Учёный с ИИ — это про скорость, не про качество выводов. Литературный обзор, который занимал 2 недели — теперь занимает 2 дня. Разбор 50 статей на предмет паттернов — теперь полдня. Но финальные интерпретации, методологические решения, аргументация в discussion — это всё ещё ваша голова. ИИ — мощный ассистент, не соавтор.
Внутри — 7 шаблонов: систематический обзор литературы, deep-разбор отдельной статьи, дизайн методологии, черновик статьи, peer review, грантовая заявка, работа с корпусом текстов (qualitative analysis).
Этическое предупреждение: **большинство журналов требуют декларации использования ИИ**. Если статья написана с помощью LLM — это нужно указать (обычно в Acknowledgments или Methods). ИИ как соавтор не признаётся (Nature, Science, JAMA политика). ИИ как инструмент — да, обязательно с указанием. Скрытие использования — научная нечестность.
📚 Систематический обзор литературы
Помоги составить план систематического обзора по теме «[ТЕМА_ИССЛЕДОВАНИЯ]». Контекст: Дисциплина: [биомедицина / психология / образование / экономика / etc]. Цель обзора: [что хочу узнать / синтезировать]. Целевой результат: [статья-обзор / глава диссертации / собственное планирование исследования]. Период публикаций: [за какие годы]. Помоги собрать структуру: 1) Research Questions — 3–5 чётких вопросов, на которые обзор должен отвечать. 2) Поисковая стратегия: - Базы данных (PubMed / Scopus / Web of Science / Google Scholar). - Ключевые слова и их синонимы (с Boolean-операторами). - Inclusion criteria (что включаем). - Exclusion criteria (что отбрасываем). 3) Методология анализа: - Quality assessment (как оценивать качество исследований — PRISMA / GRADE / etc). - Data extraction (какие поля извлекать из каждой статьи). - Synthesis approach (narrative / meta-analysis). 4) Ожидаемые challenges: - Heterogeneity исследований. - Publication bias. - Risk of bias. 5) Шаблон для извлечения данных — таблица с колонками: автор, год, дизайн, выборка, методы, главные результаты, ограничения. Не предлагай конкретные статьи — это я найду в БД сам. Нужна структура и методология. Если поможешь по PRISMA — отметь, какие пункты flow diagram заполнить.
PRISMA (Preferred Reporting Items for Systematic Reviews) — стандарт для обзоров в биомедицине, без следования которому статью не примут в большинство журналов. Для других дисциплин есть свои стандарты (PICO, MOOSE, etc). Просьба прописать flow diagram — экономит день ручной работы и сразу даёт material для методологии в публикации.
🔬 Deep-разбор научной статьи
Разбери научную статью для критической оценки. Статья: ``` [ВСТАВЬ_PDF_ИЛИ_ТЕКСТ] ``` Что хочу понять: 1) Главная гипотеза / research question. 2) Дизайн исследования — рандомизация, контроль, blinding (если применимо), размер выборки и его обоснование. 3) Методы — какие статистические тесты использованы, корректно ли (без p-hacking, multiple comparisons). 4) Результаты — что заявлено, соответствуют ли цифры в тексте таблицам и графикам. 5) Discussion — обоснованы ли выводы результатами или есть «прыжки»? 6) Ограничения — какие признаны автором, какие НЕ признаны (но они есть). 7) Конфликты интересов — есть ли финансирование, которое могло повлиять. Формат вывода: По каждому из 7 пунктов — короткий вердикт (strong / acceptable / weak / concerning) и пояснение. В конце — общая оценка статьи и ответ на вопрос: «Применимы ли результаты к моей ситуации [укажи контекст]?». Не верь автору на слово — проверь логику. Если что-то непонятно или подозрительно — отметь. Не выдумывай критику — если статья хорошая, так и скажи.
Раздел «ограничения, не признанные автором» — самый ценный в критическом разборе. Большинство статей честно перечисляют 1-2 ограничения, но избегают неудобных (маленькая выборка для громких выводов, удобный выбор подгрупп, selective outcome reporting). Свежий взгляд ИИ хорошо ловит эти пропуски, что критично для peer review и для решения «применимо ли это к моей практике».
🧪 Дизайн методологии исследования
Помоги спроектировать методологию эмпирического исследования. Research question: [конкретно]. Дисциплина: [psychology / education / marketing / etc]. Гипотеза (если есть): [конкретно]. Тип исследования желаемый: [экспериментальный / quasi-экспериментальный / observational / qualitative]. Доступные ресурсы: [бюджет, время, доступ к участникам]. Что нужно проработать: 1) Дизайн исследования — best fit под research question и доступные ресурсы. 2) Выборка: - Целевая популяция. - Метод набора (random / convenience / stratified). - Размер выборки с power analysis (для каких эффектов достаточно). 3) Переменные: - Независимые (manipulated / measured). - Зависимые (operationalization). - Контрольные. 4) Инструменты: - Валидированные шкалы (если есть, со ссылкой на reliability). - Если нужны новые — обоснование пилотажа. 5) Процедура — пошагово, что делает участник в эксперименте. 6) Этические соображения — что запросить у IRB / ethics board. 7) Анализ — какие тесты под какие гипотезы. Альтернативные дизайны: предложи 1–2 альтернативы с trade-off (точность vs ресурсы / internal validity vs external validity). Если research question неясный или не falsifiable — скажи прямо. Лучше переформулировать сейчас.
Power analysis — критичный пункт, который часто пропускается. Без обоснования размера выборки исследование рискует недостаточной мощностью (не найдёт эффект, даже если он есть) или избыточной (тратит ресурсы на лишних участников). Альтернативные дизайны — потому что «правильного» дизайна не существует, есть оптимальный под ограничения.
📝 Draft научной статьи
Помоги собрать черновик научной статьи на основе результатов исследования. Тема: [одна фраза]. Целевой журнал: [название + примерный impact / scope]. Тип статьи: [empirical research / review / methods paper / case report]. Главные результаты исследования: [3–5 главных findings с цифрами]. Структура (IMRaD — Introduction, Methods, Results, Discussion): Introduction (300–500 слов): 1) Контекст и значимость проблемы. 2) Что известно (краткий обзор литературы). 3) Gap — чего не хватает в понимании. 4) Цель и hypothesis. Methods (400–600 слов): Дизайн / выборка / процедура / анализ — кратко, но достаточно для replication. Results (400–800 слов): Только цифры, без интерпретации. Таблицы и графики referenced. Discussion (500–800 слов): 1) Главные findings и их значение. 2) Соотношение с предыдущими работами. 3) Mechanisms / возможные объяснения. 4) Ограничения исследования. 5) Implications для практики и будущих исследований. 6) Conclusion (1 параграф). Принципы: Объём по разделам — гайдлайн журнала. Цитирования — указывай где нужно (но конкретные ссылки я добавлю сам — не выдумывай). Нейтральный академический тон — без «потрясающих результатов» и «революционных находок». Ограничения — обязательно и честно. Это принципиально для научной репутации. Не выдумывай результаты, ссылки, цифры. Используй только то, что я предоставил.
Запрет «не выдумывай ссылки» — критично. LLM любят генерировать правдоподобные цитирования, которых не существует ('Smith et al., 2021' — статьи нет). Это серьёзная репутационная проблема в академии. Пометить «здесь нужна ссылка» лучше, чем выдумать.
👁️ Peer review статьи
Сделай draft peer review для журнала [название]. Статья на ревью: ``` [ВСТАВЬ_СТАТЬЮ] ``` Цель моего ревью: [accept / minor revision / major revision / reject — но я приму решение сам после анализа]. Структура peer review: 1) Summary (для редактора, 100–200 слов): о чём статья, главные выводы, моё общее впечатление. 2) Major comments (нумерованный список): - Принципиальные вопросы по методологии. - Проблемы с интерпретацией результатов. - Нерешённые ключевые вопросы. - Серьёзные ограничения, которые нужно обсудить. Каждый пункт — конкретный, с указанием на страницу/строку. 3) Minor comments: - Опечатки, грамматика. - Уточнения формулировок. - Дополнительные ссылки, которые желательны. - Улучшения структуры или ясности изложения. 4) Constructive feedback: - Что хорошо в статье (ОБЯЗАТЕЛЬНО — это часть научной этики). - Что можно улучшить — конкретные предложения, не общие. Принципы peer review: Конструктивно, не унижающе. Конкретно, не «нужно переписать». По сути, не по стилю (если только стиль не мешает пониманию). Объективно — оценивай по научным критериям, не по личной симпатии к подходу. Если статья за пределами твоей экспертизы — скажи редактору, не пытайся «как-то». Запрет: личные нападки, сарказм, требование цитирования собственных работ автора (это unethical), эссе про «как нужно было делать» вместо конкретных правок.
Раздел «что хорошо» — научная этика, которую часто игнорируют ревьюеры. Critique без признания сильных сторон — это не peer review, это разнос. Авторы статьи должны видеть, что вы внимательно прочитали и что-то отметили положительно, иначе они не доверят вашей critique. Запрет на требование цитировать собственные работы — это форма академического саморекламирования, недопустимая по этике COPE.
💰 Грантовая заявка
Помоги собрать структуру грантовой заявки. Грант: [название фонда + программа]. Объём финансирования: [сумма]. Срок проекта: [месяцев]. Тематика моего исследования: [конкретно]. Команда: [кто и что делает]. Главные критерии оценки заявки (если знаешь специфику фонда — учти): Научная новизна. Релевантность приоритетам фонда. Реалистичность плана. Квалификация команды. Impact и распространение результатов. Структура заявки: 1) Аннотация (1 страница) — проблема, цель, методы, ожидаемые результаты, impact. 2) Background и обоснование: - State of the art в этой области. - Гэп, который заполнит проект. - Почему именно сейчас (timing). 3) Цели и задачи: - Главная цель (одна). - Конкретные задачи (3–5). - Measurable outcomes. 4) Методы и план работ: - Подробное описание методологии. - Timeline по месяцам (Gantt chart). - Milestones и deliverables. 5) Ожидаемые результаты и impact: - Научный impact (публикации, конференции). - Практический impact (для society / industry). - Долгосрочные перспективы. 6) Команда: - Главный исследователь (зачем именно я). - Соисполнители и их роли. - Институциональная база. 7) Бюджет и его обоснование: - Зарплаты, оборудование, расходники, поездки. - Каждая статья оправдана пользой проекта. Принципы: Конкретность важнее «масштабности». Результаты — measurable, не «улучшим понимание». Реалистичный timeline (с запасом 20% на непредвиденное). Бюджет — обоснован, не максимизирован. Запрет: «революционные», «переворачивающие», «впервые в истории» — фонды это видят как amateurism, экспертиза оценивается по конкретике.
Чёрный список «революционных» и подобных слов — потому что опытные эксперты в фондах автоматически понижают балл за такой язык. Серьёзные заявки пишутся скромно: «improve understanding», «extend prior work», «address limitations of existing approaches». Громкие слова — сигнал, что заявитель не понимает state of the art.
🔍 Qualitative analysis корпуса текстов
Помоги проанализировать корпус качественных данных (интервью / ответы из опроса / тексты). Контекст: Тип данных: [интервью / focus groups / open-ended responses / social media posts]. Объём: [число случаев / примерное количество слов]. Research question: [конкретно]. Подход к анализу: [thematic analysis / grounded theory / discourse analysis / content analysis]. Корпус: ``` [ВСТАВЬ_ДАННЫЕ_ИЛИ_СЭМПЛ] ``` Этапы анализа: 1) Initial coding: - Прочитай весь корпус. - Выдели codes — короткие ярлыки для повторяющихся идей, паттернов, эмоций. - Выведи список codes с примерами цитат для каждого. 2) Themes: - Сгруппируй codes в themes (более высокий уровень абстракции). - Для каждой темы — название, описание, репрезентативные цитаты (2–3 на тему). 3) Сравнения и противоречия: - Где разные респонденты согласны. - Где не согласны. - Outliers — необычные случаи и их значение. 4) Связь с теорией: - С какими существующими концепциями перекликаются themes. - Что новое (если есть). 5) Limitations: - Bias данных (как собирали — самовыборка / snowball / etc). - Ограничения интерпретации. Формат вывода: Codebook — таблица с колонками: code, definition, example quote, frequency. Theme map — иерархия codes → subthemes → themes. Narrative summary — короткое резюме с цитатами. Не выдумывай цитаты — используй только текст из корпуса. Не делай статистических выводов из качественных данных (объём sample не для генерализации). Сохраняй контекст цитат — не выдёргивай слова из контекста, который меняет смысл.
Запрет «не делай статистических выводов из качественных данных» — критично. Качественный анализ не про «70% сказали X», а про «вот какие смыслы и опыты встречаются». Если из 20 интервью 14 упомянули X — это не «70% поддерживают», это «X — повторяющаяся тема». Подмена качества количеством — классическая методологическая ошибка.