用 AI 明确可研究的问题与边界

AI 可以帮助发现问题中的模糊概念、隐含假设和可行性风险，但不能替研究者决定 什么问题值得研究。一个可研究问题应说明研究对象、关注现象、情境或范围以及 可获得的证据；问题类型必须与数据和方法相匹配。

快速摘要	内容
起始输入	真实困惑、使用场景、现有资料、可接触对象、时间和伦理限制
问题类型	描述“是什么”、解释“如何/为何”、比较差异、评价过程或方案
核心产出	主问题、子问题、概念定义、范围边界、假设、证据需求和不回答项
停止信号	需要无法取得的数据、问题预设答案、范围超出时间或权限

适用与不适用

适合课程研究、论文开题、产品用户研究和文献综述前期范围界定。不适合让 AI 根据热点替你编造研究价值，也不适合把商业目标包装成中立问题。涉及脆弱群体、 个人数据或干预时，需要按机构流程完成伦理与权限评估。

6 步收敛流程

1. 写出真实决策或困惑：说明谁需要用研究结果做什么，而不是先追求学术措辞。
2. 拆分核心概念：为“效果、体验、参与”等词写操作含义和可能的替代表达。
3. 选择问题类型：区分描述、解释、比较和评价，避免一个问题同时承担所有目标。
4. 检查证据可得性：列出现有和可合法取得的材料，不把希望获得当成已经拥有。
5. 识别假设与反例：要求 AI 找出问题预设的因果、价值判断和可能相反解释。
6. 写边界与子问题：形成一个主问题、两三个必要子问题和明确不研究的范围。

示例：从“为什么学生不用系统”到可研究问题

示例输入

初始兴趣：为什么新生不愿意用学校预约系统？
实际可用材料：可招募 6—8 名自愿新生做操作观察和访谈；没有全校使用日志；
研究周期 3 周。目标是改进首次预约流程，不评价学生态度。
请指出初始问题的假设，给两个可行主问题，并说明各自不能回答什么。

示例输出

隐含假设：“不愿意”预设问题来自态度，但现有证据可能只显示找不到入口、流程
中断或任务不相关。
候选 A（描述型）：新生首次完成指定预约任务时，在什么步骤遇到哪些可观察障碍？
候选 B（解释型）：新生如何解释首次预约中的关键选择与中断？
边界：小规模观察与访谈不能估计全校障碍比例，也不能单独证明某项改版会提高使用率。
建议：以 A 为主问题，B 用于理解观察到的障碍，不使用“懒惰/不愿意”等预设标签。

问题从推测动机转向可观察行为，也与三周内可取得的证据匹配。

研究问题复核表

检查项	合格问题	需要修改
中立性	允许出现多种结果	“为什么某方案显然更好”
清晰性	对象、现象和情境明确	“AI 对人有什么影响”
可回答	能指出所需证据和方法	需要无法取得的总体数据
规模	在时间、人力和权限内	一个问题覆盖所有人群与场景
价值	结果能支持真实判断	只因题目听起来热门
伦理	风险、同意与隐私可管理	需要秘密观察或未授权数据

常见错误

• 把解决方案写进问题，例如只问“如何证明新功能有效”。
• 使用“影响、体验、效率”等大词，却没有说明观察或判断方式。
• 为了显得完整添加太多变量，导致一个小项目无法取得所需证据。
• 先选择方便的方法，再把任何问题改写成适合该方法的形式。
• 忽略“不能回答什么”，把探索性小样本扩大成总体或因果结论。

问题边界稳定后，再复用研究模板

需要复用已验证的问题拆解和可行性检查模板时，可以查看 OfApp.cn 当前公开能力。具体支持范围请以控制台或官方文档为准。

查看 OfApp.cn

常见问题

研究问题越具体越好吗？

具体有助于执行，但过早限定可能排除重要现象。先确保对象、情境和证据清楚， 探索性研究可以保留开放表述，再根据试访或预检结果合理收敛。

一个项目可以有多个主问题吗？

可以，但每个主问题都会增加数据和分析负担。小项目通常选择一个主问题，再用 少量子问题说明必要维度，避免把愿望清单都称为研究目标。

AI 能判断研究问题是否有创新性吗？

不能可靠判断。创新性需要系统检索相关文献、了解学科语境和实际需求。AI 可以 列检索词或对比维度，但不能用“很少有人研究”代替证据。

什么时候应该放弃当前问题？

当关键数据无法合法取得、风险无法控制、范围明显超出资源，或问题已经由可靠 证据充分回答且没有新的角度时，应重构或停止，而不是强行完成。

相关文章

• 用 AI 辅助文献综述：检查已有证据和研究缺口。
• 用 AI 设计问卷：把明确构念转成题项并预测试。
• 用 AI 辅助访谈编码：分析开放式材料。
• 用 AI 制定数据清洗计划：提前定义数据规则。
• 研究工作中心：查看完整研究流程。

带走什么

好问题不是一句漂亮标题，而是研究对象、现象、证据和边界之间的可靠契约。先 暴露假设和不可回答项，再选择与资源、伦理和方法相匹配的最小可行问题。