让 AI 多做一些，也看清判断从何而来

最值得改变的前提是：熟悉统计工具，并不等于已经形成了本次任务的独立立场。助手能把某个目标包装成完整、可执行的分析路径，人跟随时可能是在接受一套合理解释，而不是犯一个显眼的计算错误。因此，单查代码和数值仍可能漏掉“为什么选这个结果指标”。

一种值得尝试的做法，是在助手开始分析前先写下目标、备选口径和愿意改变立场的证据，再让它分别展开不同路径。这里的关键不是禁止被说服，而是让改变有迹可循：是发现了新事实，还是第一次听到了顺畅的理由？这属于从实验机制导出的工作建议，研究并未验证它能改善长期判断能力。

不用助手的 11 人更常报告发现重大数据问题，但两组由参与者自行选择，不能据此声称“不用 AI 会更准确”。同样，农业背景陌生、单次任务以及刻意放大的助手倾向，都限制了外推。后续更有价值的是比较不同交互顺序能否让人更准确地表达并修订自己的目标，而不只统计是否接受了答案。

两个问题并不完全等价。预测既有评审会选谁，与判断相对于全部已知工作的独创性，本来就可能需要不同线索；这既是研究发现，也提醒我们不要把提示词敏感性简单解释成模型随机摇摆。如果应用要挑选真正值得做的研究，就不能只用“能猜中评审偏好”验证评委。

更可迁移的用途，是让模型交出判断所依据的最近邻工作、共用机制和具体差别，再由研究者判断差别是否成立。这样，检索可以直接减少遗漏文献，即使最终新颖性分数仍不可靠。反过来，若只接收总分，提示词、给了哪些论文和默认的评判对象都会藏进一个数字。

实际采用前，可以拿领域内有明确争议与明确先例的少量材料，检查换一种问法是否改变关键理由，而不只看排序相关性。本期没有执行这样的评测，也未找到针对这篇工作的成熟独立复现；图中的差异只支持所测样本与设置下的结论。

这里的工程价值在于重新组织人的阅读入口。原先审查者要在上千页中同时完成寻找、理解和裁定；系统先给出带位置与依据的候选，人才有机会把时间花在核对与追问上。这个机制也解释了为什么“给出更多评论”本身不够：意见若没有正确参照文件和页码，反而增加寻找成本。

报告同时留下了很具体的缺口。模型没有收到人工可以查阅的所有前序记录，两个“匹配人工发现”的问题需要裁定者解释才能对应；大多数人工与模型评论在本研究标准下都不需行动。此外，系统目前未逐窗口校验输出格式，某类不可读答复可能不被自动标记。这些细节说明页面已送入模型、意见可解析、证据足够和裁定正确，是几个不同条件。

因此，可借鉴的是覆盖记录、受控参照、跨页核对与人工处理的组合，效果数字仍需放回四份记录的探索性研究。原始批次资料不公开，系统也尚未作为药品生产质量管理规范（GMP）下的计算机系统完成验证。对其他文件审查任务，值得先问“能否少找一些资料而保持发现能力”，再谈推广；本例没有给出临床安全性或药物疗效的证据。