学科: 统计学

大型语言模型（LLM）能较准确预测社会科学实验结果，其预测效果接近人类专家集体判断，尤其适用于尚未公开的研究。但模型会系统性高估效应大小，需谨慎用于实际决策。

标签: 人工智能辅助研究 可重复性 大型语言模型 效应预测 社会科学实验

本文探讨为何许多社会政策和行为干预在推广时失效，并提出‘自然田野实验’作为解决方案：在真实生活场景中悄然改变环境变量，观察人们无意识下的真实反应，从而提升研究结果的现实适用性和可信度。

标签: 参与偏差 可推广性 自然田野实验 行为科学

尽管女性科研人员数量持续增长（2025年占全球自然科学研究者31%），但在顶级期刊中，女性作为第一作者（29%）和通讯作者（即最后作者，17%）的比例仍远低于均等水平。这表明，女性在科研成果的‘权威认定’环节仍面临系统性障碍。

标签: 女性科学家 学术晋升障碍 科研署名不平等 第一作者与通讯作者 自然指数

一项大规模跨国研究发现，6个月大的婴儿并不像过去认为的那样天然偏好“助人者”。新实验重复了经典研究，但未证实婴儿在语言出现前就具备社会评价能力，提示早期道德判断可能受环境、方法或疫情等因素影响。

标签: 发展心理学 可重复性危机 大团队科学 婴儿社会评价 跨物种认知

一款名为‘期刊趋势’的免费在线工具，帮助科研人员快速识别可疑学术期刊——通过分析期刊每年、各国的发文数量变化，发现异常激增（如某国作者投稿暴增），提示可能存在审稿不严或掠夺性出版风险，让投稿更安心。

标签: 学术出版监控 开放学术数据库 掠夺性期刊 期刊趋势

一项《自然》杂志针对1900多名科研人员的调查显示：尽管近半数科学家对AI持负面看法，认为其风险大于收益，但近六成仍被迫使用AI工具，唯恐落伍。AI虽提升效率，却未必提升质量，且存在误用、偏见和误导风险。

标签: AI工具使用现状 人工智能科研应用 大语言模型风险 科学伦理与可信度 科研人员态度

每年全球有多少人跨国迁移？这个问题看似简单，实则极难准确回答。本文介绍了一种利用人工智能整合多源数据的新方法，首次为全球人口迁移绘制出迄今最全面、可靠的图景。

标签: 人口流动图谱 人工智能建模 全球人口迁移 多源数据融合 移民统计数据

本文构建了全球首个覆盖230个国家和地区、时间跨度从1990年至今的年度人口迁移数据集。通过融合官方统计、人口普查、净迁移估算和数字痕迹（如Facebook数据），结合深度学习模型，首次实现了高时空分辨率、全球一致的迁移流动估算，显著提升了对全球人口流动动态的理解能力。

标签: 不确定性量化 全球人口迁移 年度迁移数据 数字足迹 深度学习

大型语言模型（LLM）正大量渗入社会科学调查，导致高达45%的问卷回答由AI生成，严重威胁研究真实性。专家警告：虚假数据、AI代写论文、幻觉引用等问题正在侵蚀社会科学研究的可信度，但AI也可辅助提升分析严谨性。

标签: AI污染 大型语言模型 硅基样本 社会科学调查

科学家正努力构建‘虚拟细胞’——用计算机模拟真实细胞的结构与行为。虽然已有初步成果，如模拟细菌分裂或预测药物对组织的影响，但目前模型仍难以准确反映细胞在动态变化中的真实反应，距离真正‘活’的虚拟细胞还有很长一段路。

标签: 基础模型 扰动图谱 虚拟细胞 计算生物学