，求求你幫我把這段整理清楚。」如果整個對話視窗都長這樣，那就不是 Prompt engineering 了，那比較像是：研究生精神狀態外顯化，也就是研究生真的壓力山大。

第二件奇怪的事：對 AI 當地獄慣老闆

另一篇研究其實更貼近日常使用，Dobariya 與 Kumar（2024）發表的研究
《Mind Your Tone: Investigating How Prompt Politeness Affects LLM Accuracy》

做了一件很直接的事情，他們把同一批題目改寫成不同語氣版本，從「極度禮貌（Very Polite）」一路到「極度粗魯（Very Rude）」，然後測試模型答題準確率。

研究題目共有 50 題，涵蓋數學、科學與歷史，結果其實有點出乎很多人的預期：

• • 極度禮貌語氣的準確率：80.8%
  • 極度粗魯語氣的準確率：84.8%

也就是說，在這組測試裡，「越直接的語氣，整體表現反而越好」，看到這裡，很容易得出一個很戲劇化的結論：「罵 AI 比較有效」；但如果稍微深究，就會發現事情沒有那麼誇張，比較合理的解釋可能會是：過多的客套話，會稀釋任務訊息。

例如這種寫法：「不好意思，可以麻煩你幫我整理一下這段文獻嗎？謝謝。」對人類來說很自然，但對模型來說，前面那些其實都是與任務無關的語言訊號；相反地，較短、較直接的指令，更容易讓模型抓到重點；所以你的 AI 聽不懂人話，問題未必是你「不夠兇」，或許更根本的原因是：你的Prompt真的太囉嗦了！

Prompt engineering，其實更像語言使用

把這兩篇研究放在一起看，其實會發現一件很有意思的事情：Prompt engineering 並不只是技術問題，它更像是一種「語言設計」，甚至某種程度上，也像是在對 AI 使用一點點「PUA 話術」。

你給 AI 模型的 Prompt，不只是題目，還包括：語氣、情境、指令強度、文字密度，也就是說，你其實是在替模型設定一個作答情境；這也是為什麼有些 Prompt 明明內容差不多，但輸出差很多，模型不只在處理「資訊內容」，也在處理你額外輸入的「語言訊號」。

如何成為 寶可夢大師 Prompt Master？

很多人開始研究 Prompt 之後，會養成一個很有趣的習慣 － 蒐集模板；今天看到一個 Prompt、明天抄另外一個，之後接一句：Think step by step.

整個過程非常虔誠，如果用研究方法的眼光看，其實這樣的行為有點會像：基於Prompt engineering 的一種數位民俗療法，但應該不至於是寵物溝通師；好像只要集滿幾句神秘咒語，模型就會突然變聰明，但比較實際的做法其實很普通。

當使用Prompt的過程中，想要做個版本比較，例如同一個任務試三種寫法：

版本 A－直接任務
版本 B－加入情境
版本 C－簡短但帶任務壓力

然後看看輸出差異，說穿了，這其實就是最基本的研究方法 － 實驗與比較。

那 Prompt 到底該怎麼寫？

如果把兩篇研究的啟發整理一下，大概可以變成幾個簡單原則，第一個原則很簡單：任務要直接，例如：「請用 300 字整理這篇論文的研究問題、方法、主要發現與限制。」這樣的寫法會比一長串寒暄更有效。

第二個原則是：情境比客套更重要，例如：「這段整理會用在論文文獻回顧，請避免遺漏關鍵概念。」這其實是在告訴模型一件事：輸出要被拿來做什麼。

第三個原則則是：精煉使用的語句，很多 Prompt 的問題，其實不是任務錯誤，而是「語句內容太過鬆散」，字很多，但有用的訊息很少。

陪你做研究的最後

這類研究結果充滿反直覺的吸睛效果，但也正因如此，其實並不太適合被奉為絕對的圭臬，只能作為一個參考，像是：模型版本、任務型態、評估方式，都會影響結果，更何況AI模型持續在迭代(畢竟chatGPT-4o 也離我們遠去)，所以比較合理的結論或許應該是：不是「越兇越有效」，而是：「語氣、情緒線索與文字密度，確實可能影響模型表現。」

對於常用 AI 做研究輔助的人來說，這個提醒很重要，因為它會讓你重新想一件事：當你在寫 Prompt 的時候，「你是在交代任務，還是在練痟話 (liān-siáu-uē)​ ​？」，又或者 — 我們只是在把自己的焦慮用Prompt的方式投射給AI？

參考文獻

• Li, C., Wang, J., Zhang, Y., Zhu, K., Hou, W., Lian, J., Luo, F., Yang, Q., & Xie, X. (2023, July 14). Large Language Models Understand and Can be Enhanced by Emotional Stimuli. arXiv.org. https://arxiv.org/abs/2307.11760
• Dobariya, O., & Kumar, A. (2025, October 6). Mind Your Tone: Investigating How Prompt Politeness Affects LLM Accuracy (short paper). arXiv.org. https://arxiv.org/abs/2510.04950

推廣組 柯文仁 / 本文搭配 AI工具 進行寫作輔助。

這篇文章 卑微求助還是化身地獄慣老闆？ 兩篇研究揭露 Prompt 語氣如何影響 AI 表現 最早出現於 NYCU陽明交大圖書館-陪你做研究。

「我是不是要先想到一個研究題目？」

但實際上，大多數研究題目並不是突然出現的靈感，而是在閱讀文獻與理解研究脈絡的過程中逐漸形成。

例如，一位對城市環境議題有興趣的研究生，可能一開始只是關心一個問題：
城市中的綠地是否真的能改善居民的心理健康？

當他開始查找相關研究後，會發現不同領域其實有許多不同的討論方式。例如，有些研究關注綠地的面積，有些研究討論居民使用綠地的頻率，也有研究從城市設計或社區環境的角度來討論。

透過持續閱讀文獻，研究者會逐漸理解這個議題的研究脈絡，也開始思考：

在這些研究之中，是否還有值得進一步探討的問題。

研究題目的形成，往往正是在這樣的探索過程中慢慢出現。

在多數情況下，研究發想並不是一次完成，而是經過幾個逐步聚焦的階段。

研究題目通常從一個「興趣」開始

研究通常從對某個議題的興趣開始。例如，有人可能關注城市環境、公共健康或教育政策等問題。不過，這樣的興趣通常還比較廣泛，也還不足以形成一個明確的研究題目。

因此，研究者需要把原本的興趣逐漸轉化成可以探討的研究問題。

例如，原本的興趣可能是「城市綠地與心理健康」，進一步思考後，可能會轉化為：

城市中的綠地是否影響居民的心理壓力？

透過這個過程，研究方向會逐漸聚焦，也更容易找到後續需要閱讀的文獻。

閱讀文獻，開始看見研究領域的樣子

當研究者開始查找與閱讀相關文獻時，往往會發現同一個議題可能有不同的研究角度。

例如，有些研究可能從心理學角度討論壓力與情緒，有些研究可能從公共健康角度分析人口層級的健康資料，也有研究從城市規劃的角度探討都市空間設計。

透過閱讀這些研究，研究者可以逐漸了解：

• 目前有哪些研究
• 不同研究之間有什麼差異
• 研究之間如何彼此連結

這個過程能幫助研究者逐漸建立對整個研究領域的理解，也為後續的研究發想打下基礎。

在這個階段，學術資料庫提供可靠的文獻來源，而研究者則透過閱讀與比較來理解研究脈絡。

在文獻中看見仍然值得探討的問題

當研究者逐漸理解研究領域的主要方向後，往往會開始注意到一些仍然值得進一步探討的問題。

例如，在城市綠地與心理健康的研究中，許多研究可能關注綠地的「面積」，但較少討論居民是否能夠「方便地使用」這些綠地。

這樣的觀察可能形成新的研究方向。

不過，需要注意的是：

看見研究缺口並不代表研究題目已經確定。

研究者仍然需要進一步判斷這個問題是否適合自己的研究。

研究題目是慢慢「長出來」的

在形成研究題目前，研究者通常還需要思考幾個問題，例如：

• 是否有合適的資料可以分析
• 是否有適合的方法可以回答這個問題
• 是否能在研究時間內完成

透過這些判斷，研究者才能逐漸把原本模糊的研究方向轉化為一個可行的研究題目。

例如，原本的問題可能進一步聚焦為：

城市綠地的可及性是否影響居民的心理壓力？

在這個過程中，研究題目往往是透過不斷閱讀文獻、比較不同研究，以及反覆調整研究問題後逐漸形成的。

AI與資料庫如何協助研究發想

在研究發想的過程中，學校提供的學術資料庫及其中整合的 AI 功能，可以幫助研究者更快整理文獻與理解研究趨勢。相較於一般通用型 AI，這些建立在學術文獻資料庫上的 AI 工具，通常是以大量學術出版資料為基礎進行分析，因此更適合用來探索研究主題與觀察研究領域的發展方向。

例如，部分資料庫已提供能以自然語言提問的 AI 助手，協助研究者快速整理某個研究主題相關的文獻，並透過主題關係、研究趨勢或文獻脈絡的分析，幫助使用者更快掌握一個研究領域的大致樣貌。

有了這些權威學術資料庫與 AI 工具的協助，研究者可以更有效率地：

• 探索研究主題
• 理解文獻脈絡
• 觀察研究趨勢

然而，研究題目的形成仍然需要研究者透過閱讀、比較與判斷逐步建立。

AI 可以幫助我們更快看見研究領域的地圖，而研究者則負責在這張地圖上提出真正值得探討的問題。

如果想了解更多關於研究工具與資料庫的應用，歡迎參考圖書館整理的研究資源文章：圖書館陪你作研究

推廣組 巴詠淳 / 本文搭配AI工具進行寫作輔助

這篇文章 研究題目不是突然想到的：研究發想是一個探索過程 最早出現於 NYCU陽明交大圖書館-陪你做研究。

從研究缺口的概念出發、
學習如何從一句研究問題開始拆解主題、
建立有效的關鍵詞與檢索策略，
並進一步理解跨領域文獻之間的語言與脈絡差異。

到了這一步，多數研究生會遇到一個新的問題：

我已經找到一些可能的研究缺口了，但這些缺口，真的值得做嗎？

這正是本篇要處理的研究流程階段── 驗證研究缺口（validation of research gap）

這一步在研究流程中的位置

當你已經能透過資料庫（例如 Web of Science、IEEE Xplore），
或圖書館提供的 AI 文獻分析工具（例如 WoS Research Assistant、AI 研究助理）快速掌握研究趨勢時，系統通常會透過主題分析、趨勢整理與文獻分群等功能，幫你看到：

• 主題分布
• 研究熱點
• 方法集中區
• 可能的研究缺口

這些資訊非常有價值，但它們仍然只是整理後的結果。

因此，第 5 篇的任務，不再是「找出更多缺口」，
而是進一步判斷：

➡️ 在這些可能的方向中，哪一個是「值得你做」的研究缺口？

驗證研究缺口的 3 個關鍵步驟

這個判斷過程，可以拆解為三個連續的研究步驟：

Step 1｜回到原始文獻：確認缺口是否真的存在

第一步，是回到文獻本身。

不論研究缺口是來自資料庫分析、AI 整理，或你自己的閱讀觀察，
都需要回到原始研究去確認：

• 代表性文獻是否已經處理這個問題？
• 高被引研究是否已有相關發展？
• 作者是否已在 discussion 中提到未來研究方向？

在這個階段，你要驗證的是：

這個缺口，是「完全沒有人做」，
還是「已經有人做，但存在情境或方法限制」？

這兩者在研究價值上是不同層次的缺口。

Step 2｜分析方法與限制：判斷缺口的研究價值

接下來，你需要把焦點從「有沒有做過」轉向：

 ➡️ 為什麼還沒被完整處理？

這時候需要進一步檢視文獻的研究設計，例如：

• 樣本是否侷限於特定族群或場域？
• 方法是否只適用於特定情境？
• 評量工具是否存在限制？
• 結論是否建立在某些假設之上？

你可能會發現：

原本以為是「主題型缺口」，
其實是來自於：

• 方法限制
• 資料取得困難
• 評量方式不足

這樣的缺口，通常更具有研究深化的價值。

Step 3｜情境化判斷：這個缺口是否適合你的研究位置

最後一步，是將缺口與你自身的研究條件連結。

AI 或資料庫能指出「哪裡還有研究空間」，
但研究者必須進一步問：

• 我是否有能力處理這個研究方法？
• 我是否能取得相應的資料？
• 這個問題是否符合我的理論架構與研究目標？

如果一個缺口：

✔ 同時具有研究價值
✔ 且你具備處理條件

它才真正成為一個可行的研究題目。

流程示例：從文獻分析到研究判斷

以下用一個理工跨教育應用的例子說明整個流程。

研究情境
你關心的主題是：

大型語言模型在程式設計學習中的輔助效果，
是否會影響初學者的除錯能力？

透過 Web of Science 或 IEEE Xplore 的檢索與分析功能，你觀察到：

• 多數研究集中於短期實驗設計
• 研究對象多為單一課程或單一學校
• 評量方式以自陳問卷為主
• 長期學習成效與除錯策略研究較少

這些都看起來像是「研究缺口」。

但研究流程的下一步，不是直接選一個來做，而是開始驗證。

Step 1｜回到文獻

你回頭閱讀代表性文獻後發現：

其實已有少數研究開始討論除錯能力的變化，
但樣本集中於單一國家或單一教育體系。

➡️因此，缺口從「完全沒有研究」轉為「缺乏跨情境驗證的研究」

Step 2｜分析方法

進一步檢視研究設計後你發現：

多數研究以自陳問卷評估學習成效，
缺乏對程式碼品質或除錯行為的客觀評量。

➡️ 此時缺口轉化為「評量方法不足的研究空間」

Step 3｜情境判斷

最後你評估自身條件：

• 你可取得跨校課程資料
• 你具備程式碼分析或學習分析方法

那麼這個缺口就不只是存在，
而是可以轉化為一個具體研究設計：

在不同教學情境下，大型語言模型輔助對初學者除錯能力的長期影響

這三個步驟的核心價值

許多研究生在這個階段常見的困惑是：

「我有題目，但不知道有沒有值得做的研究缺口」

透過這三個步驟，你可以把問題轉化為：

1. 這個缺口是否真的存在？
2. 這個缺口的價值來自哪裡？
3. 這個缺口是否適合我的研究條件？

這三個問題，正是從「AI 提示」走向「研究判斷」的關鍵轉換。

小結：驗證，是研究成熟的開始

AI 工具與資料庫分析，確實讓我們更容易看到學術地圖中的空白區域。

但研究的關鍵，並不在於「看到缺口」，
而在於：

判斷哪一個缺口，值得你投入時間與研究資源。

驗證研究缺口，是研究流程中的一個關鍵節點，
也是研究者開始建立判斷力與研究定位的時刻。

在下一篇文章中，我們會把前面幾篇的內容串起來，
從研究題目開始，一路整理到文獻脈絡與缺口驗證，

把這一整段研究發想的歷程，整理成一條更清楚、可操作的流程路徑。

參考文獻

1. Kuper, A., Lingard, L., & Levinson, W. (2008). Critically appraising qualitative research.
2. Kitchenham, B. (2004). Procedures for Performing Systematic Reviews.
3. Booth, A., Sutton, A., & Papaioannou, D. (2016). Systematic Approaches to a Successful Literature Review.
4. Creswell, J. W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (4th ed.)

推廣組 巴詠淳 / 本文搭配AI工具進行寫作輔助

這篇文章 從 AI 提示到研究判斷：驗證研究缺口的 3 個關鍵步驟 最早出現於 NYCU陽明交大圖書館-陪你做研究。

以下是研究生對論文原創性比對最關心的幾個關鍵問題，只要依照本文提供的解方完成比對，就能順利申請口試，早日畢業！

一、什麼是「論文原創性比對」？

「論文原創性比對」是透過專業軟體工具，檢視論文內容與既有文獻之間的相似程度。其目的在於協助作者確認是否有遺漏註明出處、引用不當或需進一步修正之處，在正式發表前即時調整，以提升論文品質。

需要特別說明的是：
比對結果僅呈現文本相似度，不等同於抄襲判定。
是否構成學術不當行為，仍需由作者與指導教授依實際內容進行專業判

二、我可以利用哪些軟體工具進行比對？

目前學校提供 Turnitin 及 Symskan神隼比對服務 兩款工具，同學可依論文引用來源類型，或依指導教授規定選擇適合的工具。

三、上傳之前要注意什麼？

（一）內容面：落實學術倫理

就論文內容而言，建議遵循臺灣學術倫理教育資源中心的指引，若引用他人或自己發表過的文獻，都應適當引述、摘寫或改寫，並註明出處（更多資訊請見臺灣學術倫理教育資源中心課程內容）。

（二）技術面：檔案格式與限制

在檔案格式方面，注意事項如下。其他系統操作說明，請詳閱使用手冊。

💡 小提醒： Turnitin 檔案名稱請使用英文，若使用中文檔名，產出的PDF報告封面標題會出現亂碼 。

四、相似度百分比多少才算「合格」？

這是最常見的問題之一。
事實上，相似度百分比並無統一標準值，也不是判斷抄襲與否的唯一依據。

• 百分比低不代表一定沒有抄襲：
  僅代表文稿內容與Turnitin比對來源較少相似處。
  由於Turnitin的比對來源主要包括公開網頁資訊與西文學術電子出版品，並逐字比對相同書寫語言的電子內容。若您上傳中文書寫的論文，並參考「非公開網頁」的中文電子文獻、僅紙本發行的出版品，或西文學術電子出版品自行翻譯的內容，以及論文中鑲嵌無法檢測的圖文框，皆不會計入比對結果，請您仍需考量上述情況檢查是否皆有合理正確引用。
• 百分比高不代表一定有抄襲，有可能因以下情形發生百分比偏高：
  • 不具抄襲意義的字詞
    例如：引述他人著作、參考文獻列表、專有名詞、常用詞句、法規條文、目錄格式、機構名稱等。
  • 比對到自己的文章
    即使引用自己的文章，建議您仍應使用正確的引用，或適當的改寫，並註明引用來源。若學位論文是採用著作彙編形式為之的「著作彙編之學位論文」（Thesis by Publication, TBP），則比對到自己發表的文章而有較高的百分比則為正常狀況。
  • 漏引或不當引用
    建議您應逐一檢視比對結果右側的比對來源，確認是否有遺漏引用文獻或不當引用的情形，自行修正文稿內容，並在合理範圍內正確引用他人著作（更多資訊請見臺灣學術倫理教育資源中心課程內容）。

基於上述情況，很難明確定義一個適切的相似百分比數值。建議與指導教授針對比對報告討論，或參考欲投稿的期刊出版社官方網站。

五、Turnitin如何透過系統執行「排除參考書目」之功能?為何勾選該選項，參考書目仍未篩除?

Turnitin偵測以下標題文字判定為排除參考書目章節的依據：
(1)中文文章請使用「參考書目」、「參考文獻」單純四個字
(2)英文文章可使用「Reference」「References」以及其他支援之標題，請請見：參考書目引文排除定義
若無法排除參考書目章節（書目章節仍留有套色）則有可能是因為以下原因使排除工具失效：

1. 文字編排格式：例如設定文章使用行號(每一行都有編號，醫學領域似乎會使用)
2. 內文重複使用「參考文獻」、「參考書目」、「Reference」等類似詞彙
3. 某個段落的結尾恰好使用「參考」二字
4. 參考文獻章節標題文字間距過大如： 參 考 文 獻
5. 參考文獻章節標題與其後正文內容行距太近，無法正確判斷成為章節標題

六、學位論文比對到自己之前發表的期刊論文怎麼辦？

即使引用自己的著作仍應合理使用並正確引註，或是可選擇採用著作彙編形式之學位論文，請參考《認識著作彙編學位論文(Thesis by Publication, TBP)》一文之說明。

📌 結語：善用工具，而非迷信數字

原創性比對的真正目的，是協助研究者檢視與優化論文內容，而非追求單一百分比數值。建議同學在完成比對後，與指導教授充分討論報告內容，確保引用合宜、論文品質完善，再自信地迎接口試。

想知道「論文原創性比對」更多相關內容，歡迎參閱網頁說明，或透過turnitin@lib.nycu.edu.tw與我們聯繫。若是操作上的疑問或系統出現異常訊息，請您同時附上全螢幕畫面(含網址URL)，以利原廠判讀或修復。另外，請您記得留下您的單位和聯絡資訊，以利後續協助與處理。

文 / 推廣組 張淑娟

(更新日期：2022.5.19 By推廣組 林玉)
(更新日期：2023.2.3、2026.2.25 By推廣組 巫惠屏)

這篇文章 畢業口試第一關~「論文原創性比對」大哉問 最早出現於 NYCU陽明交大圖書館-陪你做研究。

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」？——看看 AI 如何悄悄改寫質化分析的判斷

〇、合先敘明，這篇在談什麼

這不是一篇 AI 工具教學文，也不是要告訴你「該不該用某一個 AI 來做質化分析」。

這是一篇方法意識提醒文。

當你把質化分析的一部分交給 AI，你是否意識到——
你也同時交出了哪些分析判斷與詮釋責任？

一、那個開著「自動戰鬥」跑畢業副本的你

深夜的研究室或寢室，螢幕上同時開著逐字稿、NVivo 節點、Excel 表、錄音檔。

你已經看了同一段訪談第七次，還是不知道這句話到底該歸到哪一個主題。

於是你做了一個很合理、也很人性的選擇：
把逐字稿丟進 AI 分析工具。

我們都懂那種心情 —
「拜託誰來幫我生出主題就好，如果還能順便幫我歸納一下，那就更好了。」

但當你按下 Enter，你以為你請了一個免錢的研究助理（RA），其實你是——

開啟了手遊的「自動尋路＋自動戰鬥」。

關鍵不在於你用了哪一個 AI。關鍵在於：
你是否意識到，你已經把一部分分析決策權交出去了。

二、學術界的「神操作」：直接雙跑一場給你看

如果只是憑感覺討論「AI 會不會改變研究」，那多半只是立場之爭。

但 Morgan（2023） 與 Hamilton et al.（2023）
做了一件非常直接、也非常實際的事——

• 同一份質化資料
• 由人類研究者完整分析一次
• 再讓 AI 跑一次
• 逐項對照差異

問了一個十分實際的問題：

純手工分析，和 AI 輔助分析，差別到底出在哪裡？

這兩篇研究的價值，不在於誰比較快、誰比較厲害，而在於它們清楚指出：

AI 在分析過程中，悄悄「少做了什麼」，
以及人類研究者，又可能「忽略了什麼」。

三、拆解神操作：AI 在分析中「吃掉」了什麼？

1. 自動尋路的代價

Morgan（2023）的研究發現相當清楚：AI 非常擅長處理——

• 描述性（descriptive）
• 可見、可命名、可整理的主題

但在以下層次，表現明顯不足：

• 詮釋性（interpretive）
• 與生活經驗、社會位置、權力關係緊密相關的意義建構

舉一個貼近生活、容易理解的情境來說：

AI 可以準確指出，受訪者反覆提到「錢不夠用」。

但它很難自行推進到：
這句「沒錢」，背後其實牽涉到「社會剝奪感、羞愧感、階級位置，以及制度性限制」。

這並不是因為 AI 不夠聰明，而是因為——

詮釋性主題，本來就高度依賴研究者對世界的理解與位置感。

Morgan 的提醒其實非常克制也非常重要：
AI 可以幫你整理「說了什麼」，但「這代表什麼」，仍然需要人來負責。

2. 不是一鍵美顏，而是盲點的相互照見

Hamilton et al.（2023）的研究，提供了一個與直覺不同、但更成熟的視角。

他們的發現不是「AI 會毀掉質化分析」，而是——

AI 和人類研究者，看見的東西不一樣。

在他們的比較分析中：

• 人類編碼員，往往能捕捉到
  • 情緒張力
  • 道德評價
  • 與研究者自身經驗高度共鳴的敘事線索
• 而 AI，反而更容易指出
  • 人類研究者忽略的主題
  • 不符合既有敘事期待的替代性框架（alternative frames）
  • 被研究者以「非主流方式」理解問題的觀點

換句話說——人類會有同理心帶來的洞見，也會有同理心造成的盲點。

Hamilton 並不是把 AI 當成取代人類的分析者，
而是將其定位為一個三角驗證（triangulation）的對照組。

當 AI 的分析結果和你差很多時，問題不一定是 AI 錯了，
而是你作為研究者，可能也被自己的理論框架或經驗位置限制住了。

四、你的研究，正在被悄悄換檔

把 Morgan 與 Hamilton 的發現放在一起，會出現一個清楚的對照：

AI 不是在讓你的研究變膚淺，而是在把分析重心，從「理解差異」，轉向「最佳化共通性」。

這不是對錯問題，而是 ——

你有沒有意識到，自己正在用哪一套邏輯做研究。

你的研究，也因此可能從 —— 魂系遊戲：反覆試錯、理解系統、為選擇負責

悄悄變成—— 放置型手遊：數值累積、自動通關、結果導向

問題不是你能不能通關，而是：
你還記不記得自己為什麼這樣打。

五、請記得，別讓 AI 帶你坐上學術法庭的被告席

試著想像這個場景：

口委看著你的分析結果，問你：「為什麼選這個主題，而不是那一個？」
你不能回答：「因為 AI 給我的主題權重比較高。」

AI 可以是 —

• 初步掃描資料的工具
• 對照用的第二雙眼睛
• 提醒你「該回到資料了」的警鈴

但它永遠不該是那個，替你決定哪些聲音可以被忽略的河蟹機器人。

責任，最後還是會回到你身上

用 AI 跑質化分析，本身不是問題。

真正的問題是：
當分析結果看起來「太順了」，你有沒有停下來問一句 ——
這個順，是我的理解與論述，
還是被美顏過的網美照？

參考文獻

• Hamilton, L., Elliott, D., Quick, A., Smith, S., & Choplin, V. (2023). Exploring the use of AI in Qualitative analysis: A Comparative study of guaranteed income data. International Journal of Qualitative Methods, 22. https://doi.org/10.1177/16094069231201504
• Morgan, D. L. (2023). Exploring the use of artificial intelligence for qualitative data analysis: the case of ChatGPT. International Journal of Qualitative Methods, 22. https://doi.org/10.1177/16094069231211248

推廣組 柯文仁 / 本文搭配 AI 工具進行寫作輔助。

這篇文章 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」？ 最早出現於 NYCU陽明交大圖書館-陪你做研究。

隨著跨域研究逐漸成為學術研究的重要趨勢，研究者不僅需要找到相關文獻，更需要理解不同學門如何看待同一個議題。對許多剛開始進行文獻探索的研究生而言，真正的挑戰往往不是「找不到資料」，而是「不知道這些文獻之間的差異代表什麼」。

以「數位落差」為例：同一議題，不同研究視角

例如，一位關心教育與科技議題的研究生想探討「數位落差是否影響學習機會」。在資料庫中搜尋 digital divide 相關文獻時，他很快發現這個主題同時出現在資訊領域與社會科學領域，但研究焦點並不相同。

在資訊與資訊管理相關研究中，「數位落差」常被理解為技術可近性的問題，例如網路基礎建設、設備取得、連線品質或使用頻率。研究者可能分析不同地區的網路使用情況，或提出改善技術可近性的解決方案。

然而在社會科學與教育研究中，「數位落差」往往被視為社會不平等的一部分。研究者關注的不只是「是否能使用科技」，而是「不同族群是否能有效利用科技取得學習與發展機會」，並透過問卷調查、長期追蹤或政策分析等方式理解家庭背景、教育資源與數位素養的影響。

同樣是「數位落差」，不同學門卻在回答不同的問題：資訊領域關心技術可近性與系統設計，而社會科學更關注科技使用與社會機會之間的關係。理解這些差異，往往比單純找到更多文獻更重要。跨域文獻探索同時也是逐步理解不同學門如何建構知識的過程。

跨域研究真正的門檻：理解學門的問題意識

跨域研究真正的困難往往不在於找到足夠的文獻，而是在於理解不同學門如何看待同一個問題。即使使用相同關鍵詞搜尋資料庫，不同學門的文獻仍可能建立在不同的問題意識與研究傳統之上。

在資訊領域中，研究往往傾向將問題轉化為可以被測量或建模的技術問題；而在社會科學與教育研究中，研究者則更關注科技使用背後的社會脈絡與人類經驗。這些差異不只是研究方法的不同，也反映了各學門對「什麼是重要問題」以及「哪些資料可以支持研究結論」的理解方式不同。

因此，跨域研究的第一步並不是急著整合文獻，而是先理解各學門如何描述與解釋同一個議題。當研究者能辨識這些差異時，文獻探索就成為理解知識脈絡的過程，也能幫助研究者更清楚定位自己的研究問題。

AI 作為理解文獻脈絡的工具

當研究主題涉及不同學門時，文獻數量往往快速增加，研究者也更容易在大量資料中迷失方向。此時，AI 輔助的文獻探索工具可以扮演「理解研究脈絡」的角色，而不只是加快搜尋速度。

以 Web of Science Research Assistant（WoS RA）為例，AI 可以協助整理某一研究主題的文獻分布，讓研究者觀察相關研究主要集中在哪些學門、關注哪些子議題，以及不同領域之間的研究關聯。透過這樣的整理，研究者更容易看見同一議題在不同學門中的研究焦點與發展方向。

這類工具的價值不在於提供研究結論，而是在文獻探索初期幫助研究者建立對研究領域的整體理解。AI 更像是一張協助閱讀文獻地圖的工具，在進入細部閱讀前幫助研究者理解研究領域的輪廓。

若想實際嘗試透過文獻探索工具觀察研究主題在不同學門中的分布，可以從本館提供的 Web of Science Research Assistant 開始探索。

跨域研究的下一步：回到文獻與研究判讀

跨域研究不只是整合不同領域的文獻，而是理解不同學門如何思考同一個問題。AI 工具可以協助研究者更快看見研究結構，但研究品質仍取決於研究者如何閱讀原始文獻、理解研究方法，並判斷不同研究之間的關聯與限制。這些判讀與驗證的過程，正是研究不可被取代的部分，也是研究者需要持續培養的能力。

延伸閱讀

1. Repko, A. F., & Szostak, R. (2020). Interdisciplinary research: Process and theory (4th ed.). SAGE.
2. Becher, T., & Trowler, P. R. (2001). Academic tribes and territories: Intellectual enquiry and the culture of disciplines (2nd ed.). Open University Press.

推廣組 巴詠淳 / 本文搭配AI工具進行寫作輔助

這篇文章 跨域研究不迷路：看懂不同領域如何討論同一個問題 最早出現於 NYCU陽明交大圖書館-陪你做研究。