与 ChatGPT、LLaMA、Bard 和 Sparrow 等新一波生成式 AI 模型相关的大量资源、文章、指南、评论和网络研讨会充分证明了它们在高等教育和其他领域的潜在破坏力。
ChatGPT 是人类历史上增长最快的消费者应用程序，推出仅两个月后活跃用户就达到 1 亿。它的建立并不是为了挑战学术诚信或重新定义真实的评估，但我们就在这里。
面对挑战，高等教育领域也有机会利用生成式人工智能模型。专注于学术研究，我们提出了使用生成人工智能进行适应性研究实践的三个关键步骤。
知道什么？
生成式人工智能的任何应用都必须首先承认并透彻理解其主要的固有局限性，即它不 知道。生成式人工智能根据对数十亿个单词、句子、段落和文档的学习共现的熟悉程度，制定对人类操作员问题的回答。
人类知识是认识论的，因为我们可以解构复合知识，并且可以理解现实世界中存在的这些元素之间的关系。相比之下，ChatGPT和其他生成式人工智能模型是唯我论的，因为它们不像我们那样“知道”：它们缺乏认知，无法感知，也无法合理化或构建知识，并且无法证实知识的来源。 表达。人类可以通过逻辑进行推理和批判，而 ChatGPT 的唯我论知识严格限于从给定数据集中重复学习统计模式和规律。它假设这些限制是现实世界。
尽管如此，我们仍然必须欣赏这种新形式的智能，因为它具有高效的类人对话，对问题、解释、总结、分类、提取、生成、构思、推理和改写任务做出看似有意义的回答。
让我们将学术研究简化为三个主要阶段：（1） 研究问题： 确定假设或问题； (2) 研究方法： 遵循公认的研究方法或发明新的方法或算法来进行调查以解决或回答问题；和（3） 研究成果： 制定、评估和记录解决方案以进行进一步的研究。
1. 尖锐化研究问题
通过设计，ChatGPT 可以有效地集思广益，对人类领域专家来说无法立即显现出来的想法、见解和关联性。因此，在第一阶段，通过查阅文献、使用搜索引擎和寻求人类专家咨询来确定研究差距的手动过程现在可以通过 ChatGPT 和研究人员之间的对话来补充。
以气候变化研究为例：
提示1：气候科学和气候变化干预措施中的哪些主题尚未探索实施科学理论、模型和框架的使用？
提示2：根据这些研究空白，提出最多10个关于气候变化研究主题的研究问题？
即使在研究差距已知并且研究问题的基本版本已经制定的情况下，ChatGPT 也可以用来提高研究问题的可读性和清晰度，甚至为进一步审查问题和内容提供反驳论据。有关如何做到这一点的一些示例包括：
创意产生： 研究人员为潜在的研究问题提供初始信息或背景，ChatGPT 可以利用其学到的知识和语言能力来产生创造性的想法。
文献综述： 研究人员可以要求 ChatGPT 提供特定主题的概述并比较不同的研究。它可以通过总结现有的研究、突出关键发现并确定研究差距来协助文献综述的发展。它产生大量信息的能力可以节省研究时间并提供对现有工作的全面理解。
数据探索： ChatGPT 可以通过发现相关性来帮助探索数据。例如，您可以提示它检查变量之间的关系并查找乍一看可能并不明显的模式。在这种情况下，它的输出很有价值，因为它处理大量数据的能力对于识别有趣的关联或意外事件非常有用。
尽管 ChatGPT 为这些研究过程提供了有价值的成果，但人类专业知识、知识和批判性思维对于评估和完善 ChatGPT 所产生的成果至关重要。 ChatGPT 建议应被视为进一步探索和验证的起点。
2. 提高研究效率
ChatGPT 可用于减少从研究构思到实施和验证的时间。例如，ChatGPT 可以提供与研究问题和问题领域相关的所有研究方法的摘要。它可以根据方法的潜在有效性提供方法的一般排名。例如：
提示 1：确定适当的研究方法和相关的实施科学技术，可以为研究设计提供回答这些问题的依据。
提示 2：使用适当的有效性指标对已确定的方法进行排名。
在应用研究方法时，研究人员常常需要阅读和分析大量文本。研究人员可以使用 ChatGPT 通过总结关键发现、识别重要见解并提供文本解释来生成文本报告。例如，研究人员可以向 ChatGPT 提供文本报告，它可以通过提取关键信息、通过改写句子来压缩信息、消除重复和提供紧凑信息来提供帮助。
应用研究方法后，生成的数据可以由 ChatGPT 进行分析、聚合和合成，以生成有意义的文本和图形可视化报告。 ChatGPT 的代码解释器插件可以预处理数据集、生成特定类型的图形可视化、执行统计分析并得出见解和解释。 ChatGPT 还可以为合适的算法或高级统计分析生成代码片段或建议。
值得注意的是，虽然生成式人工智能可以帮助提高研究效率，但它应该被视为人工智能助手，而不是学科知识专家的替代品。至关重要的是需要进行人工审查和验证，以确保生成的输出的准确性、可解释性和相关性。
3. 验证研究
人类研究人员将结果转化为可能解决研究问题或假设或产生新问题的发现和见解。 ChatGPT 可通过多种方式提供进一步的验证集成来支持这些结论。例如：
验证框架：ChatGPT 可以提供适当的验证方法、指标或评估标准的建议。
数据验证：研究人员可以向 ChatGPT 描述他们的数据，它可以帮助识别潜在的数据质量问题、偏差或限制，这可以支持研究人员解决数据完整性和有效性问题。
方法验证：ChatGPT 可以帮助验证您的研究中使用的方法。例如，它可以提供反馈、建议改进或识别研究方法、算法或模型的潜在缺陷。
反馈和审查：研究结果可以提交给 ChatGPT，它可以通过识别潜在缺陷或突出优点和缺点或需要进一步澄清的领域来提供建设性反馈。
这种验证的整合可用于交叉检查研究结果，以便在研究成果与更广泛的受众（例如审阅者、评估者和公众）共享之前解决任何差距。生成式人工智能可以帮助研究人员克服写作障碍，为论文撰写简单而吸引人的标题，构建亮点和摘要，甚至就研究主题进行足智多谋的对话。
随着人工智能融入我们的职业和个人生活，现在是时候投资人工智能了。本文提倡使用生成人工智能进行适应性研究实践。尽管它在学术研究的整个生命周期中具有多功能性，但我们应该始终记住该工具的固有局限性（它不能 知道）并对所有人工智能生成的内容进行事实检查、验证和校对。
Daswin De Silva 是数据分析和认知中心的副主任， Mona El-Ayoubi 是拉筹伯大学质量和标准以及教育服务领域的高级讲师。
如果您希望每周将学者和大学工作人员的建议和见解直接发送到您的收件箱， 。
