ai for science

城事漫游Molly6 天前
人工智能·信息可视化·数据分析·prompt·ai for science·科研数据绘图·博士生必读
科研数据可视化的5步AI工作流:从原始数据到发表级图表Step 1: 数据准备 & AI诊断 ↓ (导入原始数据,让AI识别问题) Step 2: 智能数据清洗 ↓ (AI生成清洗代码) Step 3: 统计分析 & 选图 ↓ (AI推荐最适合的图表类型) Step 4: 代码生成 & 微调 ↓ (AI输出论文级代码) Step 5: 发表级打磨 ↓ (AI帮助最后的排版和优化) ✅ 发表级图表
城事漫游Molly14 天前
人工智能·机器学习·prompt·ai for science·博士生必读·应用语言学·研究问题
用AI提炼研究问题与假设的完整提示词——从模糊想法到精准RQ/Hypothesis,AI辅助精化全流程📌 写在前面研究问题(Research Question, RQ)和假设(Hypothesis)是整个科研过程的基石。它们就像灯塔一样,照亮你数据收集的方向、分析的焦点、论文写作的逻辑。
城事漫游Molly20 天前
人工智能·论文写作·ai for science·博士生必读
如何写出有说服力的研究论文Introduction——论证框架切入法你是否曾读过一篇研究论文,其Introduction部分读起来生硬、乏味,甚至显得"为反而反"?或者,你自己写Introduction时,不知道从何入手,最后只能生硬地列举前人的研究,然后生硬地说"我的研究填补这个空白"?
城事漫游Molly20 天前
人工智能·论文写作·ai for science·文献综述·博士生必读
文献综述不是“读书笔记堆砌“——三种文献整合策略详解许多学生对文献综述的理解停留在表面:两者之间的差异是致命的。错误1:堆砌模式(The Dumping Pattern)
城事漫游Molly1 个月前
人工智能·chatgpt·提示词·ai for science·文献综述
如何用 ChatGPT 辅助写文献综述,而不是编造文献?这篇文章会围绕一个科研人最常见、也最危险的 AI 使用场景展开:让 AI 帮你写文献综述,究竟是在提升效率,还是在制造“看起来像真的”学术幻觉?
城事漫游Molly1 个月前
人工智能·提示词·ai for science·科研论文·实验设计
AI辅助实验设计的标准工作流在科研里,实验设计往往决定了你后面 80% 的效率。设计得好,实验会少走很多弯路:设计得不好,即使实验做了很多,最后也可能出现:
城事漫游Molly1 个月前
人工智能·chatgpt·提示词·ai for science·论文润色·科研论文写作
“改全文”还是“逐句诊断”?ChatGPT 润色论文的两种用法很多人第一次用 AI 润色论文时,通常只有一个需求:帮我把全文润色一下。这听起来很合理。 但真正用过之后,很多人会发现一个问题:
aovenus1 个月前
ai for science·ai4s
AI4S 是什么?AI4S = AI for Science(科学智能),直译为"人工智能用于科学研究"。 它不是单一技术,而是一种研究范式的转变:用 AI 加速、替代、甚至重构传统科学发现流程,被誉为科学研究的"第四范式"。
城事漫游Molly2 个月前
人工智能·ai for science·定性研究
质性研究AI工作流(六):质性研究质量检验的5维清单🎓 核心原则(Miles & Huberman): "好的质性研究,如同其他研究一样,需要细致的记录保存,以此与重要受众建立联系。"
城事漫游Molly2 个月前
大数据·人工智能·prompt·ai for science·定性研究
AI赋能质性研究(六):跨案例比较分析,5个高质量 Prompt让AI帮你找模式方法论基础:Miles & Huberman《质性数据分析》中的跨案例策略 核心逻辑:通过系统比较找出共性模式(What is similar?)、差异规律(What is different?)、条件性关系(When/Why do differences occur?)
城事漫游Molly2 个月前
人工智能·数据分析·ai for science·定性研究·定性编码·科研工作流
质性研究AI工作流(二):编码工作流 SOP"代码通常是一个词或短语,象征性地为基于语言或视觉数据的一部分赋予总结性、显著性、本质捕捉性和/或启发性的属性。"
城事漫游Molly2 个月前
人工智能·算法·prompt·ai for science·定性研究
AI赋能质性研究(八): 断言与命题写作,实现从数据到理论跨越的5个高质量 Prompt方法论基础:Saldaña 编码体系、Miles & Huberman 因果分析、Strauss & Corbin 概念化过程 核心理念:断言与命题是质性研究从"描述"上升到"理论"的关键桥梁。它们不是凭空想象,而是数据驱动、层层递进的理论阐述。
城事漫游Molly2 个月前
人工智能·prompt·ai for science·定性研究
AI赋能质性研究(一):质性编码全流程 AI Prompt 包📚 理论来源:Qualitative Data Analysis: A Methods Sourcebook(Miles, Huberman & Saldaña)
城事漫游Molly2 个月前
人工智能·prompt·ai for science·定性研究
AI赋能质性研究(四):AI辅助写分析备忘录使用说明:将 [ ] 中的内容替换为你的实际研究材料,粘贴给 AI 即可生成对应备忘录。用途:明确某个代码的内涵、边界与操作定义,防止编码漂移
城事漫游Molly2 个月前
人工智能·prompt·ai for science·提示词工程·定性研究
AI赋能质性研究(二):用 AI 做归纳编码,7 个场景提示词模板📖 理论来源:Qualitative Data Analysis: A Methods Sourcebook(Miles, Huberman & Saldaña)
城事漫游Molly2 个月前
大数据·人工智能·机器学习·prompt·ai for science·智能体·定性研究
AI与质性研究的融合(三):AI赋能质性数据分析——从编码到理论构建的新范式质性数据分析一直被认为是最具“研究者参与感”的研究过程之一。 它不是简单地“处理文本”,而是在大量原始材料中不断识别意义、比较差异、归纳模式、提炼范畴,并最终建构解释框架。
Lab_AI2 个月前
人工智能·ai for science·ai agent·ai智能体
AI for Science: MaXFlow AI Agent+ 报告体验双升级,让AI智能体更高效易用!很多时候,产品体验的提升,来自更顺畅的路径和更清晰的结构。在MaXFlow 3.14.3中,我们围绕两个高频使用场景做了一轮打磨:
阿杰学AI3 个月前
人工智能·ai·语言模型·自然语言处理·aigc·ai for science·ai4s
AI核心知识132—大语言模型之 AI for Science(简洁且通俗易懂版)AI for Science (人工智能驱动科学研究,简称 AI4S) 是目前整个人工智能领域最硬核、最具有人类历史意义的革命。
HyperAI超神经1 年前
人工智能·深度学习·机器学习·语言模型·自然语言处理·ai for science·蛋白质结构
8k长序列建模,蛋白质语言模型Prot42仅利用目标蛋白序列即可生成高亲和力结合剂蛋白质结合剂(如抗体、抑制肽)在疾病诊断、成像分析及靶向药物递送等关键场景中发挥着不可替代的作用。传统上,高特异性蛋白质结合剂的开发高度依赖噬菌体展示、定向进化等实验技术,但这类方法普遍面临资源消耗巨大、研发周期冗长的挑战,且受限于蛋白质序列组合复杂性的固有瓶颈。
HyperAI超神经1 年前
人工智能·深度学习·机器学习·蛋白质序列·ai for science·细胞图像
融合蛋白质语言模型和图像修复模型,麻省理工与哈佛联手提出PUPS ,实现单细胞级蛋白质定位蛋白质亚细胞定位(subcellular localization of a protein)是指蛋白质在细胞结构中具体的定位情况, 这对蛋白质行使其生物学功能至关重要。举个简单例子,如果把细胞想象成一个庞大的企业,其中细胞核、线粒体、细胞膜等对应总裁办、发电部、门岗等不同的部门,那么只有对应的蛋白进入正确的「部门」才能使其正常工作,否则便会导致某些疾病发生,如癌症、阿尔兹海默病。因此,精准定位蛋白质亚细胞可以说是生命科学的核心任务之一。