引言看懂了，结果也大概明白，可一到方法部分，论文突然开始说抽样框、混合效应模型、校准、排除标准，或者一种你从没见过的实验技术。
这时只问“请简单解释方法”，通常会得到一段很好读、却把关键细节删光的答案。更有效的问法，是让 AI 按照研究实际发生的顺序，把每个决定重新拼出来。
先把研究还原成一连串动作
上传完整论文，只选中这一篇，然后问：
请按时间顺序还原这项研究：招募了谁，参与者或样本经历了什么，测量了什么，分别在什么时候测量，最后哪些数据进入分析？每一步都标出方法部分的对应小节。原文没写的内容请标为“未报告”。
这样一来，密集的专业文字会变成一个过程。你可能会发现，所谓“实验”其实是观察性调查；最初招募的人数和最终分析人数并不相同；或者主要结果只测量了一次。
先别急着问“这个方法好不好”。第一步只确认作者到底做了什么，评价放到后面。
接着问清决定结果含义的五件事
研究过程理顺以后，可以拆成五个小问题：
- **研究设计：**这是什么类型的研究，这种设计能说明什么？
- **样本：**谁能进入研究，谁被排除，最终样本怎么得到？
- **变量：**暴露、干预、对照和结果分别是什么，又是怎样测量的？
- **分析：**主要结果来自哪一种比较或模型？
- **缺失信息：**如果要复现或评价这项研究，原文还有什么没有交代？
这些问题把“描述”和“判断”分开了。“作者用了回归模型”是描述；“这个回归模型用得合适”则是判断，还要看变量、假设和数据质量。
不知道该追哪些细节时，可以参考 EQUATOR Network 汇总的研究报告规范，例如随机试验的 CONSORT、观察性研究的 STROBE 和系统综述的 PRISMA。你不需要背下整张清单，只需借它发现 AI 解释漏掉了哪些字段。
遇到不懂的统计方法，该怎么问？
把你的基础和任务边界一起说清楚：
请向一个理解平均数和置信区间、但没有用过混合效应模型的读者，解释这篇论文里的模型。指出结果变量、预测变量、分组结构，以及模型实际回答的问题。再解释一个会影响结果解读的重要假设。不要把论文中的变量换成泛泛的示例。
最后一句很重要。类比可以把概念说得简单，却也可能把解释和真实研究拆开。
理解概念后，再把问题拉回论文：
论文报告的系数是 0.34。按照研究使用的单位，这个数字代表哪一种比较？哪张表或哪句话定义了它？
如果工具无法指出变量定义或模型说明的位置，就回到原文自己找。通俗解释只有在保留真实单位、比较对象和上下文时，才对阅读论文有用。
怎么比较多篇论文的方法？
读懂一篇后，把同一组问题复用到其他论文。五段自由发挥的解释很难比较；五份字段一致的记录就清楚得多。
可以把论文存进 WisPaper My Library，再用 Library QA 询问：
请按论文分别列出研究设计、参与者纳入条件、样本量、暴露或干预、对照、主要结果、随访时间，以及产生主要结果的分析方法。没有报告的字段请明确标出，并给出支持段落。
对比后，你可能会发现两篇结论相近的论文，实际证据完全不同。如果现有文献缺少你需要的设计，比如只有横断面调查、没有纵向研究，就可以把这个条件带到 WisPaper Search 继续检索。
哪些内容仍然要亲自打开论文检查？
优先检查那些可能改变结论的地方：参与者流程、排除规则、结果指标定义、模型设定、表格脚注和敏感性分析。很多被正文压缩的细节还可能藏在补充材料里。
AI 适合把方法部分变成一张可以走的地图。地图画得准不准、这条路线是否合理，仍要由论文原文来决定。
