一、適合什麼時候使用？

JSTOR AI Research Tool 可以作為閱讀文獻前的「初步導讀工具」，協助讀者更快掌握文章重點與研究方向。當您在 JSTOR 找到一篇可能相關的文獻時，可以先運用此工具初步判斷：

• 這篇文獻是否與自己的研究主題有關？
• 文章主要討論什麼問題？
• 是否值得進一步細讀全文？

不過，這項工具並不是用來取代閱讀原文，而是協助讀者更快進入文獻內容，作為研究過程中的輔助工具。

二、它可以怎麼幫助閱讀與研究？

JSTOR AI Research Tool 提供多種功能，協助使用者從不同角度探索文本。

1. 掌握文章重點或摘要

使用者可以選擇 What is this about?（這篇文本在說什麼？） 或 Show abstract（顯示摘要），快速了解文本的主要重點與論點。這有助於初步判斷該文獻是否符合自己的研究需求。

如果出版社已為該筆資料提供摘要，系統也可能顯示原有摘要供讀者參考。

2. 顯示相關內容

透過 Show related content（顯示相關內容），系統會推薦與目前文本在內容或使用模式上相似的 JSTOR 資料。這對於延伸探索相關文獻、尋找相近主題的研究很有幫助。

3. 推薦相關主題

Recommend topics（推薦主題） 會提供與文本相關的重要概念或主題。讀者可以將這些主題作為後續搜尋關鍵字，進一步擴展研究方向。

4. 針對文章或章節提問

使用者也可以透過 Ask a question（提出問題），直接詢問與該篇文本相關的問題。例如詢問文章的核心論點、研究方法、結論，或文中是否提到某個主題。

需要注意的是，AI Research Tool 的回答只會根據目前這筆資料本身，包括全文內容與 metadata，例如作者、頁數、期刊名稱等資訊，而不會參考 JSTOR 上的其他資料或一般網際網路內容。

如果正在閱讀的是書籍章節，系統也有提供 Show me answers from the whole book（從整本書中找出答案） 的選項。使用此功能時，工具會以 JSTOR 上可取得的該書其他章節作為脈絡，協助產生更完整的回答。

5. 反白選取段落進一步探索

除了針對整篇文本提問，使用者也可以在文件檢視器中反白選取特定詞語或段落，並使用以下功能：

• Find related content（尋找相關內容）：根據選取文字，推薦 JSTOR 上最相關的前 5 筆資料，並可進一步查看更多搜尋結果。
• What is this selection about?（這段選取內容在說什麼？）：整理所選文字的主要重點，協助讀者快速理解段落內容。

這項功能適合用在閱讀過程中，當讀者遇到陌生概念、重要關鍵詞，或想釐清某段論述時，可作為理解文本與延伸查找資料的輔助工具。 

三、可以怎麼問？提問範例

使用 JSTOR AI Research Tool 提問時，可以直接使用自然語言，不一定要寫成完整問句。使用者可以輸入完整句子、片語，甚至單一關鍵字；即使有拼字或文法錯誤，工具仍會嘗試回答。

例如，可以輸入：

│ What is the article’s conclusion?
│ 這篇文章的結論是什麼？

也可以只輸入：

│ conclusion
│ 結論

以下整理幾種常見提問方向：

• 掌握文章重點
  例如：What is the central argument of the text?
  這篇文本的核心論點是什麼？
• 了解研究方法與限制
  例如：Tell me about the study’s research methodology.
  請說明這項研究所使用的研究方法。
  或：Are the study’s limitations described in the text?
  這篇文本是否有說明研究限制？
• 查找特定主題或書目資訊
  例如：Does the article mention [topic]?
  這篇文章是否提到〔主題〕？
  或：When was this article published and in which journal?
  這篇文章於何時出版？刊登在哪一本期刊？

如果想知道某個字詞或主題出現在文本的哪些地方，也可以使用文件內建搜尋功能，或詢問 AI Research Tool 文中是否提到該主題。工具會簡要說明該主題與文本的關聯，並提供可點選的相關段落連結。

四、對話紀錄與引用功能

使用者可將目前與 AI Research Tool 的對話紀錄下載為 PDF 或 HTML，方便後續保存與查閱。若需要引用工具本身或特定回覆，系統也可提供 MLA、Chicago 或 APA 等格式。不過，AI 工具引用方式仍在發展中，實際使用時仍應依照課程、學科或機構規範確認與調整。

小提醒：AI 是研究輔助，不是研究替代

JSTOR AI Research Tool 可以幫助讀者更快掌握文獻方向、理解文章重點，也能作為探索研究主題與延伸文獻的起點。不過，在實際使用時，仍建議留意以下幾點：

• • 支援的資料類型仍有限制
    目前 AI Research Tool 主要支援 JSTOR 上的期刊文章、書籍章節與研究報告；圖片、音訊、影片與部分文字型一手資料（如原始文件、檔案材料等）尚未支援。實際可用功能仍以 JSTOR 頁面顯示為準。
  • 留意工具的回答範圍，並確認是否有文本依據
    AI Research Tool 只會根據目前正在閱讀的單篇資料與其 metadata 作答，不會查找整個 JSTOR，也不會搜尋一般網路。工具提供的回答通常會附上文內引用，建議點選查看相關段落，確認 AI 的說明是否符合原文脈絡。
  • 把 AI 回答當作初步參考，而不是最終結論
    AI 可以協助整理重點與提供方向，但正式研究、報告或論文寫作仍應回到原文查證。文章的論證是否成立、研究方法是否合適、資料是否能支持自己的研究問題，也仍需要讀者自行判斷。
  • 此工具無法直接翻譯 JSTOR 文件
    JSTOR AI Research Tool 目前無法將文件直接翻譯成其他語言。如果需要翻譯文獻內容，仍需使用其他支援 PDF 翻譯的工具，並注意翻譯結果是否準確。

簡單來說，JSTOR AI Research Tool 很適合作為「進入文獻的輔助工具」：它能幫助我們更有效率地開始研究，但好的研究仍來自清楚的問題意識、細緻的文本理解，以及負責任的引用與查證。

參考來源

本文整理自 JSTOR Support 官方說明文件，並依圖書館讀者使用情境改寫：

• • JSTOR’s AI Research Tool: Overview
  • JSTOR’s AI Research Tool: Asking Questions About a Text

這篇文章 JSTOR AI Research Tool 功能介紹 最早出現於 NYCU陽明交大圖書館-陪你做研究。

JoVE 透過以下三項 AI 功能，將文獻閱讀、實驗操作與教學準備緊密串聯，協助所有研究人員與教學者在提升效率的同時，強化對科學知識的理解與應用。

亮點 ❶：JoVE Visualize — 視覺化研究網絡

⭐️核心價值：消除文字歧義，讓研究操作細節「看見即所得」。

JoVE Visualize 由 AI 驅動，將超過 4,000 萬篇peer-reviewed學術文獻與 25,000 支以上的實驗影片進行配對，讓研究人員得以直接從抽象結果與文字難以傳遞的關鍵資訊，快速跳轉至具體操作細節。研究者除了可減少花時間翻找補充資料，或在 YouTube 上碰運氣的時間，更能有效確認研究的「可重復性」，是進行文獻探討、掌握新技術的利器。

立即體驗：https://visualize.jove.com/

亮點 ❷：Chrome 擴充功能 — 無縫整合的即時影片推薦

⭐️核心價值：將資源嵌入日常檢索流程，消除平台切換的摩擦力。

JoVE 的 Chrome 擴充功能 JoVE: Accelerate research with scientific videos，讓研究人員在 Google Scholar、PubMed等檢索網站搜尋文獻時，擴充功能會自動在搜尋結果旁，逐項推薦對應的 JoVE 實驗影片，不必離開當前頁面就即時接軌JoVE的影片資源，獲得可視化的操作支援。

亮點 ❸：JoVE AI Co-Pilot與智慧搜尋 — 加速知識理解

⭐️核心價值：從關鍵字過渡到「概念理解」，提供互動式的實驗輔助。

面對複雜的實驗步驟、抽象而較難理解的科學概念時，即便觀看影片後仍可能產生技術疑問。JoVE AI Co-Pilot 是資料庫的AI導覽助理，是「輔助查找」與「加速學習理解」的好幫手。

目前除了出現在影片旁邊，能提供重點摘要與步驟問答之外，JoVE 搜尋欄現在也支援「Ask AI」的智慧搜尋功能。使用者可以直接使用「自然語言」（例如：「我該如何進行 DNA 萃取？」）提問，透過生成式AI技術解析提問，並進行說明以及影片內容配對。

延伸閱讀：《What Artificial Intelligence Means for the Way We Do Research》

✅ 我是訂戶，如何在校園內外使用JoVE？

為了獲得最佳的使用體驗與個人化服務功能，建議使用者建立個人帳號：

❶ 馬上進入 JoVE（歡迎收藏為書籤 📣）
❷ 身份識別與使用權限：

• 校園內：透過校內/院內 IP（含Wi-Fi或遠端認證），連線即可使用。
• 校園外：使用校內/院內 Email 註冊帳號，系統會自動辨識 Email Domain 並賦予對應的資料庫權限。

❸ 登入帳號後，除了觀看影片，歡迎多加利用「建立播放清單」等個人化管理功能，期待陪伴各位在科學研究的漫長旅途中，增添專屬自己的學習秩序與從容～

※可觀看內容，視機構實際訂閱之權限而定。

這篇文章 JoVE AI 全面解密：AI驅動的生科實驗與教學革新 最早出現於 NYCU陽明交大圖書館-陪你做研究。

一篇肝癌預測論文，示範什麼叫「把特徵砍對，比模型換新更重要」

如果你是研究生，應該對這個場景不陌生：
資料一丟進模型，feature 欄位多到像 Excel 地獄捲軸，然後你滿心期待 AI 會自動悟道——
結果 accuracy 普普通通，訓練時間還跑到你可以去泡一杯咖啡再回來。

這時候你通常會懷疑三件事之一：

1️⃣ 模型不夠新
2️⃣ 資料不夠大
3️⃣ 我是不是哪裡參數設錯

但這篇 2024 年發表在 Journal of Big Data 的肝癌預測研究，直接一刀秒掉這個迷思：
👉 問題根本不在模型，而在你給模型看的「特徵」本身。

大家都在拚模型，作者卻先把資料「減肥」

這篇研究處理的是一個很硬的醫療問題：如何用臨床資料，預測肝細胞癌（HCC）是否發生或復發。

資料來自 TCGA（The Cancer Genome Atlas），一開始每位病人 77 個臨床特徵，從年齡、腫瘤分期、血液數值，到治療方式，通通包進來。
照一般直覺，資料這麼多，AI 應該爽到飛起對吧？

結果沒有。

作者點出一個研究生一定會心有戚戚焉的問題：

高維度資料 = 雜訊、冗餘、過度擬合，一次全包反而卡死模型。

於是他們沒有急著換模型，而是先問一句關鍵問題：

「這 77 個特徵，真的每一個都值得留下來嗎？」

真正的大絕不是模型，是「特徵瘦身術」

作者的作法，可以說是特徵工程的雙刀流。

第一刀：幫特徵打分數（誰真的有用？）

他們用了好幾種方法來評估「每個特徵到底重不重要」：

• • Information Gain（資訊量多不多）
  • Relief（能不能分辨相似病人）
  • Correlation（是不是只是跟別人重複）

簡單說，就是在問：

「如果只留你一個，模型會不會變聰明？」

第二刀：優化選擇（留下最強陣容）

接著再用 Forward Selection / Backward Elimination 這類方法，
像在打牌一樣，一個一個試、慢慢組出最強特徵組合。

最後結果很關鍵：
👉 特徵數從 77 → 59 → 再縮到最佳子集
👉 模型不但沒變笨，反而全面升級

效果有多誇張？模型直接脫胎換骨

來看數字，這也是讀論文時你要特別抓的地方。

以 Naive Bayes 為例（一個很老派、但常被低估的模型）：

• ❌ 特徵全開：
  • Accuracy 約 90%
  • 執行時間：4 分鐘

• ✅ 特徵減肥後：
  • Accuracy 97.33%
  • 執行時間：49 秒

其他模型也一樣：

• • Neural Network：76% → 96%
  • Decision Tree：90.67% → 96%
  • SVM：92% → 96%
  • KNN：86.67% → 94.67%

你會發現一件事：

不是深度學習才厲害，而是資料餵對了，誰都能打。

這篇論文真正該學的，不是肝癌，是研究思路

如果你是研究生，這篇文章最有價值的地方，其實不是醫學結果，而是方法論示範：

1️⃣ 先懷疑資料，不要先懷疑模型
2️⃣ 模型表現差，可能只是你讓它「看太多沒用的東西」
3️⃣ Feature reduction 不是偷懶，是一種研究判斷力

冷靜提醒：這篇論文不能亂套用

當然，作者自己也很清楚限制在哪：

• • 資料來自 TCGA，族群與情境有限
  • 只用臨床變數，沒有影像、基因等多模態資料
  • 醫療 AI 仍有 可解釋性與偏誤風險

所以這不是「拿去直接臨床用」的論文，而是：

一篇教你怎麼把資料處理好，讓模型正常發揮的示範作。

給研究生的一句話

如果你讀完這篇論文，只記得一件事就好：

AI 不是魔法師，你丟給它一堆雜訊，它只會更混亂。

把特徵想清楚，有時候，比你再換一個新模型還有用。

——
參考文獻
Mostafa, G., Mahmoud, H., Abd El-Hafeez, T., & ElAraby, M. E. (2024). Feature reduction for hepatocellular carcinoma prediction using machine learning algorithms. Journal of Big Data, 11, 88.
https://www.webofscience.com/wos/woscc/full-record/WOS:001249598900001

推廣組 柯文仁 / 本文搭配ChatGPT進行寫作輔助。

這篇文章 不是 AI 不夠強，是你餵它太多垃圾 最早出現於 NYCU陽明交大圖書館-陪你做研究。