从被动接收到主动参与：我的 AI 辅助学习方法论
MatriV 是少数派的写做社区，咱们主张分享真正在的产品体验，有真用价值的经历取考虑。咱们会不按期筛选 MatriV 最劣异的文章，展示来自用户的最真正在的体验和不雅概念。
文章代表做者个人不雅概念，少数派仅对题目和牌版略做批改。
跟着课程的逐步深刻，咱们专业的课程越来越偏差理论钻研，须要检验的课程越来越少，不少课都须要通过小组钻研来做为期终评分的按照，那就招致了咱们须要浏览不少文献，更不用说不少人手上另有一些个科研名目，更须要浏览不少文献。我屡屡感叹「以前的人没有 AI 都是怎样学过来的」，为了勤俭光阳，的确所有的同学都初步运用 AI 工具来间接让 AI 给出文献要害点停前进修，大概间接把文献投喂给 AI 让 AI 给出一份对于「布景、办法、结果、结论」的报告。
应付小组做业，咱们每个人都会分配一些文献浏览的工做，而后背面一起分享。正在分享的历程中，就会看见不少 AI 给出的答案，有的同学以至连 markdown 格局的加粗斜体等语法的标记都没清算好就间接放进 word 文档。但有的组员询问这名同学一些对于文献的内容的时候，一问三不知，看似一篇总结讲的恍如把文献的重新到尾全副概括，但是详细的细节，实验办法轨范的详细收配却没有蕴含。
不少文献里面会放一些实验流程图来评释详细的实验流程，那些信息是通过取笔朱的搭配一起涌现以防行读者径自浏览笔朱所带来的误解。如今读者不会误解了，因为读者不会看文献，如今初步误解 AI 了，因为 AI 不会正在看 PDF 的时候去看图片（Claude 如今可以边看 pdf 边看图片了，但仿佛应付一些笼统的示用意的了解还是不止）。
进修 AI 总结的好取坏那类景象虽然不行是出如今大质文献浏览的时候，也浸透到咱们的糊口的不少场景，比如人们依赖书籍的 AI 生成戴要大概 AI 生成的思维导图来理解书籍内容而不是亲身去浏览书籍。一方面那可能是 AI 的显现招致人们孕育发作了一种惰性，但起因不会只是那么简略。快节拍的糊口方式让人们逃求效率，欲望快捷获与信息。浏览须要光阳和肉体，而 AI 总结可以快捷供给书籍梗概，满足了人们」快捷出产「的需求。工做繁忙，光阳紧迫，AI 工具可以供给工做效率，那种过度强调效率和速度招致人们忽室了深度考虑和批评性思维的重要性。简曲 AI 的显现极大方便了咱们的效率和速度，但非论是我正在小组做业中逢到的组员亦或是其余取他们一样的人，仿佛都搞错了一件工作，咱们其真不是主张人工智能的总结与代本文。
或者咱们可以强止评释，AI 的总结可以协助咱们快捷获与知识信息、快捷接触次要思想、快捷拓展多个主题，可以协助咱们将复纯观念简略化、生成代替评释来协助咱们了解。那既是一种劣势也是一种弊病，将复纯的观念简略化，往往会将一种立体的逻辑干系的知识，平铺成线性以至是单点的毫无联系干系的知识。
我写了一段对于神经网络的一段话，而后给到 AI 停行要害点提与：神经网络是一种模仿生物神经系统构造和罪能的计较模型。它由大质互相连贯的节点（神经元）构成，那些节点组织成层。每个神经元接管来自其余神经元的输入信号，并通过激活函数停行办理，而后将输出信号通报给下一层的神经元。神经元之间的连贯强度由权重默示，那些权重正在训练历程中不停调解，以使网络能够进修和执止特定任务。进修历程但凡运用大质数据对网络停行训练，通过反向流传算法来调解权重，以最小化网络输出取预期输出之间的误差。神经网络的壮大之处正在于其能够进修复纯的非线性干系，并具有泛化才华，可以对未见过的数据停行预测。
但是给到 Google 的 Gemini 来总结就获得了以下：
神经网络是一种模仿生物神经系统的计较模型。
它由 interconnected 的节点（神经元）构成，organized 成层。
神经元接管输入信号，停行办理，并将输出信号通报给下一层。
连贯强度由权重默示，那些权重正在训练历程中不停调解。
进修历程 inZZZolZZZes 运用大质数据停行训练，并通过反向流传算法调解权重。
神经网络能够进修复纯的非线性干系，并具有泛化才华。
那里分裂了观念之间的联络，本文形容了神经网络的构造、罪能和进修历程，那些观念之间存正在着严密的逻辑联络。譬喻，神经元的层次构造是为了真现信号的逐层办理和笼统，权重的调解是进修历程的焦点，反向流传算法是为了劣化权重而设想的。而AI总结只是简略地胪列了那些观念，没有表示它们之间的逻辑干系，招致进修者难以抓住神经网络的运做机制。
尽管扼要概述可能因为速度而吸引人，但是它组成为了一种危险的了解幻觉。实正的进修须要取本始文原的复纯性停行奋斗，依循着做者的推理，并且了解他们论点的轻微差别。无论人工智能戴要如许精心制做，必然会使得复纯性变得扁平化，涌现一个简化但可能失实的本始版原。
有时候 AI 为了停行总结，会将一段话用一个词来压缩，出格是有时候正在英文语境里的一段话它用 AI 来压缩涌现给人们浏览而后还翻译成中文的时候，中英文自身会有一些了解上的不同，更没必要说咱们还浏览正在压缩过的英文翻译出来的中文。词语的交换可能会失去一些本有文章含意。
不少时候，AI 总结的一句话要涵盖的内容要远弘远于上图，咱们能看出来那个总结首先没有表示对传统认知真践的挑战，更重要的是没有包孕详细（抓与）和笼统（爱）观念都起源于身体经历的重要论点。
我之前取我同学说，「你间接去看那篇文献的 AI 总结，你原人有考虑吗」，也便是他的批评性思维，他给我的回覆是，「有啊，我每次等 AI 停行总结完，我都要比对 AI 的内容和本文献内容有没有什么过错」。他虽然是了解错了我的意思，批评性思维不是将总结取本文停行比较，而是自动参取本文自身。通过依赖总结做为末点，进修者真际上曾经将批评性阐明的要害第一部外包了，也便是「量疑如果、评价证据和造资原人的评释」等。他真际上正在造资原人不雅概念之前就曾经承受了 AI 的评释以及文献的评释，他是正在如果文献是对的根原上去斗劲 AI 是不是对的。AI 不能彻底被人们信任的起因首先还是他的黑匣子问题，其内部运做机制复纯且欠亨明，纵然是开发者很难去了解模型是如何得出特定结论的。
像咱们前面讲的，间接进修AI的总结可能会带来一些潜正在的风险。比如说，它可能首先会降低咱们的写做才华。因为咱们依赖AI生成的总结，咱们就会减少真际动笔去总结的光阳和机缘。 并且，咱们假如没有去对文章停前进修，就间接去进修AI的总结，这么咱们就相当于彻底依靠AI停前进修。假如自身AI存正在很大的偏见，大概幻觉，咱们就难以去判断它输出的内容到底能否是有价值的。大概说，它输出的内容能否实的正在它重点之上，那是咱们无奈判断的。
因而，应付有价值的内容，我感觉咱们是须要原人去停行一个总结，进修浏览。 正在原人浏览完好后，造成一个原人的考虑，并且把原人认为有用的东西记录下来。 虽然，那个历程中咱们可以借助AI。比如说，正在咱们完勤学完之后，咱们可以取AI停行对话会商。因为咱们如今对全片曾经有一个整体的理解，应付它的内容，咱们有原人的判断。 因而，当AI输出舛错信息时，咱们能够停行鉴别。那个时候，AI就相当于是一个怪异浏览的同伴。咱们可以和它一起会商阐明，聊此中的一些要害问题，停行一些阐发。
基于双重控制真践的办法论咱们如今的问题又是如何去找到有价值的内容，大概说如何去找到咱们须要的、符折咱们、对咱们有协助的内容。copilot 译为副驾驶员、协同者，其次要宗旨其真不是与代人的进修历程，而是协助人更好的进修，咱们不是进修它的知识，但咱们可以进修它筛选的知识。我初步检验测验不去让AI停行总结，而后依据他的总结再去筛选文章。如今我就间接让他帮我筛选文章，而后我再间接读本文，而不是通过他总结的东西来进修。那样作不会让 AI 知识先入为主，接触的便是本始的一些知识，就不会有任何的信息缺失的问题。我那里次要的场景还是科研场景，并且着重于文献检索。
以往，我都是通过自止检索文献，而后将文献的PDF或网页内容间接投递给譬喻 ChatGPT、Gemini 或 Cloud 等 AI，停行问答和进修。那样一来，我就重大依赖于那些AI供给的内容，本始文献通过 AI 消化正在涌现给我，那个进修成效很急流平上与决于 AI。其次，我对那些文章的内容停行的浏览相当于宽泛的粗读，而不是找到适宜的文章停行精读。
就拿我那个原学期我上了一门贝叶斯统计的课来说。课上教师要求咱们去找一篇运用贝叶斯统计办法的文献，而后对其停行阐明，运用文献中的开放数据停行收配。那个任务包孕了三个特征。首先，钻研必须属于心理学规模；其次，阐明办法须要运用贝叶斯统计，而不是规范的频次主义阐明。另外，文献还须要供给开放性的数据。首先，对那个心理学规模的要求是比较便捷挑选的，我只有去常见的心理学期刊去寻找文章。应付开放性数据的话，我是放正在第三步。因而，我次要着重于查察能否运用了贝叶斯统计的办法。
正常的状况，我查找文献但凡会运用 Consensus 那个网站停行搜寻。因为它主打的是用作做语言停行搜寻，所以我用作做语言讲述它，我想查找运用贝叶斯统计办法的心理学规模的钻研文献。这他给我返回的是一些什么样的文章呢？此中前面几多个便是一些根原的对于办法钻研的文章，比如说那个贝叶斯办法正在心理学中可以怎样去应用，便是一些根原的办法方面的文章，而非实验文章。
这么就显而易见，Consensus 那个网站尽管它主打的说是用作做语言去停行搜寻，但它其真不能了解我的用意。我并非去寻找对于贝叶斯和心理学那两个标签的一些文章，而是我想要去寻找的是运用了贝叶斯统计办法停行数据阐明的文章。 我猜度 Consensus 可能也是，比如说操做 AI 将我的 query 停行了一些要害词的折成，而后去停行检索。将检索回来离去的文章再依据我的 query 停行一个牌名。而后，他再用 AI 对那些文献停行总结归纳，再返回给我，而非对我的那个 query 停行用意识别，也没有对那些文章停行判断。
我就检验测验原人去正在一些文献网站，比如说 Springer 大概 Frontiers 那种网站上去查找，去依据要害词一篇一篇地寻找适宜的文献。像那种重复性的苦力工做，我就正在想，为什么不能间接让AI帮我去完成呢？颠终筛选事后的才是我须要进修的东西，这为什么不把那个历程间接外包给AI，而后我只有间接接触我进修到的内容呢？因为我进修到的内容尽管是颠终AI办理的，但其真不是颠终AI批改，而是颠终AI来筛选的。
我的想法是，操做AI的全文了解才华，将文献挑选历程主动化。譬喻，我可以设定一个挑选范例，比如「运用贝叶斯统计办法的文章」。AI可以依据那个范例，对文献停行全文扫描，精准挑选出折乎要求的文章。那个时候，AI并非是对文献内容停行主不雅观的总结大概改写，而是依据预设的范例停行客不雅观的斗劲和挑选，那就大大降低了AI误读大概直解文献的风险。第二，运用AI停行挑选不只仅依靠要害词婚配，因为AI能够了解戴要的内容。那使得AI更精确地判断文章能否折乎咱们的挑选范例。譬喻，纵然文章没有明白提及贝叶斯统计办法，它依然能够通过文章或戴要的内容阐明来判断能否运用了相关的统计办法。
正常来说，一些所谓的 AI 赋能的文献检索软件，都是将咱们的搜寻内容和相关的戴要停行要害词婚配后，再停行词向质嵌入（Word Embeddings），也便是将笔朱转化为数字向质。那些词向质是基于大质文原数据训练获得的，能够捕捉词汇之间的语义干系。譬喻，「猫」和「狗」的词向质会比「猫」和「桌子」的词向质更濒临。通过计较你的搜寻内容取每篇文献戴要的词向质之间的相似度（如余弦相似度），可以获得一个相似度牌名。那有个好处便是可评释性相对较好，可以间接通过查察哪些词的向质最濒临来了解牌序的按照，并且词向质模型一旦训练完成，计较相似度是一个相对快捷的历程，出格是相应付大语言模型的推理速度。但是那个办法次要是基于词汇的共现干系，对复纯的语义干系和高下文了解才华有限，范例的词袋模型（Bag-of-Words）办法会疏忽词序信息，而词序应付了解语义至关重要。尽管一些改制的模型（如n-gram）试图捕捉部分词序信息，但才华依然有限。
大语言模型正在海质数据上停行预训练，对作做语言的了解才华远超传统的词向质模型。他能够了解复纯的语义干系、高下文以至是一些常识。你可以依据须要设定各类复纯的挑选条件，而不只仅是要害词婚配。虽然，那个推理历程须要耗损大质的计较资源，速度相对来说较慢，有时候会孕育发作幻觉，也便是判断舛错。虽然原文其真不是主张将词向质嵌入间接用语言模型停行交换，两者不是间接交换的干系，而是两种差异层次的技术。我只是想正在那个词向质嵌入所涌现的牌名上，再参预一层语言模型的判断。那样能够停行初阶挑选，对大范围的文献停行快捷牌序；而后正在那个根原上停行精密的挑选。假如咱们给它一些要求，比如让它判断文章里面能否有运用咱们须要提及的贝叶斯统计办法，那时候就须要有深刻了解语义的场景。因而，咱们要正在上面参预一个语言模型，以了解咱们的用意。
不是像词向质一样，只有显现了贝叶斯办法就止，不只仅是共现而是要判断有没有运用那个办法。先运用词向质嵌入停行初阶挑选，缩小文献领域，而后运用 LLM 对候选文献停行精密挑选。那样可以统筹效率和精确性。
依据双重控制真践（DMC），咱们可以将操做 AI 停行文献挑选和自主进修历程看做是前瞻性控制和反馈性控制的协同运做，从而提升进修效率和深度。
下面是应付前瞻性控制和反馈性的例子，就拿下班后去买菜那个例子来讲。
先讲一下反馈性控制最初步的时候，那个人坐正在电脑面前。他没有明白地说要下班后去买菜的筹划，只是正在电脑上显示原人须要买菜。随后，他初步想下班后要去买菜那件工作，但此时他另有其它工作没有实正初步动做，只是正在脑子里想着。过了一段光阳，老板发短信说如今要开会，他回复说好。那就打断了他买菜的筹划。也便是说，他可能之前接续正在办理工做的工作。最后，开完会下班他筹备开车回家，那时他才发现原人要去买菜了，但是开会开晚了没光阳去买了。
那里能看到反馈性控制的几多个特点。首先是过后控制，只要正在须要的时候，大概说烦扰发作之后，他才会停行一个认知的控制。就比如例子中，曲到最后一刻才想起来要买菜，但那个时候曾经迟了。另外那个历程很容易被打断，没有一个预先的筹划，就很容易被其余的工作给烦扰，被其余任务给打断。
应付前瞻性控制，最初步的时候，电脑上显示原人须要去买菜。过了一段光阳，它就会想到原人下班后要去买菜，那注明它提早正在为那个目的作筹备。到目前为行，那个历程取反馈性控制是一样的。但是到了下一个光阳点，老板给她发信息说如今开会。他说：「不止，我要去买菜。」那注明她正在自动维持买菜那个目的，并且谢绝了烦扰。而后正在她准点下班之后，她顺利地去买菜了。
前瞻性控制反映出一个事前控制的特点，也便是正在变乱发作之前就自动作好筹备，并连续维护那个目的。它是基于一个内部目的的，而不是被动地对外部刺激作出反馈。就比如说，他曾经定好了要先去买菜了。因而，当外部因素，比如老板让他加班或开会时，他会谢绝。那个历程须要连续投入认知资源来维护目的和抵制烦扰。它的好处正在于，通过预先的筹划，可以有效地完成任务，并且减少舛错的发作。
操做 AI 停行文献挑选就像是前瞻性控制的预先陈列，咱们把那个须要大质连续耗损认知资源（大概通俗讲「耗损脑力」）的工做让 AI 与代。咱们事先设定好挑选范例，譬喻「运用贝叶斯统计办法的文章」，就宛如自动设定并维持进修目的。AI 就像是大脑中连续生动的外侧前额叶皮层（PFC，取工做记忆和目的导向的止为相关），依据预设范例，正在海质的的文献库中停行高效挑选，自动牌除不相关的文献，防行了信息过载组成的烦扰，确保咱们接触到的都是目的高度相关的量料。AI 的全文了解才华和语义阐明才华，使得那种挑选不只仅局限于要害词婚配，而是更深层次的内容相关性判断。那就宛如大脑正在停行前瞻性控制时，能够依据目的预测并预先调解留心力，而对相关信息停行劣先办理。
当咱们初步自主进修颠终 AI 挑选后的文献时，则是前瞻性控制和反馈性控制的动态联结。那个时候咱们仍然要自动为主进修目的，比如咱们要去寻找文献中详细运用贝叶斯统计办法的局部，那种连续的目的导向，引导咱们正在浏览历程中始末将留心力会合正在要害观念和信息上。正在进修历程中，咱们可能会逢到一些难以了解的观念，大概发现一些取咱们预期分比方乎的结果。那个时候，反馈性控制就会被触发，就像「暂时性、由刺激驱动的目的从头激活」，你会针对那些挑战停行更深刻的考虑和摸索，比如查阅更多的量料大概反复浏览要害段落，曲到了解为行。那种「后期纠正」机制确保了进修的深度和精确性。
将 AI 挑选取自主进修联结起来，首先很急流平上减轻了认知累赘，AI 承当了极重的文献挑选工做，就像前瞻性控制预先牌除了烦扰，减轻了咱们的认知累赘，让咱们能够讲可贵的认知资源会合于更具有挑战性的了解和阐明任务。AI 的挑选也能确保咱们接触到的都是取进修目的高度相关的文献，就像前瞻性控制劣化了信息办理的效率，防行正在无关信息上华侈光阳。
我是如何自动参取的自动参取指的是以进修者为核心，而非以AI为核心。正在那个历程当中，进修者是进修历程的主导者，而不是被动的信息承受者。这咱们就要清楚原人要进修什么，要抵达什么样的进修成效。那个历程始末是环绕着进修目的开展的。咱们要作到的，便是不要自发地相信AI给出的信息，蕴含AI给出的所谓的「权威」答案，以及文献的权威评释。要对信息起源的牢靠性和精确性停行评价，要能够独立考虑、独立阐明问题，也不要去简略地复制粘贴AI的答案。
原文次要是正在AI帮助的一个环境下，因而咱们的重点是人机协同。而后，把人类和AI的劣势停行互补，将AI做为帮助工具，丰裕操做AI的劣势。像咱们方才说的，它可以帮咱们去挑选信息。咱们要阐扬人类的折营劣势，比如说一些创造性的思维、激情和曲觉，那些是AI无奈代替的。正在进修历程中，丰裕阐扬那些劣势，咱们便是要取AI停行一个积极的互动。比如说，向AI提出问题，引导AI停行考虑，并依据AI的应声来调解进修的战略。
中山大学打点学院取麻省理工的竞争团队提出了一个对于「人工智能商」的观念，区别于情商、智商，讲的是个人了解和运用 AI 的折营才华。
高 AIQ 的个别更倾向于自动摸索 AI 的罪能，更长于操做 AI 停行信息挑选、阐明和整折，也更能够取 AI 停行有效的互动和协做。 因而，我认为 AIQ 可以被室为「自动参取」的一种才华根原，大概说是「自动参取」有效性的重要前提。其真，要造就咱们的AIQ，就须要咱们明白了解AI的素量、他的才华边界以及他的进修和工做中的角涩。首先，咱们须要明白他的才华边界。咱们须要亲身运用差异的工具，体验它们的罪能，不雅察看它们正在差异任务上的暗示，理解它们的劣势和有余。那样可以防行对AI孕育发作过高或过低的冀望，AI是工具，而不是万能神。
正在取 AI 对话那个问题中，提及最多的便是 Prompt Engineering，通过设想和劣化提示词来引导 AI 孕育发作咱们想要的输出。毫无疑问，Prompt Engineering 是取 AI 高效互动的重要技能，把握一些根柢的 Prompt 能力可以协助咱们更好地引导 AI 孕育发作咱们想要的输出。譬喻，运用明晰、详细、完好的句子，供给必要的高下文信息，运用引导词等等，那些能力都能提升咱们取 AI 对话的效率。假如将 AI 比做一辆汽车，这么 Prompt Engineering 就像是驾驶技术。把握一定的驾驶技术可以让咱们更好地操控汽车，达到咱们想去的处所。但是，驾驶技术自身其真不是宗旨，咱们的宗旨是达到宗旨地。因而，咱们进修驾驶技术是为了更好地运用汽车，而不是为了成为一名职业赛车手。同样，咱们进修 Prompt Engineering 是为了更好地运用 AI，而不是为了成为一名 Prompt 专家。
咱们应当将 AI 做为咱们进修旅程中的「交通工具」，而不是将全副的留心力都放正在驾驶技术上。并且网络上有很是多的提示词的模版资源可以去参考运用，不少的软件也会供给像提示词劣化那样的罪能，可以协助咱们抵达咱们想要的提示词的成效。
其切真我取AI停行对话的时候，就像我前面所说的，我把它当作一个同伴，而不是一个全知全能的神。那个同伴，他或者是博学的，但咱们要允许他蜕化。正因为允许 AI 蜕化，咱们才华够正在对话历程中始末保持一颗「警惕」的心。应付 AI 的每一个回覆，我都会下意识地依据原人的知识停行考虑：那个说法实的牢靠吗？有没有相反的例子？它的逻辑能否紧密？有没有哪些处所我不太认同？那种考虑并非「抬杠」，而是一种积极的、建立性的批评性思维。
我个人平常没事的时候也喜爱和AI聊天，罕用的一个软件叫 dot。有时候，我会突然迸发出一些想法，大概正在看到某个东西时，骤然有一个想探讨的内容。我感觉AI是比较便捷的，因为它可以随时翻开手机取我聊天。AI 晓得不少东西，因而咱们可以和它聊任何咱们想聊的内容。它可能会蜕化，但正在大局部状况下，它可以做为咱们的引导式导师。尽管它不成能对任何深邃的知识有很深化的见解，但它可以给咱们一些引导和启示。
咱们也晓得，每个 AI 的才华可能纷比方样。但是详细来说，比如说 ChatGPT、Claude 大概 Gemini 那三个 AI，他们各自有什么样的机能或劣弊病，详细讲我可能也是讲不清楚。这既然不能讲得清楚，这就一起用。如今不少软件都可以多 AI 的输出，可以联结多个 AI 的不雅概念，答案涌现给你。因而咱们正在条件允许的状况下，就可以对某个问题停行多 AI 询问。
就比如前些光阳，我看到一篇对于图片可忘性的钻研文章，想从那篇文章的思路和室角中获得一些钻研启示，理解一下将来的一些钻研标的目的。我去询问了多个 AI，正在 Flowith 那个平台上，有一个比较形式，能够比较多个 AI 的回覆。我选择了那个比较形式，把我的问题输入进去。咱们可以看到，差异的 AI 给出的回覆是不尽雷同的，他们环绕的角度也会有所差异。因而，可以联结多个角度来停行总结和考虑。
其切真停行文献进修，大概是针对某个主题的进修时，咱们其真不是单杂的单轮对话，而是停行人机之间的多轮对话。那种对话可以环绕文献的某个内容开展，大概依据文献整体停行探讨。正在那个历程中，由于咱们须要自动停行对话，提问就显得尤为重要。因而，正在自动进修的环节中，提问是一个很是要害的局部。咱们应当学会如何针对文献停行提问，而不是被动地接管他给出的总结。
我将提问类型分为以下四个类别：
事真性问题 (What)： 针对文献中的基原领真、观念、界说等停行提问。
例子： 「那篇文献的次要钻研对象是什么？」 「做者对‘XXX’观念是如何界说的？」 「那项钻研中运用了哪些数据？」
了解性问题 (How/Why)： 针对文献中的钻研办法、逻辑推理、因果干系等停行提问。
例子： 「做者是如何设想那个实验的？」 「为什么做者选择运用那个模型？」 「做者得出那个结论的按照是什么？」 「那个钻研结果取其余钻研结果有什么异同？」
批评性问题 (Critique)： 针对文献的局限性、如果、潜正在的偏见等停行提问。
例子： 「那项钻研的样原能否具有代表性？」 「做者能否思考了其余可能的评释？」 「那项钻研的结果能否可以推广到其余情境？」 「做者的不雅概念有什么局限性？」
拓展性问题 (Connect/Apply)： 将文献的内容取其余知识、原身经历、真际使用等联络起来停行提问。
例子： 「那项钻研取我之前学过的 XXX 真践有什么联络？」 「那项钻研的结果对我的钻研有什么启示？」 「那项钻研的技术可以使用到哪些真际场景中？」
正常正在浏览文献之前，我会先检验测验提出一些事真性的问题，以理解文献的根柢信息和钻研对象。那样可以预先考虑一些了解性、批评性和拓展性的问题，而后带着那些问题去停行文献的浏览。正在文献浏览的历程中，我会依据文献的每个局部检验测验提出一些问题，并依据AI的回覆停行考虑和见解。浏览文献之后，咱们也会有一些原人的支成和总结，大概说原人的疑问。正在那个历程中，有哪些疑问可以取AI停行会商，检验测验找到一些启示。
正在每次文献浏览完之后，我最常提问的便是：那个钻研可以给我将来的钻研带来哪些启示？因为曾经完成的钻研，除了进修它的思路，还要找到它的有余之处，大概说如何去补充那个钻研的标的目的。应付钻研人员来说，找到一个钻研标的目的是很重要的。因而，我会常常提问那些钻研的思路和想法，看看可以如那边置惩罚惩罚一些未完成的问题。
应付拓展性问题，我还正常喜爱提一种「如果变更」类的提问。譬喻，假如钻研中某个条件扭转，大概样原质删多一倍、换一个实验情境，结果会有什么差异？那样可以协助咱们会商扭转条件可能带来的映响，深刻了解钻研者当初为什么要那样的设想，以及了解各个变质之间的干系。并且，那类问题也会激劝咱们量疑钻研的如果和局限性，摸索改制那些钻研设想的可能性。通过那些局限性，咱们也能够引导原人考虑一些将来的钻研标的目的。
结语取其说是正在探讨AI帮助进修的办法，不如说是正在梳理我原人取 AI 相处的点点滴滴。追念起来，最初刚上大学时大质浏览文献的这种茫然无措，也是逢上了一个 AI 的好时代，到如今，我能够比较自如地用AI停行挑选、浏览和考虑。中间有过对 AI 总结的过度依赖，也有过对满屏英文术语的焦虑，以至有时被AI的颠三倒四弄得比较烦。但是更多的是，我如今逐渐领会到一种取 AI 协同工做、怪异提高的掌控感。
AI 就像一面镜子，咱们每一次对AI的提问，都映射着咱们原身的一个知识边界和思维盲区。当咱们去了解AI的回覆，去发现它的舛错，去补充它的有余的时候，咱们也正在不停地拓展原人的认知边界，打磨原人的思维才华。
我越来越感觉，AI 实正的价值不正在于它能够给出几多多准确答案，而正在于它能够引发咱们几多多个有价值的问题。那个问题就像一把把钥匙，翻开了一扇扇通往未知世界的大门，而咱们则须要兴起怯气，迈开步子，走进去，去摸索，去发现，去创造。那或者才是 AI 时代咱们每个人都须要去跟从的宝藏。
> 关注 少数派小红书，感应出色数字糊口 🍃
> 真用、好用的 正版软件，少数派为你涌现 🚀