AI 生成了一个研究假设，下一步怎么检查证据？

AI 生成的假设很容易在可检验之前，就先显得很“科学”：“自适应 AI 反馈通过提高元认知参与来改善学习。”它包含原因、结果和机制，但每一部分可能依赖完全不同的证据。

应该把假设当作一组需要分别检查的主张。

写出它建议的过程：

然后分别问每个箭头需要什么证据。自适应反馈是否真的改变了元认知行为？这种行为是否预测或导致学习提高？有没有其他因素同时解释两者？

假设只有在能够产生可观察预测时才有用，而不是因为它用了几个听起来专业的词。

分别搜索：

要求 Agent 找到最接近的反面研究，而不是只生成一段“局限”。如果所有论文都是为了同意假设而被挑出来，这个假设并没有真正接受检验。

“参与度”“信任”和“批判性思维”都可能有很多含义。必须给出操作性定义：哪一种行为、量表、分数或观察结果代表变化？

还要提前定义什么结果会让你拒绝或修改假设。如果任何结果都能被解释成支持，它就没有发挥科学假设的作用。

对同一个现象，至少生成两个替代解释：

接着设计能够区分它们的证据。这往往比围绕原假设再生成十种改写更有价值。

一个合理的假设，可能需要无法获得的数据、未经验证的量表，或者不符合伦理的操纵。正式谈创新前，先估算样本、访问权限、时间、技能和风险。

还要问：假设得到支持或被否定后，会改变什么？即使能够检验，如果结果没有重要意义，也未必值得成为研究问题。

在 WisPaper Search 中分别搜索每个箭头和每种替代解释。把最接近的研究存进 My Library，再通过 Library QA 确认每篇实际包含哪些变量、人群、设计和结果。

Scholar Agent 可以帮助生成假设与反驳，但最终证据地图应该放在头脑风暴之外，避免漂亮措辞替代真实支持。