醫學研究部高通量基因體暨巨資料分析核心

張乃文助理研究員

對多數研究者而言，文獻搜尋是研究流程中最先面臨的挑戰之一。無論是初入學術研究的研究生，或是經驗豐富的研究人員，都可能有過類似的經驗：打開資料庫、輸入關鍵字、按下搜尋之後，眼前立刻出現成千上萬筆結果。面對這樣的資訊規模，找到文獻通常不算難事，真正困難的是判斷該從哪裡開始。

以生物醫學領域常用的 PubMed 為例，該資料庫由美國國家醫學圖書館開發與維護，目前已收錄超過四千萬篇文獻，每年新增超過一百五十萬篇。涵蓋自然科學、社會科學與人文領域的 Scopus，以及跨學科學術資料庫 Web of Science，也同樣以每年數百萬筆的速度持續擴增。在這樣的資訊規模下，單次搜尋出現數千筆結果已屬常態。因此，每一個研究的起點，都需要一張能協助研究者理解領域結構與全貌的知識地圖。

要讓 AI 在研究流程裡真正發揮作用，第一步是先理解它的運作方式。大語言模型（Large Language Model, LLM）是目前生成式 AI 中負責語言生成與理解的主要模型架構。它透過大量文本資料進行訓練，學習語言在不同情境中的統計規律與概念關聯，使模型能在接收提示後進行概念整合、框架組織與資訊歸納，在概念性或結構性任務中展現不錯的效率。

不過，這類模型的運作本質仍是機率式文字生成，並不會直接連結即時更新的資料庫或權威文獻來源。它的知識範圍受到訓練資料與時間截點的限制，對最新研究的掌握並不完整，在需要精確引用或高度可重現的情境中，也存在一定的限制。因此，比較合理的做法是將 AI 視為研究流程中的輔助工具，用來做概念整理、初步架構建立與資訊整合，文獻的查證與最終判斷仍需回到研究者本身。整體而言，它更像是在改變我們整理知識與形成問題的方式，讓這個過程變得更快，也更有結構性。

理解了這些限制，反而更能看清楚 AI 應該被放在研究流程的哪個位置。對研究者來說，真正值得思考的問題是哪些工作適合交給 AI、哪些仍需親自完成。這樣的思維，其實和企業界近年出現的 Chief AI Officer（CAIO）相當類似，其核心任務並非推動 AI 導入，而是判斷 AI 應該被放在哪個環節，才能真正發揮價值。研究者面對的，正是同樣的課題。基於這樣的思考，圖 1 提出一個 AI 輔助研究工作流架構，說明 AI 與研究者在不同研究階段所扮演的角色，以及如何從文獻搜尋逐步走向知識累積與研究創新。

圖1．從文獻到知識：AI輔助研究工作流架構。研究者透過 AI協助完成研究地圖建立、文獻篩選與知識萃取等工作，同時保留搜尋策略設計、文獻查證與研究判斷等核心決策，以建立可持續累積的Research Brain。

一個完整的研究工作流從建立領域知識地圖（Research Mapping）開始，透過 Claude 或 ChatGPT 快速掌握主要研究方向、關鍵概念與核心爭論，讓後續搜尋有明確的起點。接著進入搜尋策略設計（Search Strategy Design），將研究問題轉化為資料庫可執行的布林搜尋字串，同時補充同義詞、縮寫與跨學科術語。

到了正式資料庫搜尋（Literature Collection）這一步，AI 便可以退場，交由研究者主導，確保來源可信度與搜尋過程的可重現性。這個節點的設計是刻意的。可重現的搜尋紀錄是學術研究嚴謹性的基礎，這部分仍應由研究者親自把關。

在取得文獻後，可透過 Elicit 等工具進行大量摘要的初步分類（AI-Assisted Screening），在數分鐘內處理數百篇文獻，大幅降低人工篩選的負擔，但結果仍需抽樣檢查。經過初步篩選的文獻，接著進入知識萃取（Knowledge Extraction）階段。藉由 NotebookLM 這類工具，可以快速整理出每篇論文的研究設計、樣本特徵與主要發現，並轉換成可進一步分析的結構化資訊。

有了這些素材，才能進入真正的知識整合（Knowledge Synthesis）。在這個階段，研究者開始辨識研究主題群、發現不同研究之間的共識與矛盾，並逐步定位尚未被充分回答的研究空缺。走到這一步，研究者對領域的理解，已經和最初面對數千筆搜尋結果時截然不同。整個流程最終收斂到個人研究知識庫（Research Brain）的建立。透過 Zotero 結合 AI 擴充工具，讓每一次閱讀、整理與思考的成果持續累積，成為下一個研究循環的基礎。好的研究依然來自好的問題、嚴謹的研究設計，以及批判性的思考能力。AI 能做的，是讓研究者在抵達這些問題之前，走得更快、看得更廣。

所有研究的起點都是文獻，但研究真正累積下來的，是研究者對知識的理解、連結與組織。AI 的價值，不在於替代研究者思考，而在於協助我們更有效率地完成這個轉化的過程。如何將零散資訊逐步累積為可持續成長的知識體系，或許才是 AI 時代研究工作流最重要的課題。

TOP  　

---