AI 时代的论文阅读工作流：从检索到研究问题

论文阅读的难点通常不是“看不懂每一句话”，而是读完之后仍然无法回答三个问题：作者究竟解决了什么问题？结论依赖哪些条件？这篇论文对自己的研究有什么帮助？

AI 可以加速检索和整理，但不能替代研究者对证据的判断。一个可靠的工作流，应该把 AI 放在“整理和提问”的位置，把原文、数据和方法放在证据中心。

先建立四栏阅读记录

每读一篇论文，先固定记录四栏：

1. 研究问题：用一句话写清楚研究对象、任务和比较对象。
2. 方法：记录数据、变量、模型、对照组和评价指标。
3. 证据：把支持结论的表格、图、实验和统计结果标出来。
4. 限制：记录作者明确承认的限制，以及自己发现的外推风险。

这四栏比一段很长的摘要更适合后续写综述。它们也能帮助 AI 生成结构化初稿，但每一个数字和结论都应该回到论文原文核对。

用 AI 做三件低风险的事

第一，让 AI 根据论文目录生成问题清单，再由自己决定哪些问题值得追问。第二，把已经确认的段落改写成表格，减少重复抄写。第三，对比两篇论文的术语、数据和评价指标，快速发现它们是否真的在回答同一个问题。

不建议直接让 AI “总结这篇论文并告诉我结论”。如果上下文不完整、表格没有提供，或者论文版本发生变化，生成的总结可能听起来很合理，却无法追溯。

从一篇论文走到研究问题

阅读记录完成后，再写三句话：这篇论文解决了什么、没有解决什么、我可以验证什么。第三句话必须是可执行的，例如改变一个数据集、替换一个基线、检查一个边界条件，而不是泛泛地写“继续深入研究”。

这套记录适合开题、文献综述和组会讨论，也适合在项目结束后复盘。它的价值不在于让阅读看起来更快，而在于让证据、判断和下一步行动彼此分开。

本文介绍的是研究记录方法，不构成对任何具体论文结论的复核。正式引用时，请以论文原文、版本信息和所在数据库记录为准。