做科研这些年，我始终觉得，选题可能是整个研究过程中最让人头疼的一步。论文写得不好还可以慢慢修改，数据不会分析也可以继续学习，但如果一开始的问题就没有想清楚，后面读再多文献、收再多数据，都可能是在错误的方向上努力。

现在有了AI以后，找选题看起来变得非常简单。输入一个大方向，让AI生成10个论文题目，几秒钟就能得到一份看起来非常完整的清单。但是，这个是错误的用法！！

AI当然可以快速生成一个“像选题的句子”，但它可能不知道这个方向已经被研究到了什么程度，不知道所谓的研究空白是不是真的存在。通用AI生成生成的题目没有文献依据。

最近，重新读了《Nature Human Behaviour》的一篇评论文章，题目是《How to develop good research questions》。作者 Megan A. K. Peters 把研究问题的形成拆成了四个阶段：发散想法、建立文献联系、提炼核心问题，以及结合现实条件形成最终问题。

01｜第一步：尽可能把这个方向的相关论文搜出来

找选题的第一步，不应该是起题目，而是先看清楚这个方向已经研究了什么。

以前做这件事情非常耗时。我们需要先想关键词，再去不同数据库反复检索；中文论文和英文论文使用的表达不一样，还要不断切换同义词、缩写和相关概念。仅仅完成第一轮论文收集，经常花一整天时间。

现在有了Agent以后，这部分工作已经可以大幅提效。我们可以先给它一个大概方向，然后Agent可以自动扩展中英文关键词，跨数据库检索论文。以前需要一天完成的第一轮论文搜索，现在十分钟左右就可以先拿到一份相对完整的论文池。

Agent协助论文检索有两种有效的方式：

第一，如果你是Codex和Claude Code用户，你可以通过插件或者是Computer Use的功能，让Agent自动操作你的论文数据库，帮你搜索。

第二，如果你是YILA用户，操作就更简单了。YILA接入了Google Scholar，还有国内万方、知网的数据，对人文社科很友好。

例如，我会输入：

我目前关注“媒体融合传播效果评估”这个研究方向。帮搜索这个方向过去5年发表的论文。

大概2分钟，Agent自动搜索到所有相关论文。并且还标注了期刊的级别。

如果你在检索论文的时候，还在反反复复切换关键词，请切换到Agent的模式。相信我，这个部分会会大大的节约时间。

第一步的结果不是论文题目，而是一份可以继续阅读和分析的相关论文库。已有的研究题目和问题，可以帮我们打开思路。

02｜第二步：让Agent基于论文写一份研究现状综述

假设第一步收集到了100篇甚至200篇相关论文，新的问题很快就会出现：这么多论文，我应该从哪里开始看？它们分别研究了什么？哪些论文比较重要？我怎样从里面找到对选题真正有帮助的信息？

如果完全依靠人工阅读，我们可能需要用几周甚至更长时间，才能对一个方向形成基本认识。这个过程当然不能完全省略，但Agent可以先帮助我们完成第一轮阅读和整理，让我们更快看清这个领域的基本结构。

这也是AI在选题过程中第二个非常明显的提效空间：把一堆零散论文，整理成一份有证据的研究现状综述。

这里先要提一下，大家必须要避免的坑。

千万不要让AI直接写某个方向的综述。现在即使是Chatgpt、Gemini最好的模型，在学术领域依然有非常大的幻觉。

最安全的做法是，我们要让Agent基于已有论文去综述。

方法有两个：

第一，我们可以在知网或者其他数据库里，直接导出你搜集到的论文。然后，投喂给你的Agent。例如，KIMI、豆老师等。（知网可以通过自定义的方式导出论文的摘要，比较适合投喂AI)

第二，可以直接在YILA的搜索结果里，连续追问。让他去生成综述。

这一轮结束以后，我们应该得到两份结果：一份是帮助自己快速了解领域的研究现状综述，另一份是能够看到论文之间关系的证据表。

第二步的结果不是直接得到一个题目，而是对这个领域形成基本判断，知道共识在哪里、矛盾在哪里、还有什么没有解释清楚。

03｜第三步：拆开核心论文，找到一个值得改变的地方

完成综述以后，我们已经知道别人做了什么。第三步真正要解决的问题是：我还可以做什么？

Nature论文作者给出的办法非常实用：回到与自己方向最接近的核心论文，重新读一遍，并且不断追问：“如果原来的研究换一种做法，结果会怎样？”

在前面两步的基础上，我们应该选定要精读的论文，去拆解。（这个时候，我们的范围可能已经从100篇，缩小到了10篇）

需要看清每篇论文研究了谁、怎样定义概念、使用什么数据、如何测量变量、采用什么方法、得出什么结论，以及还有哪些替代解释没有被排除。

然后再逐个改变其中的关键部分：如果换一种测量指标呢？如果同时使用行为数据和问卷数据呢？如果增加一个新的对照条件呢？如果换一个平台，结论还成立吗？如果两篇论文得出了相反结论，到底是理论不同，还是方法不同？

可以这样让Agent协助：

下面是研究现状综述，以及我筛选出的核心论文：【上传综述和核心论文】请先不要直接生成论文题目。请逐篇拆解这些论文的：1. 研究问题与理论视角；2. 核心概念及其定义；3. 研究对象与数据来源；4. 变量和测量方式；5. 研究方法与主要结论；6. 尚未排除的替代解释；7. 研究边界和局限。然后比较这些论文，重点寻找：- 相同问题是否使用了不同的测量方式；- 不同论文的结论是否存在冲突；- 冲突可能来自理论、样本、数据还是方法；- 哪些研究只使用了单一类型的数据；- 哪些共同假设还没有被直接检验；请基于以上证据形成3—5个可以继续推进的方向。每个方向都要说明对应论文、准备改变的部分、要检验的假设、能够解决的争议，以及它为什么不只是简单地换一个样本。

这样，候选问题就会从文献里慢慢长出来。

04｜第四步：对候选问题进行收敛，留下一个真正做得完的问题

第三步可能会得到3—5个候选问题。第四步不是继续追求哪个题目听起来更高级，而是判断：哪一个问题既有研究价值，又是我真正能够完成的？

一个候选问题至少要接受几轮检查。它是否有明确的文献依据？与最接近的研究相比，真正的差异是什么？它是带来了新的理解，还是只换了一所学校、一座城市或者一批学生？需要的数据能不能拿到？现有方法能不能回答这个问题？还有哪些混杂因素和替代解释？按照现在的时间、经费和技术条件，能不能完成？

这一轮可以让AI扮演一位比较严格的开题评审专家，对候选问题进行压力测试：

下面是我目前形成的候选研究问题：【粘贴候选问题】我的实际条件是：- 可以接触的研究对象：【填写】- 可以获得的数据：【填写】- 已经掌握的研究方法：【填写】请扮演一位严格的开题评审专家，对每个候选问题进行压力测试，分别审查：1. 文献依据是否充分；2. 与最接近研究相比，真正的差异是什么；3. 是否只是简单更换了样本或情境；4. 是否能够获得所需数据；5. 研究方法能否真正回答问题；请为每个候选问题给出：支持它的核心文献、最大的研究价值、最明显的缺陷、最小可行版本和条件充足时的进阶版本。不要替我作出最终选择。

最终选择哪个问题，仍然不能完全交给AI。因为只有研究者自己知道，哪个现象真正让我感兴趣，哪个问题值得我投入时间，哪些数据是我能够获得的，以及我是否愿意为这个问题持续工作。

AI负责帮我们看清已有研究，研究者负责决定下一步往哪里走。

选题过程中，还要避开常见的坑

第一，不要因为已经读了很多文献，就舍不得换题。发现问题已经被回答，或者数据根本无法获得，该回头就回头。已经投入的时间，不是继续在错误方向上投入的理由。

第二，发现别人做过类似研究，不要立刻放弃。很多创新并不是“全世界从来没人做过”，而是在一个很小但关键的地方，比已有研究再往前走了一步。

第三，研究问题和论文选题应该建立在文献搜索的基础上。第一步永远是先检索到足够的文献。千万不要空对空的和AI聊选题。