AI 賦能學術寫作
讓 AI 成為你的研究夥伴
Vista Cheng
https://www.vista.tw
Vista Cheng
內容策略顧問 / AI 應用講師
世新大學兼任講師、經濟日報與科技島專欄作家、前風傳媒產品總監。專注於 AI 輔助內容策略與學術應用，致力於幫助研究者善用 AI 工具提升研究效率。
Vista 作品集
出版近 20 本書籍，涵蓋電腦書、小說、人物傳記、文案寫作、內容行銷、AI 應用與個人品牌等主題
社群與電子報
Vista 電子報
每週精選 AI 工具與學習資源
AI 好好用
Facebook 社團，各領域 AI 使用者交流
博碩士生練功團
專為研究生打造的學習社群
180
分鐘
今天我們將一起學習如何運用 AI 工具，提升你的學術研究與論文寫作效率。
課程核心目標
讓 AI 成為你的研究助理，而非取代你的思考。
人機協作，而非人機替代。
課程三大支柱
工具
認識 10+ 種 AI 學術工具，找到最適合你的組合。
方法
掌握提示工程和 AI 輔助分析的系統方法。
倫理
理解 AI 使用的邊界，堅守學術誠信。
WEF 2030 核心技能
AI 素養
理解 AI 能力邊界，善用 AI 工具提升工作效率。
批判思維
對 AI 產出保持質疑，驗證資訊正確性。
創意思考
AI 處理重複工作，人類專注創意與洞察。
WEF 2030 核心技能地圖
資料來源：世界經濟論壇《2025 未來就業報告》
2030 年核心技能四大象限
Core Skills
AI 與大數據、創造力、自我覺察、韌性與彈性。
Emerging Skills
網路安全、環境永續、科技素養。
Out-of-focus
傳統程式設計、基礎閱讀寫作、體力勞動。
Steady Skills
客戶服務、時間管理、基礎溝通。
為什麼研究生需要 AI？
-
時間挑戰
文獻閱讀與整理耗費大量時間，壓縮創意思考的空間
-
資源競爭
學術發表競爭激烈，效率成為關鍵優勢
-
專業門檻
跨領域研究需要快速掌握新知識
-
效率提升
AI 可將重複性工作自動化，讓你專注核心研究
AI 在學術研究的六大應用
輸入端
- 🔍 文獻檢索：快速定位相關研究，建立文獻地圖
- 📊 數據分析：輔助質性與量化資料處理
- 📚 參考文獻：自動管理引用格式
輸出端
- ✍️ 論文寫作：初稿生成、結構優化、語言潤飾
- 🌐 翻譯潤色：跨語言學術表達
- ✅ 查重驗證：確保學術誠信
01
論文基礎與 AI 概論
建立正確的 AI 使用觀念
AI 助力寫作的核心價值
AI 不是萬能的寫作機器，而是一位隨時待命的研究助理。
提升效率，保留思考。
為什麼需要 AI 輔助論文撰寫？
-
時間壓力
碩博士生面臨修課、研究、生活的多重壓力，時間永遠不夠用
-
資訊爆炸
每年數百萬篇學術論文發表，人工閱讀已不可能面面俱到
-
跨域需求
現代研究越來越跨領域，需要快速理解不同學科的核心概念
-
品質要求
學術發表的審稿標準越來越嚴格，需要更精確的表達
AI 如何提升撰寫成效？
-
自動生成初稿大綱
根據研究問題快速產生論文架構，節省構思時間
-
優化結構與參考文獻
AI 協助檢查論文邏輯、補充相關文獻
-
跨語言多風格表達
從中文構思到英文發表，AI 協助語言轉換與潤飾
AI 輔助學術寫作四大策略
結構化指導
讓 AI 提供論文架構建議，確保邏輯完整。
主動共寫
人寫核心論點，AI 協助擴展與潤飾。
批判性回饋
讓 AI 扮演審稿人，找出論證弱點。
導向探索
用 AI 探索未知領域，發現新研究方向。
常見 AI 工具介紹
對話生成型
- 💬 ChatGPT — OpenAI 開發，最普及的 AI 助手，擅長語言組織、創意發想與多輪對話
- 🎭 Claude — Anthropic 開發，深度分析能力強，擅長倫理思考、長文理解與細緻反思
- ♊ Gemini — Google 開發，與 Google 生態整合，架構化分析能力強，支援多模態
整合應用型
- 🪟 Copilot — Microsoft 開發，深度整合 Word/Excel/PowerPoint，文件協作效率高
- ⚡ Grok — xAI 開發，即時整合社群資訊，創意方案發想能力突出
- 🤖 Perplexity — AI 搜尋引擎，每個回答附上來源引用，適合學術查證
AI 工具各有所長
✅ 語言與創意型
- ✅ ChatGPT：高互動、語言組織力強
- ✅ Grok：即時資訊、創意方案
- ✅ Gemini：中立、架構良好
✅ 分析與專業型
- ✅ Claude：細緻反思、倫理敏感
- ✅ NotebookLM：結構化研究管理
- ✅ Napkin：靈感視覺化
AI 工具選擇建議
-
創意卡關
使用 ChatGPT 或 Grok 腦力激盪，產生多元觀點
-
結構混亂
使用 Claude 或 Gemini 進行邏輯分析與架構重整
-
細節遺漏
使用 NotebookLM 彙整文獻，確保資訊完整
-
視覺呈現
使用 Napkin 將研究框架轉為圖表
-
簡報製作
使用 Gamma 快速生成視覺化簡報
AI 的優勢與限制
優勢
- 大幅加速文獻搜集與整理
- 提供多角度思考框架
- 24/7 隨時可用的研究助理
- 跨語言能力強大
限制
- 可能產生幻覺（hallucination）
- 無法取代批判性思考
- 訓練資料有截止日期
- 對特定領域知識可能不足
AI 倫理與使用原則
傳播研究者的特別提醒
傳播領域的研究高度仰賴個人脈絡感知、查證經驗與新聞判斷。AI 可以協助你整理文獻、組織論述，但無法取代你對新聞文本與閱聽人情境的獨特詮釋。
AI 是工具，不是共同作者。
AI 不會取代創造力，它會成為創造力的擴張器。它讓人類能從繁瑣的執行工作中解放，專注於更高層次的構思與創意。
— 山姆．阿特曼（Sam Altman）
OpenAI 執行長。
AI 工具的學術影響力
10x
文獻搜尋效率
AI 輔助 vs. 手動搜尋
3x
編碼速度
AI 輔助質性分析
60%
減少重複工作
自動化文獻管理
2x
論文產出效率
從初稿到定稿
各校 AI 使用政策趨勢
-
透明揭露
多數學校要求在論文中說明 AI 工具的使用方式
-
輔助而非替代
AI 可用於文獻整理、語言潤飾，但不可代寫核心論述
-
教師裁量
各課程教授可自訂 AI 使用規範
-
持續更新
政策隨技術發展不斷調整，請關注學校最新公告
建立你的 AI 研究工作流
選擇工具
根據研究需求挑選 2-3 個核心 AI 工具
設定邊界
明確哪些工作交給 AI，哪些自己完成
驗證習慣
養成檢查 AI 產出正確性的習慣
記錄過程
記錄 AI 使用方式，方便論文中揭露
持續學習
AI 工具更新快，保持學習新功能
AI 工具的演進速度
-
2022 年 11 月
ChatGPT 發布，開啟 AI 對話時代
-
2023 年
GPT-4、Claude 2 相繼推出，能力大幅提升
-
2024 年
多模態 AI 成熟，能處理文字、圖片、語音
-
2025 年
AI Agent 興起，能自主完成多步驟任務
-
2026 年
AI 已成為學術研究的標準配備
AI 在學術界的里程碑
ChatGPT 問世
學術界開始討論 AI 對論文寫作的影響
各校制定政策
全球大學陸續發布 AI 使用指南
專業工具成熟
NotebookLM、STORM 等學術專用 AI 工具上線
審稿 AI 登場
Agentic Reviewer 達到接近人類審稿水準
人機協作常態化
AI 輔助成為學術研究的標準工作流程
傳播研究者面臨的三大 AI 機會
跨域文獻整合
AI 可以快速整合傳播學、社會學、心理學等跨領域文獻。
質性分析加速
AI 協助處理大量訪談、田野筆記等質性資料。
多語言學術交流
AI 翻譯讓傳播研究更容易參與國際學術對話。
一位研究生的故事
Amy 是某大學的博二學生，正在寫關於「沉浸式劇場觀眾體驗」的論文。她每天花 4 小時閱讀文獻，卻覺得進度緩慢。指導教授建議她試試 AI 工具。
她用 NotebookLM 上傳了 20 篇核心文獻，AI 在 5 分鐘內生成了文獻比較表。接著她用 Claude 幫她建立訪談編碼框架，效率提升了三倍。最後用 ChatGPT 潤飾英文摘要，順利投稿到國際研討會。
AI 沒有替她寫論文，但讓她有更多時間做真正重要的事：思考、分析、創造。今天，我們就來學習這些工具。
今天你會學到的四件事
高效搜尋
用 AI 工具在 10 分鐘內找到過去需要一週才能蒐集的文獻。
聰明閱讀
讓 AI 幫你快速理解艱深的論文，抓到核心重點。
有效寫作
用提示工程技巧讓 AI 成為你的寫作教練。
嚴謹分析
用 AI 輔助質性資料分析，同時確保學術誠信。
破冰實作：用 AI 自我介紹
- 1 開啟 ChatGPT 或 Claude，用一段 prompt 讓 AI 幫你生成一段學術自我介紹
- 2 包含你的研究領域、興趣方向
- 3 說明你目前的論文進度或研究計畫
- 4 請 AI 用學術風格改寫
- 5 比較 AI 版本與你原本的版本有何不同
02
AI 學術工具巡禮
文獻檢索篇
文獻檢索的重要性
好的研究始於好的文獻回顧，而 AI 可以讓你的檢索效率提升十倍。
站在巨人的肩膀上，用 AI 幫你找到巨人。
If I have seen further, it is by standing on the shoulders of giants.
— Isaac Newton
科學家。
ExCITATION
期刊排名查詢工具
快速查詢期刊影響力指標，幫助你選擇投稿目標期刊。
ExCITATION 網站介面
https://excitation.tech/ — 透過 Google Scholar 數據排序期刊影響力。
ExCITATION 核心功能
-
期刊排名查詢
透過 Google Scholar 數據查詢期刊的 h-index 與排名
-
跨領域比較
在不同學科間比較期刊的影響力
-
投稿參考
根據期刊排名選擇適合的投稿目標
-
趨勢追蹤
觀察期刊排名的歷年變化趨勢
ExCITATION 使用步驟
進入網站
開啟 Google Scholar 的期刊排名頁面
選擇類別
從學科分類中選擇你的研究領域
查看排名
瀏覽該領域的期刊 h5-index 排名
比較分析
對比多個目標期刊的影響力指標
記錄結果
將合適的期刊加入你的投稿清單
傳播領域的期刊選擇
傳播研究的期刊選擇不只看影響因子。請同時考量期刊的學術取向（理論 vs. 實務）、審稿風格、是否接受跨領域研究等因素。
選對期刊，事半功倍。
期刊選擇的實用考量
-
學術聲譽
影響因子（Impact Factor）和 h-index 是基本指標
-
審稿速度
有些期刊審稿半年，有些三個月就有結果
-
開放近用
Open Access 期刊讓更多人能讀到你的研究
-
主題匹配
確認期刊的 Scope 與你的研究方向一致
-
投稿費用
部分 Open Access 期刊需要繳納版面費
Google Scholar
PDF 閱讀器
內建 AI 摘要與導覽功能的學術 PDF 閱讀工具。
Google Scholar PDF Reader
Chrome 線上應用程式商店 — 免費安裝，為學術 PDF 加入 AI 摘要與導覽功能。
Google Scholar PDF 閱讀器功能
-
引用資訊摘要
自動顯示論文被引用次數與相關文獻
-
AI 大綱生成
自動產生論文結構大綱，快速掌握全貌
-
圖形導覽
點擊圖表即可跳轉到對應段落
-
引用格式複製
一鍵複製 APA、MLA 等引用格式
-
文章收藏
將重要論文加入個人圖書館
善用 PDF 閱讀器的閱讀策略
先看大綱
用 AI 大綱快速掌握論文結構
讀摘要結論
先看 Abstract 和 Conclusion 決定是否深讀
標記圖表
利用圖形導覽找到關鍵數據
追溯引用
透過引用資訊找到延伸文獻
批次收藏
將相關論文收藏到同一資料夾
Explainpaper
論文閱讀理解工具
上傳論文，AI 用白話解釋每一段的內容。
跨越語言障礙
傳播研究的英文文獻讀不懂？Explainpaper 讓你用中文理解英文論文。
不再因為語言障礙錯過重要文獻。
Explainpaper 網站介面
https://www.explainpaper.com/ — 上傳論文，AI 用白話解釋每一段內容。
Explainpaper 的價值
-
白話翻譯
將艱澀的學術用語翻譯成易懂的語言
-
段落解說
選取任意段落，AI 逐段解釋含義
-
概念釐清
對專業術語提供定義與範例
-
跨語言支援
可以用中文詢問英文論文的內容
Explainpaper 使用流程
上傳論文
將 PDF 檔案上傳到 Explainpaper
瀏覽全文
系統自動解析並顯示論文全文
選取段落
用滑鼠選取你不理解的段落
獲得解釋
AI 即時提供該段落的白話解說
追問細節
對解釋不夠清楚的地方繼續提問
適合傳播研究生的使用情境
當你需要閱讀社會學、心理學、傳播學等跨領域論文時，Explainpaper 可以快速幫你理解不熟悉的理論框架和研究方法。
跨領域閱讀的最佳幫手。
Research Rabbit
文獻探索視覺化工具
像兔子洞一樣，從一篇論文出發，探索整個文獻網絡。
文獻探索的新思維
傳統文獻搜尋像在圖書館找書，Research Rabbit 像在地圖上探索新大陸。
從線性搜尋到網絡式探索。
Research Rabbit 使用示範
影片來源：YouTube — Research Rabbit 文獻探索工具示範。
Research Rabbit 核心功能
-
視覺化文獻網絡
將引用關係以圖形化方式呈現
-
相關論文推薦
根據你收藏的論文推薦相似研究
-
作者網絡
探索研究者之間的合作與引用關係
-
時間軸瀏覽
按年份瀏覽某一主題的研究發展
Research Rabbit 探索策略
種子論文
加入 2-3 篇你最核心的參考文獻
展開探索
查看這些論文的引用與被引用網絡
篩選收藏
將相關性高的論文加入收藏夾
建立地圖
逐步建構你研究主題的文獻地圖
匯出管理
將結果匯出到 Zotero 等文獻管理工具
文獻探索的心法
不要只讀你熟悉的文獻。用 Research Rabbit 跳出同溫層，發現意想不到的跨領域連結。
突破學科藩籬，發現新的研究靈感。
Publish or Perish
文獻計量分析工具
Anne-Wil Harzing 開發的免費工具，結合多資料庫進行學術影響力分析。
量化文獻影響力
不只是讀文獻，更要理解文獻的影響力與地位。
Publish or Perish 幫你快速掌握學術地景。
Publish or Perish 使用示範
影片來源：YouTube — Publish or Perish 文獻計量工具示範。
Publish or Perish 是什麼？
-
免費開源
由 Anne-Wil Harzing 教授開發維護的免費軟體
-
多資料庫
整合 Google Scholar、Scopus、Web of Science 等資料庫
-
計量分析
計算 h-index、g-index、引用次數等學術指標
-
匯出功能
支援 CSV、BibTeX、RIS 等多種匯出格式
PoP 常見應用場景
文獻快搜
快速搜尋特定主題或作者的所有發表。
影響力分析
分析研究者或期刊的引用指標與 h-index。
學者識別
找到你研究領域的核心學者與重要論文。
PoP 功能導覽
-
多資料庫檢索
同時搜尋 Google Scholar、Crossref、Scopus 等
-
查詢條件設置
支援作者、關鍵字、期刊名、年份範圍等篩選
-
結果瀏覽排序
按引用次數、年份、相關性等方式排序
-
批次匯出
一次匯出所有搜尋結果供後續分析
文獻檢索基本策略
定義問題
明確你的研究問題與關鍵概念
選擇關鍵詞
列出核心關鍵字及其同義詞
組合搜尋
使用布林運算組合關鍵字
篩選結果
依據相關性、引用數、年份篩選
延伸追蹤
從重要論文的參考文獻繼續擴展
布林運算與萬用字元
-
AND（且）
art AND therapy — 兩個關鍵字都必須出現
-
OR（或）
theater OR theatre — 任一關鍵字出現即可
-
NOT（非）
performance NOT musical — 排除特定關鍵字
-
* 萬用字元
cultur* — 符合 culture、cultural、culturally 等
-
" " 精確搜尋
"digital art" — 搜尋完全符合的詞組
高級檢索技巧
-
欄位限定
title:「新聞框架」— 只搜尋標題含該詞的論文
-
年份範圍
設定 2020-2026 篩選最新研究
-
引用閾值
篩選引用次數 > 10 的高影響力論文
-
作者追蹤
搜尋特定學者的所有發表
報告產出與資料視覺化
-
CSV 匯出
匯出為試算表格式，方便統計分析
-
BibTeX 匯出
直接匯入 LaTeX 文獻管理
-
RIS 匯出
匯入 Zotero、EndNote 等管理工具
-
統計摘要
自動產生引用統計圖表與 h-index 報告
h-index 小教室
h-index 是衡量學術影響力的指標：h 值為 N 表示有 N 篇論文被引用 N 次以上。例如 h-index = 10 表示有 10 篇論文各被引用至少 10 次。不同學科標準不同，傳播領域通常低於理工科。
數字只是參考，品質才是關鍵。
PoP 與文獻管理軟體整合
-
Zotero
免費開源，適合個人研究者，瀏覽器外掛方便收藏
-
EndNote
功能完整，適合大型研究計畫，多人協作
-
Mendeley
社群功能強，可發現研究同好
-
整合流程
PoP 搜尋 → 匯出 RIS/BibTeX → 匯入文獻管理軟體
文獻檢索實作
- 1 用 Publish or Perish 或 Google Scholar 搜尋你研究領域的關鍵文獻
- 2 列出 3-5 個與你研究相關的關鍵字
- 3 使用布林運算組合搜尋
- 4 找到至少 5 篇高引用次數的核心文獻
- 5 記錄這些文獻的作者、年份、期刊、引用次數
- 6 與旁邊同學分享你的搜尋策略
文獻管理工具比較
✅ Zotero（推薦）
- ✅ 免費開源
- ✅ 瀏覽器外掛一鍵收藏
- ✅ 支援群組協作
- ✅ 插件生態豐富
✅ EndNote
- ✅ 需付費授權（學校可能有）
- ✅ 功能最完整
- ✅ 大型團隊協作佳
- ✅ 歷史悠久，支援度高
一篇好的文獻回顧，不只是列出你讀了什麼，更是展現你的思考脈絡。
— Joseph A. Maxwell
質性研究方法論學者。
第二章重點回顧
文獻搜尋工具
- 📊 ExCITATION — 期刊排名查詢
- 🔍 Google Scholar — AI 大綱與 PDF 閱讀
- 📖 Explainpaper — 白話解讀論文
文獻管理工具
- 🐰 Research Rabbit — 視覺化文獻網絡
- 📈 Publish or Perish — h-index 分析
- 📚 Zotero — 免費文獻管理
關鍵字選擇的方法
-
核心概念
從你的研究問題中提取 3-5 個核心概念
-
同義詞擴展
每個概念找 2-3 個同義詞或相關詞
-
英文對照
傳播領域常需中英文雙語搜尋
-
術語層次
從廣義到狹義，逐步聚焦搜尋範圍
AI 輔助關鍵字發想
我的研究題目是「臺灣數位新聞媒體的閱聽人參與模式」。請幫我： (1) 列出 5 組中英文搜尋關鍵字組合 (2) 每組包含核心詞 + 擴展詞 (3) 建議搭配的布林運算式 (4) 標註哪些關鍵字適合在哪個資料庫使用
AI 將根據你的題目提供結構化的關鍵字策略，幫你更有效地搜尋文獻。
文獻篩選的漏斗策略
廣泛搜尋
先用寬鬆條件搜尋 100-200 篇相關文獻
標題篩選
根據標題快速排除明顯不相關的文獻
摘要篩選
閱讀摘要，保留 30-50 篇高度相關文獻
全文精讀
深入閱讀 15-20 篇核心文獻
雪球法延伸
從核心文獻的參考書目繼續擴展
文獻管理的最佳實踐
-
統一工具
選定一個文獻管理軟體（推薦 Zotero），始終如一地使用
-
即時歸檔
找到論文就立刻存入工具，不要堆積
-
標籤分類
用標籤系統分類文獻（按主題、方法、理論等）
-
閱讀筆記
每篇文獻都寫簡短筆記，日後才能快速回顧
-
定期整理
每週花 30 分鐘整理和回顧文獻庫
傳播領域文獻的特殊性
傳播研究的文獻來源不僅限於學術期刊。媒體白皮書、記者訪談、新聞評論、編輯室論述、產業雜誌等都可能是重要的文獻來源。
搜尋時請善用這些非傳統學術管道。
傳播研究的文獻類型
學術文獻
期刊論文、學位論文、學術專書、研討會論文。
傳播文獻
媒體白皮書、記者手冊、新聞評論、編輯室論述。
灰色文獻
政府報告、基金會出版品、媒體機構年報。
中文 vs. 英文文獻搜尋策略
✅ 中文文獻
- ✅ 臺灣博碩士論文系統
- ✅ 國家圖書館期刊文獻
- ✅ 華藝線上圖書館
- ✅ 全國學術電子資訊資源
✅ 英文文獻
- ✅ Google Scholar
- ✅ JSTOR / Web of Science
- ✅ Scopus
- ✅ Art Full Text
Zotero 實用功能導覽
-
瀏覽器外掛
一鍵從 Google Scholar 或期刊網站收藏論文
-
PDF 管理
內建 PDF 閱讀器，可以直接在文獻上做標記
-
自動引用
在 Word 或 Google Docs 中一鍵插入引用
-
群組協作
與指導教授或同學共享文獻庫
-
標籤系統
用標籤分類文獻，方便日後檢索
Zotero 官方網站
https://www.zotero.org/ — 免費開源的文獻管理工具，支援瀏覽器外掛與多平臺同步。
✅ Zotero 快速上手五步驟
✅ 安裝軟體
從 zotero.org 下載安裝桌面版
✅ 裝瀏覽器外掛
安裝 Zotero Connector 擴充功能
✅ 收藏文獻
在 Google Scholar 上按外掛圖示一鍵收藏
✅ 整理分類
建立資料夾和標籤系統
✅ 產生引用
在 Word 中用 Zotero 插件插入參考文獻
善用傳播領域專業資料庫
-
JSTOR
大量人文傳播領域的學術期刊全文
-
Art Full Text
傳播類專業期刊索引
-
Communication Abstracts
傳播學科的專門索引資料庫
-
臺灣博碩士論文系統
搜尋國內相關學位論文
-
國家圖書館期刊文獻
臺灣學術期刊論文索引
文獻搜尋策略改善
❌ 效率低的搜尋
- 隨機輸入關鍵字
- 只搜尋一個資料庫
- 看到就下載，不做篩選
- 讀完就忘，沒有整理
✅ 系統化的搜尋
- 使用布林運算組合關鍵字
- 交叉搜尋多個資料庫
- 用漏斗策略逐步篩選
- 即時歸檔並撰寫閱讀筆記
AI 輔助文獻摘要整理
請閱讀以下論文摘要，幫我整理成文獻卡片格式： [貼上摘要] 格式要求： - 作者/年份/期刊 - 研究問題（一句話） - 研究方法 - 主要發現（3 點以內） - 與我的研究的關聯 - 值得引用的關鍵句
AI 將把每篇論文的核心資訊整理成統一格式的卡片，方便你日後寫文獻回顧時快速查閱。
建立個人文獻地圖
內圈（必讀）
- 🎯 核心圈：與你的研究最直接相關的 5-10 篇文獻
- 📚 支持圈：提供理論背景或方法參考的 10-20 篇文獻
外圈（選讀）
- 🌐 延伸圈：跨領域或補充性質的 10-15 篇文獻
- ⚖️ 對比圈：持不同觀點的文獻，用來強化論述
03
AI 學術工具巡禮
深度學習篇
工具改變了我們的工作方式，但不應改變我們追求真理的態度。
— Thomas Kuhn
科學哲學家。
從搜尋到理解
找到文獻只是第一步，深度理解才是研究的核心。
AI 幫你讀得更快、理解得更深。
NotebookLM
Google AI 筆記助手
由 Google 推出的 AI 研究工具，基於 Gemini 模型，專為深度學習設計。
NotebookLM 快速導覽
影片來源：YouTube — NotebookLM 功能快速導覽。
NotebookLM 五大核心功能
-
AI 知識輔助
針對你上傳的資料提供智慧問答
-
個性化探索
根據你的問題方向提供客製化回應
-
資料關聯分析
自動發現不同文獻之間的關聯
-
自動摘要
為長篇文獻生成結構化摘要
-
知識圖譜
視覺化呈現概念之間的關係
技術核心
NotebookLM 基於 Gemini 1.5 Pro 模型，支援長達 100 萬 token 的上下文視窗。
一次可以理解整本書的內容。
NotebookLM 六大學術應用
輸入與探索
- 📂 文獻管理：上傳多篇論文，建立專屬知識庫
- 🔎 研究問題發掘：從文獻中發現研究缺口
- 📝 筆記自動化：AI 自動整理閱讀筆記
分析與產出
- 🔗 跨學科整合：連結不同領域的研究發現
- ✍️ 論文寫作：基於文獻生成段落初稿
- 👥 協作分享：與指導教授或同學共享筆記本
NotebookLM 支援的格式
-
Google 文件
直接從 Google Drive 匯入文件
-
Google 簡報
匯入簡報內容作為知識來源
-
PDF 檔案
上傳學術論文 PDF
-
YouTube 影片
加入學術演講或課程影片連結
-
純文字檔案
複製貼上任何文字內容
NotebookLM 新手快速上手
基本設定
- 1️⃣ 開啟 notebooklm.google.com
- 2️⃣ 用 Google 帳號登入
- 3️⃣ 點擊 New Notebook 建立筆記本
開始使用
- 4️⃣ 拖放 PDF 或貼上文字、連結
- 5️⃣ 在對話框輸入你的問題
- 6️⃣ 嘗試生成 Audio Overview 和學習卡
NotebookLM 問答技巧
-
比較提問
「這兩篇論文在方法論上有什麼差異？」
-
摘要提問
「用三句話摘要這篇論文的核心發現」
-
批判提問
「這篇研究的方法有哪些可能的限制？」
-
延伸提問
「根據這些文獻，還有哪些值得探索的研究方向？」
NotebookLM 特色功能
Audio Overview
將文獻轉為 Podcast 風格的語音摘要，通勤時也能學習。
學習卡片
自動產生 Flashcard 幫助記憶關鍵概念。
心智圖
自動將文獻內容整理為心智圖結構。
三步驟學習循環
產生學習卡
上傳文獻後，讓 NotebookLM 自動生成概念學習卡與專有名詞字典
聽語音摘要
播放 Audio Overview，同時在紙卡上速記重點
閉眼回想
關閉所有資料，嘗試用自己的話重述核心內容
步驟一：產生學習卡
-
自動生成
NotebookLM 根據文獻自動產生概念卡片
-
術語字典
為專業術語提供定義與範例
-
知識測驗
透過問答檢視自己的理解程度
-
匯出筆記
將學習卡匯出為文字檔供複習
學習科學的觀點
認知心理學研究顯示：主動回憶（Active Recall）比被動閱讀有效 3 倍。NotebookLM 的學習卡片正是基於這個原理設計的。
先用 AI 生成摘要，再自己嘗試回憶 — 科學證實最有效的學習方式。
步驟二：聽語音摘要 + 手寫筆記
-
Audio Overview
系統將文獻轉為兩人對話形式的語音摘要
-
手寫速記
邊聽邊在 A6 紙卡上寫下關鍵字
-
多感官學習
結合聽覺與書寫，加深記憶效果
-
碎片時間
通勤、運動時都能進行文獻學習
步驟三：閉眼回想
-
主動回憶
不看任何資料，嘗試回想文獻核心觀點
-
自我測試
用自己的話解釋三個最重要的概念
-
找出盲點
注意哪些部分回想不起來，回頭重新學習
-
間隔複習
隔天再次回想，強化長期記憶
知識卡片盒方法
文獻卡
記錄每篇論文的書目資訊、核心論點、方法論、關鍵發現。
永久卡
用自己的話重新闡述概念，建立個人理解的知識網絡。
心智圖
將多張卡片的概念連結起來，形成研究的整體架構。
NotebookLM 操作五步驟
登入建立
用 Google 帳號登入，建立新的筆記本
上傳資料
加入 PDF 論文、Google 文件或 YouTube 連結
產生學習材料
點擊生成學習卡、語音摘要與心智圖
互動問答
向 AI 提出你的研究問題
整理輸出
將 AI 回答整理成你的文獻筆記
NotebookLM 的幕後推手
Steven Johnson，暢銷書作家與 Google NotebookLM 產品負責人。
NotebookLM 的誕生故事
NotebookLM 由 Google 的 Steven Johnson 團隊開發。Johnson 是暢銷書作家，長期關注創新與知識管理。他希望打造一個「source-grounded AI」，也就是以使用者提供的資料為基礎進行分析的 AI 工具。
不同於 ChatGPT 等通用 AI，NotebookLM 的設計哲學是「你的資料，你的知識」。它不會用網路上的隨機資訊回答你，而是嚴格基於你上傳的文獻。這對學術研究特別重要，因為我們需要的是可追溯、可引用的知識。
這個工具的名字「NotebookLM」中的 LM 代表 Language Model，Notebook 則暗示它是你的個人筆記本。它的目標是成為每位研究者的專屬知識助理。
Steven Johnson 的 8 個專家技巧（上）
-
上傳 10 個文件開始實驗
找出最近的 10 個文件上傳，即使毫無關連也能發現有趣的洞見。
-
建立 Everything 筆記本
將日常工作的各種資料集中在一個主筆記本，再分出主題筆記本。
-
連接不同素材的節點
把分散在桌面、分頁各處的資訊匯入 NotebookLM，串聯成完整脈絡。
-
從建議的問題開始
不知道問什麼？用「筆記本導覽」的建議問題當起點，逐步深入。
Steven Johnson 的 8 個專家技巧（下）
-
要求不同方式呈現資訊
轉換為 FAQ、摘要、時間軸、學習指南、音訊總覽，找到適合你的格式。
-
不要迴避創意用途
科幻小說、遊戲世界觀、劇本開發 — NotebookLM 不只是學術工具。
-
善用音訊總覽
將文件轉為兩位 AI 主持人的對話，通勤時也能學習。可自訂聚焦方向。
-
重溫聊天對話
對話結束時請 NotebookLM 總結關鍵重點，按「儲存至記事」留存洞見。
NotebookLM 的限制與因應
-
檔案限制
單一筆記本最多 50 個來源，請分主題建立多個筆記本
-
格式限制
不支援掃描版 PDF（需要 OCR 處理過的檔案）
-
語言偏好
英文分析能力較強，中文資料可能需要額外確認
-
更新頻率
功能持續更新中，建議定期檢查新功能
NotebookLM 進階應用：論文初稿輔助
-
文獻回顧段落
基於上傳的論文生成文獻回顧初稿
-
論點整理
將散落各處的論點整理成連貫的論述
-
引用建議
建議在哪些段落可以引用哪些文獻
-
結構優化
對你的論文架構提出改善建議
NotebookLM 使用注意事項
NotebookLM 的回答嚴格基於你上傳的資料，不會自行編造內容。但仍需注意：確認引用的準確性、AI 摘要可能遺漏重要細節。
批判性思考仍需由你自己完成。
持續覆盤與長期學習
-
定期回顧
每週花 30 分鐘回顧本週的學習卡片
-
更新筆記
隨著研究深入，持續更新你的永久卡
-
連結新知
將新讀的文獻與舊知識建立連結
-
分享討論
與同學或指導教授分享你的心智圖
NotebookLM 實作
- 1 上傳一篇你正在閱讀的論文到 NotebookLM，體驗 AI 輔助閱讀
- 2 登入 NotebookLM（notebooklm.google.com）
- 3 建立新筆記本，上傳一篇 PDF 論文
- 4 生成學習卡和語音摘要
- 5 向 AI 提出 3 個關於這篇論文的問題
- 6 將 AI 的回答與你的理解進行比較
真正的學習不是記住資訊，而是能用自己的話重新表達。
— Richard Feynman
物理學家、諾貝爾獎得主。
NotebookLM 在傳播研究的應用
-
策展論述分析
上傳多篇策展論述，讓 AI 找出共同主題
-
新聞工作者訪談整理
將訪談逐字稿上傳，AI 提取關鍵觀點
-
展覽評論比較
比較不同評論者對同一展覽的看法
-
理論框架建立
從多篇理論文獻中建構你的分析框架
NotebookLM 實用提問範例
我上傳了 5 篇關於「公共新聞學」的學術論文。 請幫我： (1) 找出這 5 篇論文對「觀眾參與」的定義有何異同 (2) 列出它們使用的研究方法 (3) 指出目前研究的缺口 (4) 建議我可以從哪個角度切入研究
NotebookLM 會基於你上傳的文獻，提供有來源依據的比較分析。
用 NotebookLM 建立文獻回顧框架
上傳文獻
將 10-15 篇核心文獻的 PDF 上傳
主題分類
請 AI 將文獻按研究主題分類
概念整理
要求 AI 列出所有文獻中出現的核心概念
關係圖譜
生成心智圖，展示概念間的關聯
缺口分析
請 AI 指出現有研究尚未涵蓋的面向
NotebookLM vs. 其他 AI 的差異
-
資料限定
NotebookLM 只基於你上傳的資料回答，不會編造
-
來源標註
每段回答都附上來源文獻的引用
-
私密性高
你的資料只有你能看到
-
互動深入
可以針對特定段落追問細節
NotebookLM vs. ChatGPT 在學術研究的比較
✅ NotebookLM
- ✅ 只基於你的文獻回答
- ✅ 每段回答附來源引用
- ✅ 不會產生幻覺
- ✅ 適合文獻分析與整理
✅ ChatGPT
- ✅ 基於訓練資料回答
- ✅ 知識範圍更廣泛
- ✅ 互動性強、回應快速
- ✅ 適合腦力激盪與寫作
Audio Overview 的學術應用
NotebookLM 的語音摘要功能特別適合通勤時學習。上傳文獻，生成 Audio Overview，在捷運上就能把論文「聽」完。
這只是快速理解的起點，深度分析仍需閱讀原文。
Napkin
AI 資料視覺化工具
將文字想法轉為精美圖表，讓研究框架一目了然。
Napkin AI 使用示範
影片來源：YouTube — AI 資料視覺化工具操作示範。
為什麼需要視覺化？
研究框架圖是論文的「地圖」，讓讀者一眼看懂你的研究邏輯。
好的圖表讓論文增色，也讓口試委員更容易理解你的研究。
Napkin 核心功能
-
文本轉圖表
輸入文字描述，AI 自動生成流程圖、心智圖等
-
多樣化模板
提供數十種視覺化模板供選擇
-
內容可編輯
生成後可自由調整文字、顏色、佈局
-
多格式輸出
支援 PNG、SVG、PDF 等格式匯出
Napkin 在學術研究的應用
研究框架圖
將你的理論架構轉為清晰的概念圖。
流程圖
呈現研究方法的步驟與邏輯。
比較圖表
視覺化呈現不同理論或工具的比較。
Napkin 的優勢與限制
優勢
- 快速將想法視覺化
- 不需要設計背景
- 圖表風格專業美觀
- 適合論文和簡報使用
限制
- 複雜圖表可能需要手動調整
- 免費版功能有限制
- 不適合精確的統計圖表
- 中文支援仍在改善中
Napkin 視覺化實作
- 1 用 Napkin 將你的研究框架或方法論流程視覺化
- 2 開啟 napkin.ai 網站
- 3 用文字描述你的研究架構或方法流程
- 4 讓 AI 生成視覺化圖表
- 5 調整圖表的佈局和文字
- 6 匯出圖片，未來可用在論文或簡報中
一張好圖勝過千言萬語，尤其在學術發表中。
— Edward Tufte
資訊視覺化大師。
Napkin 操作流程
登入網站
開啟 napkin.ai 並登入帳號
輸入文字
用文字描述你要視覺化的內容
選擇模板
從 AI 推薦的多種圖表中選擇
編輯調整
修改文字、顏色、佈局
匯出使用
下載 PNG/SVG 用於論文或簡報
用 Napkin 製作研究架構圖
請幫我用以下資訊製作研究架構圖： 研究題目：臺灣數位新聞媒體的閱聽人參與模式 架構元素： - 理論基礎：公共新聞學理論、閱聽人接收理論 - 研究方法：半結構式訪談 + 現場觀察 - 分析面向：互動行為、情感投入、社交分享 - 預期產出：參與模式分類、設計建議
Napkin 會將文字描述轉為清晰的研究架構圖。
論文中常用的圖表類型
-
概念框架圖
呈現研究的理論架構和變項關係
-
流程圖
展示研究步驟或分析過程
-
比較表
對比不同理論、工具或研究結果
-
時間軸
呈現研究發展歷程或資料蒐集時程
-
心智圖
展示概念之間的關聯與層次
圖表在傳播論文中的角色
傳播論文除了學術圖表外，也常需呈現新聞截圖、現場照片、編輯會議紀錄等視覺素材。善用 AI 製作學術圖表，讓你有更多時間處理傳播研究專有的視覺需求。
把重複性的圖表工作交給 AI。
04
AI 學術工具巡禮
研究輔助篇
STORM
史丹佛 AI 研究工具
由史丹佛大學開發，從研究問題到完整報告的一站式 AI 引擎。
STORM — 史丹佛 AI 研究工具
https://storm.genie.stanford.edu/ — 從研究問題到完整報告的一站式 AI 引擎。
研究是將金錢轉化為知識的過程。
— Albert Einstein
物理學家。
本章工具總覽
-
STORM
史丹佛大學開發，從研究問題到完整報告的一站式工具
-
Agentic Reviewer
吳恩達團隊開發，模擬學術審稿的 AI 系統
-
多工具協作
結合不同工具優勢，建立個人研究工作流
什麼是 STORM？
-
AI 研究引擎
自動搜尋文獻、整理資訊、生成結構化報告
-
全方位輔助
從問題定義到報告撰寫的完整流程
-
智慧協作
模擬多位研究者的角色進行資料分析
-
開源免費
基於開源技術，任何人都可以使用
STORM 核心能力
文獻檢索與總結
自動搜尋相關文獻，生成結構化的文獻摘要。
學術寫作輔助
基於搜集的文獻產生有引用的段落初稿。
大綱與結構
自動生成研究報告的章節架構。
STORM：從問題到研究報告
定義問題
輸入你的研究問題或主題
自動搜尋
STORM 自動搜尋並篩選相關文獻
多角度分析
系統模擬不同角度進行資料分析
生成報告
產出帶有引用來源的結構化報告
人工修訂
你審閱並修改 AI 生成的初稿
STORM 的使用場景
STORM 最適合用在研究初期：當你對一個主題還不夠熟悉時，用它快速生成一份調研報告，幫助你建立基本認知。
它是起點，不是終點 — 不適合替代正式文獻回顧。
STORM 的文獻檢索策略
-
廣泛搜尋
自動使用多種關鍵字組合搜尋相關文獻
-
品質篩選
根據引用次數和來源可信度篩選文獻
-
自動分類
將文獻按主題、方法、年份分類整理
-
缺口分析
找出現有文獻中尚未充分探討的面向
STORM 的大綱生成能力
-
自動擬綱
根據搜集的文獻自動生成報告大綱
-
邏輯檢查
確保章節之間的邏輯連貫性
-
深度調整
可以指定希望深入探討的章節
-
多版本比較
生成不同風格的大綱供選擇
STORM vs. 傳統文獻調研
STORM AI 調研
- ✓ 10-30 分鐘完成初步報告
- ✓ 自動搜尋多語言文獻
- ✓ 結構化的主題分類
- ✓ 適合快速探索新領域
傳統手動調研
- ✗ 需要數週的時間
- ✗ 深度理解每篇文獻
- ✗ 靈活調整搜尋方向
- ✗ 適合深耕特定主題
STORM 的語言優化
-
學術風格
自動將口語化表述轉為學術語言
-
語法修正
檢查文法、標點與語句通順度
-
一致性檢查
確保全文術語使用一致
-
多語言支援
支援中英文學術寫作
STORM 使用提醒
STORM 生成的報告是很好的起點，但不應直接作為你的論文。請將它視為文獻調研的輔助工具。
核心論點和原創貢獻仍需要你自己完成。
用 STORM 進行傳播研究主題探索
請探索以下研究主題：The Development and Audience Experience of Immersive Art Exhibitions in Taiwan.
STORM 會自動搜尋文獻，生成一份帶有引用的結構化報告。
STORM 報告的審閱要點
檢查引用
確認每個引用來源確實存在且可查證
驗證事實
核對 AI 生成的數據和日期是否正確
補充細節
在報告基礎上加入你的專業判斷
調整結構
根據你的論文需求重新組織內容
標注來源
將有用的文獻加入你的文獻管理工具
STORM 在傳播研究的應用
-
新聞與傳播史文獻調研
快速彙整某位記者或媒體運動的研究文獻
-
跨領域探索
探索傳播與科技、社會學、心理學的交叉研究
-
展覽研究
調查特定展覽形式或策展理論的學術討論
-
創作實踐研究
搜集 practice-based research 的方法論文獻
Agentic Reviewer
史丹佛 AI 審稿工具
由吳恩達團隊開發，模擬學術審稿流程的 AI 工具。
Paper Review AI
https://paperreview.ai/ — AI 論文審稿工具，可在投稿前模擬同儕審查流程。
學術審稿的痛點
-
漫長等待
投稿到收到審稿意見通常需要 3-6 個月
-
有限回饋
審稿人可能只給簡短意見，難以改善
-
審稿噪音
不同審稿人可能給出矛盾的建議
-
機會成本
等待期間無法確認論文方向是否正確
Agentic Reviewer 的誕生
Stanford Agentic Reviewer 由 AI 先驅吳恩達（Andrew Ng）與研究生 Yixing Jiang 共同開發。起因是他們觀察到學術審稿系統的低效率問題：研究者往往需要等待數月才能得到回饋。
他們設計了一個「代理式 AI」系統，模擬審稿人的思考過程：先檢索相關文獻，再過濾篩選，然後合成分析，最後進行反思與評估。這個流程確保 AI 的審稿意見有文獻根據。
Agentic Reviewer 發展歷程
專案啟動
吳恩達團隊開始研發
內部測試
在史丹佛研究群組中進行測試
論文發表
公開研究成果與方法論
公開上線
免費提供學術社群使用
0.42
Spearman 相關係數
AI 審稿與人類審稿的一致性達 0.42，接近人類審稿人之間的 0.41
代理式 AI 審稿設計
檢索
AI 自動搜尋與論文主題相關的文獻
過濾
篩選出最相關的參考文獻
合成
基於文獻分析論文的優缺點
反思
模擬審稿人的思考，產生結構化意見
使用 Agentic Reviewer 四步驟
準備輸入
將你的論文整理為 PDF 或文字格式
啟動審核
上傳論文到 Agentic Reviewer 平臺
檢視輸出
閱讀 AI 生成的結構化審稿意見
迭代修改
根據意見修改論文，可重複送審
傳統審稿 vs. AI 審稿
AI 預審（推薦先用）
- ✓ 幾分鐘內完成
- ✓ 可以無限次送審
- ✓ 意見結構化、可追溯
- ✓ 適合論文初稿階段
傳統審稿
- ✗ 需要 3-6 個月
- ✗ 通常只有 1-2 次修改機會
- ✗ 意見品質因人而異
- ✗ 適合論文定稿階段
Agentic Reviewer 使用注意事項
Agentic Reviewer 是免費的預審工具，但它不能取代正式的同儕審查。目前對英文論文的支援較佳。
最適合在投稿前進行自我檢查，找出明顯的弱點。
善用 AI 預審提升投稿成功率
-
第一輪自審
先用 ChatGPT/Claude 對論文整體結構提出建議
-
第二輪 AI 審
用 Agentic Reviewer 進行模擬審稿
-
第三輪同儕
根據 AI 建議修改後，請同學或學長姐閱讀
-
第四輪指導
經過以上步驟後再請指導教授審閱
用 ChatGPT 模擬審稿人
你是一位嚴格但公正的學術審稿人，專長為[你的研究領域]。 請審閱以下論文摘要與研究設計，並提供： (1) 整體評分（1-5 分）與評語 (2) 三個主要優點 (3) 三個需要改善的地方 (4) 具體的修改建議 (5) 是否建議接受投稿（accept / revise / reject） [貼上你的論文摘要與方法章節]
AI 會模擬審稿人的角度，提供結構化的審查意見。
AI 輔助文獻探討三步驟
-
NotebookLM 彙整
將所有文獻上傳 NotebookLM，生成主題摘要與比較分析
-
Claude 製作分析圖表
請 Claude 根據文獻摘要生成比較表格或概念框架
-
ChatGPT 生成回顧初稿
基於整理好的材料，請 ChatGPT 撰寫文獻回顧段落
多工具協作策略
Gamma
快速將研究框架或文獻回顧轉為視覺化簡報。
NotebookLM
結構化研究與資料管理的最佳選擇。
Napkin
將靈感速記轉為精美的概念圖表。
AI 工具使用的常見瓶頸與解法
-
瓶頸：創意卡關
解法：用 Grok 或 ChatGPT 進行腦力激盪
-
瓶頸：結構混亂
解法：用 Claude 分析論文架構，重整邏輯
-
瓶頸：細節遺漏
解法：用 NotebookLM 交叉比對多篇文獻
-
瓶頸：語言不精準
解法：用 ChatGPT 進行學術語言潤飾
AI 工具的合理使用邊界
-
可以做
文獻搜尋、摘要整理、語言潤飾、格式檢查
-
謹慎做
初稿生成、結構建議（需大量人工審改）
-
不應做
代替你做判斷、取代批判性思考、編造引用
-
建議做
記錄所有 AI 使用過程，方便論文揭露
STORM 研究探索實作
- 1 用 STORM 探索一個你感興趣的研究主題
- 2 開啟 STORM 網站（storm.genie.stanford.edu）
- 3 輸入一個與你研究相關的問題
- 4 瀏覽 AI 生成的報告結構
- 5 檢查引用來源的品質
- 6 思考哪些內容可以作為你文獻回顧的起點
AI 不會取代人類的創造力，但會大幅提升人類探索知識的效率。
— Andrew Ng
史丹佛大學教授、AI 先驅。
第四章重點回顧
STORM
從問題到報告的一站式研究引擎
Agentic Reviewer
AI 預審，提前發現論文弱點
多工具協作
不同工具各司其職，協同工作
使用邊界
AI 輔助而非替代研究者的判斷
預審流程
自審 → AI 審 → 同儕審 → 指導教授審
05
提示工程與論文構思
學會與 AI 有效對話
提示工程的核心
你給 AI 的指令品質，直接決定了 AI 回應的品質。
垃圾進，垃圾出；精準問，精準答。
問對問題比找到答案更重要。
— Albert Einstein
物理學家。
為什麼提示工程很重要？
-
同樣的 AI
所有人用同一個 ChatGPT，但產出品質天差地遠
-
差異在提示
輸入的品質直接決定輸出的品質
-
可學習的技能
提示工程是可以透過練習提升的技能
-
效率倍增
好的提示可以減少 80% 的來回修改時間
什麼是提示工程？
-
定義
Prompt Engineering 是設計與優化 AI 指令的技術
-
目標
讓 AI 更精準地理解你的需求，產出更有用的回應
-
核心技能
這是 AI 時代每位研究者都應掌握的基本能力
-
持續迭代
好的提示不是一次寫成的，需要反覆調整
提示工程四大基礎要素
明確指令
清楚說明你要 AI 做什麼，避免模糊的要求。
提供上下文
給 AI 足夠的背景資訊，讓它理解你的情境。
結構化格式
指定輸出格式，如表格、條列、段落等。
迭代優化
根據 AI 回應調整提示，逐步逼近理想結果。
進階提示技巧
角色設定法
指定 AI 扮演特定角色：「你是一位資深的媒體評論家...」
思維鏈技術
要求 AI 逐步推理：「請一步一步分析這個問題...」
小樣本學習
提供範例讓 AI 模仿：「以下是一個好的段落範例...」
向 AI 有效提問的六項技巧
-
具體明確
「分析這篇論文的研究方法」比「幫我看看這篇文章」好
-
設定角色
「你是一位質性研究方法的專家」設定 AI 的專業背景
-
提供範例
附上你期望的輸出格式範例
-
分步執行
複雜任務拆解成多個小步驟逐一完成
-
限制範圍
「請在 200 字內摘要」避免冗長回應
有效提示五大要素
明確目標
你希望 AI 完成什麼任務？
受眾定位
這個內容是給誰看的？
風格指引
學術正式？還是口語白話？
結構規範
輸出格式：段落、表格、條列？
背景資訊
研究脈絡、已知資訊、限制條件
常見提示錯誤 vs. 改善
❌ 模糊的提示
- 幫我寫論文
- 分析一下這個
- 給我一些建議
- 翻譯這段
✅ 精準的提示
- 為碩士論文撰寫第三章研究方法初稿
- 以質性研究角度分析訪談文本，找出三個主題
- 從審稿人角度提出 5 點改善建議
- 將中文摘要翻譯為學術英文，使用 APA 風格
提示範例：文獻回顧段落
你是一位質性研究方法的專家。請根據以下三篇論文的核心觀點，撰寫一段 300 字的文獻回顧段落。要求：(1) 使用學術中文；(2) 包含三篇論文的引用；(3) 指出這三篇研究的共同發現與差異；(4) 在段落結尾指出現有研究的缺口。 論文一：[貼上摘要] 論文二：[貼上摘要] 論文三：[貼上摘要]
AI 將根據你提供的三篇論文摘要，生成一段結構完整的文獻回顧初稿，包含引用、比較分析和研究缺口。
提示範例：論文白話解讀
請用臺灣大學生能理解的口語中文，解釋以下論文摘要的核心內容。要求：(1) 不使用專業術語，如果必須用就加上括號解釋；(2) 用一個生活化的比喻來說明研究發現；(3) 最後用一句話總結「所以這篇論文在說什麼」。 [貼上英文摘要]
AI 會用平易近人的語言解釋複雜的學術論文，幫助你快速理解不熟悉領域的研究。
提示範例：角色設定法
你是傳播與新聞研究所的教授，專長為當代新聞學與媒體研究。 一位碩士生正在撰寫關於「臺灣數位新聞媒體的閱聽人參與模式」的論文。請從你的專業角度： (1) 評估這個題目的研究可行性 (2) 建議 3 個可能的研究問題 (3) 推薦 2-3 個適合的研究方法
AI 會站在傳播學院教授的角度，提供專業且具體的研究建議。
🛠️ 提示工程實作（15 分鐘）
任務說明
- 用精心設計的 prompt 讓 AI 白話解讀一篇你正在閱讀的論文
- 工具：ChatGPT / Claude（任選）
- 時間：15 分鐘
操作步驟
- 1️⃣ 選擇一篇難懂的英文論文摘要
- 2️⃣ 設計含角色、任務、格式的 prompt
- 3️⃣ 根據 AI 回應迭代 2 次以上
- 4️⃣ 比較第一次與最後一次的差異
AI 協作最佳實踐
提問的品質決定了答案的品質。
— Voltaire
法國哲學家。
思維鏈（Chain of Thought）技巧
-
逐步推理
要求 AI 一步一步思考，而非直接給答案
-
展示過程
讓 AI 顯示推理過程，方便你檢查邏輯
-
錯誤偵測
思維鏈讓你更容易發現 AI 的推理錯誤
-
複雜問題
特別適合需要多步驟分析的學術問題
思維鏈範例：分析研究方法
請一步一步分析以下研究設計的優缺點： 研究題目：臺灣數位新聞媒體的閱聽人參與行為 方法：問卷調查 + 現場觀察 樣本：某新聞 APP 200 位使用者 分析步驟： 第一步：評估研究問題與方法的匹配度 第二步：評估抽樣策略的合理性 第三步：評估資料蒐集方法的優缺點 第四步：提出改善建議
AI 會按照你指定的步驟逐一分析，每步都展示推理過程。
Chain-of-Thought Prompting 經典論文
Wei et al. (2022) — Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (arXiv:2201.11903)。
小樣本學習（Few-shot Learning）
-
提供範例
給 AI 1-3 個你期望的輸出範例
-
風格模仿
AI 會模仿範例的格式、語氣和深度
-
品質控制
範例越精準，AI 的輸出品質越高
-
效率提升
減少來回修改的次數
小樣本學習範例：文獻卡片
請依照以下範例格式，為接下來的論文製作文獻卡片： 範例： --- 書目：Chen, J. (2023). Digital News and Audience Engagement. Journalism Studies, 24(2), 112-130. 研究問題：數位新聞如何改變閱聽人的參與方式？ 方法：質性訪談（15 位觀眾） 主要發現：互動性越高，觀眾投入時間越長 與我研究的關聯：可作為觀眾行為分析的理論基礎 --- 請用相同格式分析以下論文： [貼上新論文摘要]
AI 會完全模仿你的範例格式，產出一致的文獻卡片。
提示工程的黃金法則
最好的提示 = 明確的角色 + 具體的任務 + 清楚的格式 + 足夠的背景。
記住這四個要素，AI 產出品質會提升至少 80%。
提示範例：論文段落改寫
以下是我論文的一段初稿，請幫我： (1) 改成更正式的學術語體 (2) 增加段落的邏輯連貫性 (3) 建議可以在哪裡加入引用 (4) 指出論述中可能的邏輯漏洞 請保留我的核心觀點，不要改變論點方向。 [貼上你的段落]
AI 會保留你的核心觀點，同時提升段落的學術品質。
常見的提示模式（Pattern）
-
ROLE 模式
設定角色 →「你是一位...」
-
TASK 模式
定義任務 →「請幫我...」
-
FORMAT 模式
指定格式 →「以表格/條列呈現...」
-
CONSTRAINT 模式
設定限制 →「字數不超過...」
-
EXAMPLE 模式
提供範例 →「參考以下範例...」
提示迭代的策略
-
觀察回應
仔細閱讀 AI 的第一次回應，找出不滿意的地方
-
具體修正
不要重來，而是具體指出要修改哪裡
-
追加條件
在原有基礎上追加新的要求或限制
-
保存成功
把效果好的提示存起來，建立個人提示庫
建立個人提示庫
收集
將每次成功的提示記錄在筆記中
分類
按用途分類：文獻整理、寫作輔助、分析工具等
模板化
將提示轉為可重複使用的模板
分享
與同學分享有效的提示，互相學習
更新
隨著 AI 更新，持續優化你的提示庫
傳播研究常用的提示模板
作品分析模板
分析媒體內容的形式、訊息、脈絡與詮釋。
理論應用模板
將特定理論套用到你的研究案例上。
文獻比較模板
系統性比較多篇文獻的觀點與方法。
媒體文本分析提示模板
你是一位當代媒體評論家。請從以下四個面向分析這則媒體文本： 文本資訊：[標題、作者、日期、媒體] 分析面向： (1) 形式分析：標題、導言、版面、多媒體元素 (2) 內容分析：主題、框架、敘事 (3) 脈絡分析：報導背景、新聞史定位、社會語境 (4) 觀眾接受：可能引發的感受與思考 每個面向請寫 100 字左右，使用學術但不艱澀的語言。
AI 會從四個面向提供結構化的作品分析，可作為你論文中作品討論的參考框架。
從提示到論文
掌握了提示工程，接下來讓我們用它來構思和撰寫論文。
AI 是你的寫作教練。
論文構思
從想法到架構
接下來讓我們用提示工程技巧，實際應用到論文的各個章節。
AI 輔助論文題目與主題發想
-
腦力激盪
讓 AI 根據你的興趣產生 10 個研究題目選項
-
可行性評估
請 AI 分析每個題目的研究可行性
-
文獻預查
快速確認該主題是否有足夠的文獻支持
-
創新角度
請 AI 找出現有研究的缺口作為切入點
提示範例：論文題目發想
我是傳播與新聞研究所的碩士生，研究興趣包括：[你的興趣領域]。 請幫我發想 5 個碩士論文題目，要求： (1) 具有學術新穎性 (2) 在臺灣的學術環境中可行 (3) 能在 1-2 年內完成 (4) 每個題目附上簡要說明（50 字內）和預期研究方法
AI 將根據你的興趣，提供 5 個具有可行性的論文題目建議。
AI 輔助論文背景與動機撰寫
-
問題意識
用 AI 幫你釐清「為什麼這個問題重要？」
-
脈絡建立
讓 AI 協助串聯社會現象、學術缺口與研究動機
-
邏輯檢查
請 AI 檢查背景與動機的論述是否連貫
-
語言潤飾
將口語化的動機轉為學術風格
提示範例：研究動機撰寫
請幫我撰寫碩士論文的研究動機段落（約 500 字）。 研究題目：[你的題目] 研究背景：[簡述社會現象或學術脈絡] 個人動機：[為什麼你對這個題目感興趣] 要求：(1) 從宏觀的社會現象切入；(2) 逐步聚焦到學術缺口；(3) 連結到你的個人研究動機；(4) 以正式學術中文撰寫
AI 將產生一段從社會現象到學術缺口再到個人動機的連貫段落。
SMART 目標設定
Specific 具體
明確界定研究要探討什麼
Measurable 可衡量
設定可以觀察或測量的指標
Achievable 可達成
在你的資源和時間內可完成
Relevant 相關性
與你的研究問題直接相關
Time-bound 有時限
設定明確的完成時程
研究目標：改善前 vs. 改善後
❌ 模糊的目標
- 探討數位新聞的影響
- 了解觀眾的看法
- 分析展覽的效果
✅ SMART 目標
- 分析 2020-2025 年臺灣三個主流新聞 APP 的閱聽人參與行為模式
- 透過訪談探索 20 位觀眾對沉浸式展覽的感知體驗
- 用個案研究法評估策展策略對觀眾停留時間的影響
AI 輔助文獻回顧的結構規劃
我正在撰寫碩士論文的文獻回顧章節。我的研究題目是 [題目]。 我已收集了 30 篇文獻，可分為以下主題： (1) [主題一：5 篇] (2) [主題二：8 篇] (3) [主題三：7 篇] (4) [主題四：10 篇] 請幫我規劃文獻回顧的結構： - 各主題的撰寫順序建議 - 每個主題段落的字數建議 - 主題之間的過渡邏輯 - 文獻回顧的結尾如何導向研究缺口
AI 將提供文獻回顧的完整結構規劃，幫你有系統地撰寫。
研究問題的撰寫公式
-
探索型
「___（現象）如何影響___（結果）？」
-
描述型
「___（群體）在___（情境）中的___（行為）是什麼？」
-
比較型
「___（A）與___（B）在___（面向）上有何差異？」
-
解釋型
「為什麼___（現象）在___（條件）下會發生？」
AI 輔助實施方法撰寫
-
方法選擇
讓 AI 根據你的研究問題建議適合的方法
-
流程設計
請 AI 協助規劃研究步驟與時程
-
工具建議
AI 可以推薦適合的分析工具與軟體
-
倫理考量
提醒你研究倫理審查的注意事項
提示範例：研究方法設計
我的研究題目是：[題目] 研究問題是：[你的研究問題] 請以學術研究方法專家的角度，幫我設計研究方法章節的架構，包含： (1) 建議的研究取徑（質性/量化/混合） (2) 資料蒐集方法與步驟 (3) 抽樣策略與樣本規模建議 (4) 資料分析方法 (5) 研究倫理考量
AI 會提供一份結構化的研究方法建議，作為你撰寫方法論章節的參考框架。
AI 輔助預期成果描述
我的研究預計產出以下成果。請幫我用學術語言撰寫「預期成果」段落（約 300 字）： (1) 建立臺灣數位新聞媒體閱聽人參與模式的分類架構 (2) 提出提升閱聽人參與度的產品設計建議 (3) 為後續研究提供可操作的分析框架 要求：使用正式學術中文，說明每項成果的理論價值和實務意義。
AI 將把你的預期成果清單轉化為完整的學術段落。
論文寫作的效率策略
先寫方法
研究方法最客觀，最容易下筆
再寫發現
按照分析結果逐主題撰寫
接著討論
將發現與文獻對話
然後緒論
等研究完成後再回頭寫背景與動機
最後摘要
全文完成後再撰寫摘要
寫作是思考的延伸。當你寫不出來的時候，通常不是表達的問題，而是思考還不夠清楚。
— William Zinsser
寫作教育家。
AI 輔助論文各章節寫作對照
-
緒論
ChatGPT 協助背景與動機撰寫，Claude 檢查邏輯
-
文獻回顧
NotebookLM 整理文獻，ChatGPT 撰寫段落
-
研究方法
Claude 建議方法設計，ChatGPT 撰寫流程描述
-
研究發現
AI 輔助編碼分析，人工撰寫核心論述
-
討論結論
ChatGPT 協助文獻對話，Claude 檢查論證完整性
寫作核心原則
無論使用多少 AI 工具，論文的核心論點和原創貢獻必須來自你自己。AI 是幫你寫得「更快更好」的工具，不是替你「想」的機器。
請記住：你是研究者，AI 是助手。
AI 輔助預期成果與評估
-
成果描繪
用 AI 幫你描述研究的預期貢獻
-
評估框架
建立衡量研究成效的指標
-
限制預告
提前識別研究可能的限制
-
未來展望
規劃研究成果的延伸應用
論文寫作的三大 AI 助手
ChatGPT
最適合文字生成和潤飾，對話流暢，語言組織力強。
Claude
最適合邏輯檢查和批判分析，思考細膩，倫理敏感。
NotebookLM
最適合文獻整理和比較，基於來源回答，不會編造。
AI 輔助參考文獻管理
-
格式檢查
請 AI 檢查你的參考文獻是否符合 APA 格式
-
遺漏偵測
讓 AI 比對正文引用和參考文獻清單是否一致
-
排序整理
用 AI 按照格式規範排序參考文獻
-
格式轉換
在 APA、MLA、Chicago 等格式之間快速轉換
AI 輔助參考文獻檢查
請檢查以下參考文獻是否完全符合 APA 第七版格式。 對每一條請： (1) 指出格式錯誤（如果有） (2) 提供修正後的正確格式 (3) 檢查是否缺少必要資訊 [貼上你的參考文獻清單]
AI 會逐條檢查並修正引用格式，幫你避免常見的格式錯誤。
視覺輔助與排版優化
-
圖表設計
用 AI 工具（Napkin、Mermaid）繪製研究框架圖
-
版面配置
請 AI 建議圖表在論文中的最佳位置
-
格式一致
用 AI 檢查全文的格式是否統一
-
參考文獻
讓 AI 協助確認引用格式的正確性
AI 輔助結語撰寫
我的碩士論文即將完成。請幫我撰寫結論章節的框架（約 800 字）。 研究題目：[你的題目] 主要發現：[列出 3-5 點] 研究方法：[你的方法] 要求： (1) 回顧研究問題與主要發現 (2) 討論研究貢獻（理論與實務） (3) 指出研究限制 (4) 提出未來研究建議 (5) 以有力的總結句作結
AI 將提供結論章節的完整框架，你再根據實際研究內容填入細節。
AI 輔助英文摘要撰寫
-
中翻英
先用中文寫好摘要，再請 AI 翻譯為學術英文
-
格式規範
指定字數（通常 250-300 字）和關鍵詞數量
-
風格一致
要求 AI 使用被動語態和學術用語
-
多版本比較
用不同 AI 工具各翻譯一版，取其優點
AI 輔助英文摘要撰寫
請將以下中文摘要翻譯為學術英文。要求： (1) 字數控制在 250-300 字 (2) 使用學術正式語體 (3) 關鍵術語附上英文 (4) 包含 5 個關鍵詞（keywords） (5) 結構：背景—目的—方法—發現—結論 [貼上你的中文摘要]
AI 會產生一份格式規範的英文摘要初稿，你再請指導教授或英文母語者審閱。
論文常見問題與 AI 優化
-
結構鬆散
請 AI 檢查各章節的邏輯連貫性
-
論述薄弱
讓 AI 指出需要加強論證的段落
-
引用不足
請 AI 建議需要補充文獻的位置
-
語言不精確
用 AI 潤飾學術用語和句式
06
AI 輔助質性研究分析
從資料到洞察
質性研究的挑戰
質性資料分析是最耗時的研究環節之一，AI 可以大幅提升效率。
人做判斷，AI 做整理。
質性研究的本質是理解，而非測量。AI 可以幫助我們更快地達到理解。
— John W. Creswell
質性研究方法論學者。
質性數據處理的痛點
-
資料量龐大
數十小時的訪談逐字稿，人工分析曠日費時
-
編碼一致性
一個人前後編碼可能不一致，多人更難統一
-
主題提取
從大量文字中找出有意義的模式需要經驗
-
信效度確保
質性研究的可信度驗證過程繁瑣
傳統分析 vs. AI 輔助分析
AI 輔助分析
- ✓ 批次處理大量文本
- ✓ 編碼一致性高
- ✓ 快速產生初步主題
- ✓ 可重複驗證
傳統手動分析
- ✗ 逐字逐句人工閱讀
- ✗ 依賴研究者經驗
- ✗ 深度理解脈絡
- ✗ 直覺洞察力強
質性研究分析工具比較
-
NVivo
功能最完整的質性分析軟體，支援多種資料類型
-
ATLAS.ti
強大的視覺化編碼功能，適合大型研究計畫
-
Quirkos
直覺式介面，適合初學者上手
-
MAXQDA
支援混合方法研究，中文處理能力佳
-
Dedoose
雲端協作，適合團隊研究
質性研究需求 vs. AI 能力
核心需求
- 從文本中辨識模式
- 將資料分類編碼
- 建立主題間的關聯
- 保持分析的系統性
AI 如何滿足
- NLP 技術辨識語意模式
- 自動建議編碼類別
- 分析概念間的共現關係
- 提供一致的分析框架
傳統編碼的挑戰
-
時間成本
一小時訪談的逐字稿可能需要 4-6 小時編碼
-
主觀偏見
研究者的先入觀念可能影響編碼結果
-
一致性問題
不同編碼者或不同時間點的編碼可能不一致
-
規模限制
手動分析難以處理大量資料
LLM 輔助質性分析
核心優勢
- 快速處理大量文本
- 多語言分析能力
- 一致的編碼標準
- 可即時調整分析角度
技術局限
- 可能遺漏文化脈絡
- 難以理解非語言訊息
- 對諷刺、隱喻的把握不足
- 無法完全取代人類判斷
人機協作的必要性
最佳的質性分析是 AI 做初步整理、人類做深度詮釋。
AI 是助手，你是研究者。
量化 vs. 質性：AI 輔助的差異
✅ AI 輔助量化研究
- ✅ 統計分析自動化
- ✅ 資料視覺化
- ✅ 假說檢驗輔助
- ✅ 相對成熟且可靠
✅ AI 輔助質性研究
- ✅ 文本分析與編碼
- ✅ 主題辨識
- ✅ 模式發現
- ✅ 需要更多人工監督
AI 輔助質性研究的工作流
-
資料前處理
用 AI 協助逐字稿校對、匿名化和格式化
-
初步分析
讓 AI 進行初步編碼，人工審核修正
-
深度分析
用 AI 協助主題聚類和軸心編碼
-
驗證輸出
多方法交叉驗證分析結果
-
報告撰寫
AI 協助將分析結果轉化為學術論述
適合傳播研究的質性方法
深度訪談
與記者、編輯、閱聽人進行半結構式訪談。
參與觀察
在展覽現場觀察觀眾的行為與互動。
文本分析
分析新聞報導、媒體評論、記者自述。
傳播研究的質性分析特殊考量
傳播領域的質性研究常涉及感官經驗、美學判斷、創作過程等難以量化的面向。使用 AI 分析時，要特別注意 AI 可能無法完全捕捉這些「感覺性」的資料。
建議將 AI 分析結果與你的專業直覺進行對話，而非完全依賴。
AI 輔助逐字稿處理
-
語音轉文字
用 Whisper 或 Otter.ai 將訪談錄音轉為文字
-
校對修正
讓 AI 協助校對逐字稿中的錯字和不通順處
-
格式統一
用 AI 將不同格式的逐字稿統一為標準格式
-
前處理檢查
確認所有受訪者資訊已匿名化
AI 輔助逐字稿校對
以下是一段訪談逐字稿。請幫我： (1) 修正明顯的錯字和語法問題 (2) 保留受訪者的口語特色（不要改成書面語） (3) 在語意不清處加上 [?] 標記 (4) 確認受訪者姓名已用代號替代 注意：這是質性研究資料，請盡可能保留原始表達。 [貼上逐字稿]
AI 會在保留口語特色的前提下校對逐字稿。
AI 輔助質性分析六步驟
資料準備
整理、脫敏、格式化你的質性資料
初步編碼
用 AI 進行 Open Coding
主題聚類
將編碼歸納為主題
軸心編碼
分析主題間的關聯
驗證迭代
確認分析的信效度
第六步：報告撰寫
-
摘要生成
讓 AI 根據分析結果生成研究發現摘要
-
主題擴寫
將每個主題擴展為完整的段落
-
文獻對話
連結分析結果與既有文獻
-
建議轉化
將研究發現轉化為實務建議
質性分析實例：新聞閱聽人研究
假設你正在研究「某數位新聞平臺的閱聽人體驗」。你完成了 15 位觀眾的半結構式訪談，每段訪談約 40 分鐘，共產生了近 10 萬字的逐字稿。
傳統做法：一個人花 2-3 週反覆閱讀和編碼。AI 輔助做法：先用 AI 進行初步編碼（約 2 小時），再用 1 週的時間進行人工審核和深度分析。效率提升了 60%，而且因為 AI 的一致性，編碼品質更穩定。
步驟一：資料準備與上傳
-
逐字稿整理
確保訪談逐字稿完整且格式一致
-
匿名化處理
將受訪者姓名替換為代碼（如 P01、P02）
-
資料分段
將長篇逐字稿分成合理的段落
-
格式標準化
統一使用純文字格式，標註訪談者與受訪者發言
隱私保護提醒
上傳研究資料到 AI 工具前，務必完成匿名化處理。移除所有可識別個人身份的資訊（姓名、地址、學號等）。
如果研究涉及敏感主題，考慮使用離線 AI 工具。
AI 輔助匿名化處理
以下是一段訪談逐字稿，請幫我進行匿名化處理： (1) 將所有人名替換為代碼（P01、P02...） (2) 將機構名稱替換為代碼（Org-A、Org-B...） (3) 將地點名稱替換為通稱（「某美術館」「某大學」） (4) 保留可能影響分析的脈絡資訊 (5) 在替換處用 [括號] 標記原始類別 [貼上逐字稿]
AI 會系統性地完成匿名化，同時保留分析所需的脈絡資訊。
資料分段策略
-
按問題分段
以訪談問題為單位切分逐字稿
-
按主題分段
將談論同一主題的內容歸在一起
-
控制長度
每段不超過 1000 字，避免 AI 遺漏細節
-
保留脈絡
分段時保留足夠的前後文資訊
步驟二：初步編碼（Open Coding）
-
概念標記
為每段文字標記描述性的概念標籤
-
保持開放
不預設框架，讓資料說話
-
逐行編碼
仔細閱讀每一行，標記重要概念
-
備忘錄記錄
記錄編碼過程中的想法和直覺
AI 輔助初步編碼指令
你是一位質性研究的編碼專家。請對以下訪談文本進行開放式編碼（Open Coding）。 要求： (1) 為每個有意義的段落標記 1-3 個概念代碼 (2) 代碼要盡量貼近受訪者的原始用語 (3) 附上簡要的編碼依據說明 (4) 以表格格式呈現：段落 | 代碼 | 依據 訪談文本： [貼上訪談逐字稿段落]
AI 將產生結構化的編碼表格，包含段落、概念代碼和編碼依據。
QualiGPT — AI 質性分析工具
https://github.com/KindOPSTAR/QualiGPT — 開源的 AI 輔助質性研究分析工具。
編碼品質檢核清單
步驟三：主題分析與聚類
-
歸納分組
將相似的代碼歸納為更高層次的主題
-
命名主題
為每個主題取一個精準且描述性的名稱
-
檢查覆蓋度
確保主題涵蓋了大部分的代碼
-
尋找關聯
觀察主題之間的關係與模式
AI 輔助主題聚類指令
根據以下的初步編碼結果，請進行主題分析（Thematic Analysis）。 要求： (1) 將這些代碼歸納為 3-5 個主要主題 (2) 每個主題命名要精準且有描述性 (3) 列出每個主題下包含的代碼 (4) 說明主題之間的關係 (5) 指出是否有不適合任何主題的離群代碼 編碼列表： [貼上之前的編碼結果]
AI 將把編碼整理為 3-5 個主題，並說明主題間的關聯。
主題分析的驗證方法
-
回到原始資料
檢查每個主題是否真正反映受訪者的意思
-
同儕檢視
請同學或指導教授檢視你的主題架構
-
負面案例
尋找與主題矛盾的資料，修正或補充
-
飽和度檢查
確認新資料不再產生新的主題
步驟四：軸心編碼（Axial Coding）
-
條件分析
什麼條件下會出現這個主題？
-
行動分析
受訪者採取了什麼行動或策略？
-
結果分析
這些行動導致了什麼結果？
-
關聯建立
主題之間如何互相影響？
AI 輔助軸心編碼指令
基於以下主題分析結果，請進行軸心編碼（Axial Coding）。 要求： (1) 分析每個主題的因果條件、行動策略和結果 (2) 識別主題之間的關聯模式 (3) 找出可能的調節變項（什麼因素影響了主題間的關係） (4) 以圖表或結構化格式呈現分析結果 主題分析結果： [貼上主題分析結果]
AI 將提供結構化的軸心編碼分析，展示主題間的因果關係。
AI 輔助主題命名
我已經完成了初步編碼和主題聚類。以下是三個主題及其包含的代碼： 主題一（暫名：身體感受）：觸覺體驗、空間移動、身體互動、感官刺激 主題二（暫名：情感連結）：共鳴、感動、驚奇、沉浸 主題三（暫名：社交行為）：分享討論、拍照打卡、推薦他人 請幫我： (1) 優化每個主題的命名，使其更學術化且精準 (2) 為每個主題寫一句話的定義 (3) 建議主題之間的關係模型
AI 會提供更精準的主題命名和關係描述。
軸心編碼的核心問題
-
什麼條件下
這個現象在什麼情境下出現？
-
誰參與其中
哪些行動者（actors）涉入？
-
採取什麼行動
他們的行為策略是什麼？
-
產生什麼結果
行動帶來了什麼改變？
-
受什麼影響
哪些中介或調節因素在作用？
識別調節變項
-
個人因素
受訪者的背景、經驗、動機如何影響結果
-
環境因素
外部環境條件如何改變主題間的關係
-
時間因素
不同階段是否呈現不同的模式
-
交互作用
多個因素結合時產生的特殊效果
步驟五：驗證與迭代
-
一致性檢驗
重新編碼部分資料，檢查與原始編碼的一致性
-
三角驗證
用多種資料來源或方法驗證發現
-
成員檢核
將分析結果回饋給受訪者確認
-
研究日誌
記錄完整的分析決策過程
三角驗證策略
資料三角
比對訪談、觀察、文件等不同資料來源
方法三角
同時使用質性和量化方法驗證
研究者三角
邀請其他研究者獨立分析部分資料
理論三角
從不同理論框架解讀相同資料
AI 輔助三角驗證
我使用 AI 對 15 段訪談逐字稿進行了初步編碼，得到了以下主題： [列出主題] 請幫我設計一個三角驗證方案： (1) 建議哪些替代的分析方法可以驗證這些主題 (2) 設計一個同儕編碼比對的流程 (3) 提出成員檢核（member check）的具體問題 (4) 說明如何記錄驗證過程
AI 將提供結構化的三角驗證方案，幫助你確保分析的可信度。
研究日誌的重要性
-
決策記錄
記錄每個分析決策的理由
-
反思筆記
記錄你在分析過程中的想法和偏見
-
過程追蹤
讓研究的可追溯性更強
-
學術揭露
論文中可以引用日誌說明分析過程
步驟六：報告撰寫
-
摘要生成
讓 AI 根據分析結果生成研究發現摘要
-
主題擴寫
將每個主題擴展為完整的論述段落
-
引用整合
在段落中適當嵌入受訪者的原始語錄
-
文獻對話
將分析結果與既有研究進行對比討論
AI 輔助報告撰寫指令
基於以下質性分析結果，請幫我撰寫研究發現章節中「主題一」的段落。 主題名稱：[主題名稱] 包含的代碼：[代碼列表] 代表性引言：[受訪者語錄] 要求： (1) 以學術中文撰寫，約 500 字 (2) 先說明主題的整體發現 (3) 用受訪者的引言支持論點 (4) 與至少一篇文獻進行對話 (5) 在段落結尾提出該主題的意義
AI 將生成一段結構完整的研究發現段落，包含主題描述、引言引用和文獻對話。
AI 輔助建議轉化指令
根據以下研究發現，請幫我轉化為實務建議。 研究發現摘要：[貼上發現摘要] 目標讀者：[教育工作者/新聞從業者/政策制定者] 要求： (1) 提出 3-5 條具體可行的建議 (2) 每條建議都有研究發現作為依據 (3) 說明建議的預期效果 (4) 考慮執行的可行性與限制
AI 將把學術發現轉化為實務建議，幫助你撰寫論文的「建議」章節。
質性研究分析實作
- 1 用 AI 對一段訪談文本進行初步編碼分析
- 2 使用以下模擬訪談文本（或你自己的資料）
- 3 設計一個包含角色、任務、格式要求的編碼 prompt
- 4 將 AI 的編碼結果進行人工審查
- 5 嘗試讓 AI 將編碼歸納為 2-3 個主題
- 6 反思 AI 分析與你自己判斷的差異
三大 LLM 在質性分析的特性
Grok
創意力強，適合發現意想不到的主題連結和研究方向。
ChatGPT
語言組織佳，適合撰寫流暢的研究發現段落。
Claude
深度反思，適合批判性分析和倫理敏感的議題。
質性研究倫理注意事項
偏見管理
AI 模型可能內含訓練資料的偏見。在質性分析中，請特別注意：(1) AI 是否忽略了少數群體的聲音；
(2) AI 的編碼是否反映了特定文化視角；(3) 你自己的研究立場是否影響了對 AI 結果的判斷。
質性研究的力量在於它能讓被忽略的聲音被聽見。AI 可以幫我們聽得更仔細。
— Anselm Strauss
紮根理論創始人。
AI 質性分析的完整工具鏈
-
錄音轉文字
Whisper / Otter.ai / 剪映
-
逐字稿校對
ChatGPT / Claude
-
初步編碼
ChatGPT / Claude / Grok
-
主題分析
NotebookLM（上傳所有逐字稿）
-
報告撰寫
ChatGPT + Claude 交叉使用
AI 輔助訪談逐字稿分析範例
以下是一段新聞閱聽人的訪談逐字稿。請進行以下分析： (1) 初步編碼：標記每段話的主要概念 (2) 情感標記：標註受訪者的情緒狀態（興奮/困惑/感動等） (3) 互動行為：標記受訪者提到的具體行為 (4) 建議追問：如果要做後續訪談，建議追問哪些問題 訪談文本： [貼上逐字稿]
AI 會提供多層次的分析結果，包含概念編碼、情感標記和互動行為標記。
從分析到論文的轉換流程
整理編碼
將所有編碼和主題彙整為表格
撰寫摘要
為每個主題寫 200 字的摘要描述
選擇引言
挑選最能代表每個主題的受訪者語錄
撰寫初稿
將摘要擴展為完整的研究發現段落
文獻對話
在每個段落結尾加入與文獻的對比討論
質性研究報告的寫作技巧
-
主題先行
每個段落先陳述主題，再用資料佐證
-
引言精選
選擇最具代表性的語錄，不要堆砌
-
脈絡補充
為每段引言提供足夠的背景說明
-
分析深度
不只描述「他們說了什麼」，更要解釋「這意味什麼」
研究發現段落的改善
❌ 表面描述
- 受訪者 A 說他喜歡這個展覽
- 受訪者 B 說他覺得互動很有趣
- 大部分受訪者都表示滿意
✅ 深度分析
- 「喜歡」反映了互動裝置帶來的自主感
- 「有趣」源於突破傳統觀看距離的限制
- 高滿意度呼應 Bishop 的參與式理論
AI 輔助討論章節撰寫
-
理論對話
讓 AI 幫你找出分析結果與既有理論的連結
-
意外發現
請 AI 指出你的發現中有哪些出乎意料的部分
-
實務意涵
請 AI 將學術發現轉化為對創作者或策展人的建議
-
研究限制
請 AI 從方法論角度評估你的研究限制
AI 輔助討論章節撰寫
我的研究發現了以下三個主題： 1. [主題一及摘要] 2. [主題二及摘要] 3. [主題三及摘要] 相關理論背景：[列出 2-3 個理論] 請幫我撰寫討論章節的架構，包含： (1) 每個發現與既有理論的對話 (2) 發現之間的內在連結 (3) 本研究對該領域的理論貢獻 (4) 對實務工作者的建議 (5) 研究限制與未來方向
AI 將提供討論章節的完整架構，幫助你系統性地連結發現與理論。
6 步驟
質性分析流程回顧
資料準備 → 初步編碼 → 主題聚類 → 軸心編碼 → 驗證迭代 → 報告撰寫。
07
學術誠信與結語
負責任地使用 AI
為什麼學術誠信如此重要？
學術研究的價值建立在信任之上。一旦信任崩塌，整個知識體系都會受到損害。
誠信是學術的根基。
學術不端行為警示
-
抄襲
未標註出處地使用他人的文字或想法
-
偽造
捏造不存在的研究數據或結果
-
篡改
選擇性報告或扭曲研究結果
-
重複發表
將同一研究投稿到多個期刊
-
代寫
由他人（含 AI）代為撰寫核心內容而未揭露
學術不端的後果
論文撤回
被發現造假或抄襲的論文會被正式撤回，永久留下紀錄。
學位撤銷
嚴重的學術不端可能導致已取得的學位被撤銷。
職涯影響
學術不端紀錄將影響未來的研究和就業機會。
AI 時代的學術誠信挑戰
-
邊界模糊
AI 輔助寫作與 AI 代寫的界線在哪裡？
-
揭露標準
不同學校和期刊對 AI 使用的要求不一
-
查重困難
現有查重工具對 AI 生成內容的偵測能力有限
-
責任歸屬
AI 產生的錯誤或偏見由誰負責？
AI 使用的引用規範
APA 第七版建議：使用 AI 工具時，在方法章節中說明使用了哪些工具、如何使用、以及 AI 在研究中扮演的角色。部分期刊要求將 AI 對話紀錄作為附錄提供。
請務必遵循你所屬學校和投稿期刊的最新規範。
論文中揭露 AI 使用的建議格式
方法章節
說明使用了哪些 AI 工具及其版本
使用方式
描述 AI 在研究中扮演的角色（文獻整理/語言潤飾等）
人工審核
說明你如何驗證和修改 AI 的產出
附錄提供
必要時附上 AI 對話紀錄作為佐證
sciwrite — 學術寫作開源資源
https://github.com/labarba/sciwrite — Lorena Barba 教授維護的學術寫作開源教材與工具。
AI 使用揭露的撰寫範例
請幫我撰寫一段論文中的 AI 工具使用揭露聲明（約 100 字）。 使用情境： - 使用 NotebookLM 整理和比較 15 篇文獻 - 使用 ChatGPT 輔助英文摘要的語言潤飾 - 使用 Claude 協助質性資料的初步編碼（結果經人工審核修正） - 所有核心論述和分析判斷均由研究者本人完成
AI 會生成一段符合學術規範的使用揭露聲明。
AI 使用的灰色地帶
普遍接受的用法
- ✓ 語言潤飾與文法修正
- ✓ 文獻搜尋與整理
- ✓ 格式檢查與排版
- ✓ 翻譯輔助
需要謹慎揭露的用法
- ✗ 初稿段落生成
- ✗ 資料分析輔助
- ✗ 研究設計建議
- ✗ 圖表生成
建立個人 AI 使用日誌
-
時間記錄
記錄每次使用 AI 的日期和時間
-
工具與版本
記錄使用了哪個工具（包含版本號）
-
使用目的
記錄為什麼使用 AI、要完成什麼任務
-
修改幅度
記錄你對 AI 產出做了多少修改
-
決策依據
記錄你接受或拒絕 AI 建議的理由
AI 時代的研究者素養
未來的學術能力不只是會寫論文，更是會善用 AI 同時保持學術誠信。
工具在變，誠信不變。
課後持續學習的三個建議
每週練習
每週花 2 小時練習一個 AI 工具，2 個月後你就能熟練所有工具。
組建讀書會
與同學組成 AI 學術寫作讀書會，分享使用心得。
記錄分享
把你的 AI 使用經驗寫成部落格或社群貼文，教學相長。
回去後的行動計畫
今天
選定 2-3 個工具，建立帳號
本週
用 NotebookLM 上傳你正在讀的文獻
兩週內
建立你的第一個提示模板庫
一個月
用 AI 完成一個完整的文獻回顧初稿
持續
定期更新你的 AI 工作流，與同學分享
今日學習工具總覽
搜尋與閱讀
- 🔍 文獻搜尋：ExCITATION、Google Scholar、Research Rabbit、PoP
- 📖 深度閱讀：NotebookLM、Explainpaper
- 🔬 研究輔助：STORM、Agentic Reviewer
產出與管理
- ✍️ 寫作輔助：ChatGPT、Claude、Gemini、Grok
- 📊 視覺化：Napkin、Gamma
- 📚 文獻管理：Zotero、EndNote
課程總結檢核
延伸學習資源
-
Vista 電子報
每週精選 AI 工具與學術應用技巧
-
博碩士生練功團
Facebook 社團，研究生專屬交流
-
Coursera: AI for Everyone
吳恩達的 AI 入門課程
-
學校圖書館
詢問是否有 AI 工具的教育訓練資源
反思與討論
- 1 分組討論 AI 在傳播研究中的獨特應用與倫理挑戰
- 2 AI 能否理解新聞文本的「框架」和「意義」？
- 3 用 AI 分析新聞產製過程的訪談資料，有什麼特別要注意的？
- 4 你會如何在論文中揭露 AI 的使用？
- 5 分享一個你認為 AI 最能幫助傳播研究的場景
- 6 各組推派一人分享討論重點
推薦資源與工具清單
搜尋與閱讀
- 🔍 文獻檢索：Google Scholar、PoP、Research Rabbit
- 📖 深度閱讀：NotebookLM、Explainpaper、STORM
- 🔬 質性分析：NVivo、ATLAS.ti、Quirkos
寫作與管理
- ✍️ 寫作輔助：ChatGPT、Claude、Gemini
- 📊 視覺化：Napkin、Mermaid、Gamma
- 📚 文獻管理：Zotero、EndNote、Mendeley
結語與未來展望
AI 正在重新定義學術研究的工作方式，但不會改變研究的本質：提出好問題、嚴謹求證、貢獻知識。
善用工具，堅守初心。
經過今天的學習，你對使用 AI 輔助論文寫作的信心如何？
經過今天的學習，你對使用 AI 輔助論文寫作的信心如何？
新聞傳播的本質是對真相的追問，而非複製。用 AI 輔助研究，為的是讓你有更多時間專注於真正的提問與查證。
— Vista Cheng
共勉之。
最後一個提醒
AI 工具會持續更新和進化，今天學到的具體操作步驟可能半年後就有變化。但核心原則不會變：善用工具、保持批判、堅守誠信。
這才是你帶走的最重要收穫。
帶走三件事
觀念
AI 是研究助理，不是共同作者。用它提升效率，但保留你的思考。
工具
至少帶走 2-3 個工具開始使用。推薦：NotebookLM + ChatGPT + Zotero。
方法
建立你的提示模板庫和 AI 使用日誌，持續優化工作流。
千里之行，始於足下。今天就開始你的 AI 輔助研究之旅吧！
— 老子
道德經。
感謝聆聽
Vista Cheng
iamvista@gmail.com
https://www.vista.tw