对于结构清楚的研究表格，AI 的读取能力往往比预想更好。真正的风险，是一个正确数字被放到了错误的表头、分母、时间点或统计比较下。
我检查了一项数字睡眠干预随机试验全文中的四张表，内容包括干预模块、对照课程、基线特征和模块完成情况，并选择十二个可以直接与表格文本核对的数值。
哪些内容容易提取？
简单的标签与数值通常没有问题：干预组 96 人、对照组 99 人、干预组 74 名女性，以及 49 名干预参与者完成第一模块。
表格也清楚显示参与度下降：第一模块有 49 人完成，第五模块只剩 21 人。解释试验结果时，这种变化很重要。
正确数字为什么会变成错误主张？
以“49”为例。离开表头后，它可能表示人数、百分比、基线计数或随访结果。在原表里，它表示 49 名参与者，也就是干预组的 51%，完成了第一模块。
常见错误包括：
- 把表头错误地延续到另一个亚组
- 混淆人数与百分比
- 丢掉均值的单位
- 把基线值当成治疗效果
- 把脚注定义的亚组当成全样本
- 丢失负号、置信区间或显著性标记
PDF 抽取会放大这些问题，尤其是多列被压成一行，或者表格本身是一张图片时。
一个更安全的表格提示词
不要只问“总结这张表”。要求逐格审计：
对每个目标单元格提取表题、列标题、行标签、数值、单位、分母和脚注。保留置信区间和负号。只有能够说明行列坐标后才解释数值。合并或不清楚的单元格标为人工复核。
随后抽查真正支撑论点的数值。在干预研究里，通常是样本量、基线不平衡、主要结局、效应值、失访和不良事件。
使用全文，也要回到原表
把论文保存或上传到 My Library，再通过 Library QA 提出很窄的表格问题，同时把原 PDF 放在旁边。如果表格是扫描图、结构复杂或跨页，人工阅读往往比修复一份自信的错误抽取更快。
数字准确还不够。只有坐标和含义跟着数值一起被保留，表格答案才值得使用。
常见问题
通常是。HTML 更稳定地保留行列结构；PDF 文本抽取可能打乱列，扫描表格还需要图像识别。
