过去，科研数据分析程序通常由研究者自己逐行编写，因此开发过程本身就是理解算法的过程。而今天，大语言模型已经能够帮助我们快速完成大量代码。从读取数据、图像处理，到机器学习模型和统计分析，很多程序只需要几轮对话就能运行起来。这是科研工作的一次巨大进步，但也带来了一个新的问题：
程序能够运行，并不意味着算法正确；得到结果，也不意味着结论可靠。
未来，评价一个科研数据分析程序，重点不应该是”代码是不是 AI 写的”，而应该是研究者是否真正理解程序中的关键决策，并能够证明分析结果值得信任。因此，我觉得有一些问题是需要在利用AI构建科研数据分析程序是要认真考虑的。
第一部分：整个 Workflow
1. 原始数据是什么？
- 数据来自哪里？
- 数据长什么样？
- 包含哪些信息？
- 为什么这些数据能够回答你的科学问题？
2. 数据经过了哪些关键步骤？
- 每一步在做什么？
- 为什么需要这一步？
- 如果省略这一步，会产生什么影响？
这里描述的是数据如何一步步变成最终结果，而不是程序调用了哪些函数。
3. 哪些地方进行了关键决策？
例如：
- 数据筛选
- 阈值判断
- 分类
- 配准
- 分割
- 曲线拟合
- 异常值剔除
对于每一个影响结果的决策，都应该能够回答：为什么这样做？依据是什么？
4. 最终输出什么？
程序最终产生了什么？
例如：
- 数据表
- 图像
- 统计结果
- 模型参数
- 分析报告
最好能够提供典型输出示例。
5. 为什么相信这些结果？
程序采取了哪些措施保证可靠性？例如：
- Quality Control
- 重复实验
- 参数记录
- 与已有方法比较
- 误差分析
- 人工抽查
6. 它什么时候不能用？
任何程序都有适用范围。应该明确说明：
- 哪些数据适用？
- 哪些数据不适用？
- 哪些情况下结果可能失效？
- 已知局限有哪些？
第二部分：核心分析模块
对于 Workflow 中影响科研结论的核心模块（例如机器学习、图像分割、配准、曲线拟合、优化算法等），建议进一步回答下面几个问题。
1. 为什么选择这个方法？
它解决什么问题？ 为什么采用它，而不是更简单或更常见的方法？
2. 它是如何工作的？
至少能够说明：
- 输入是什么？
- 输出是什么？
- 基本原理是什么？
- 哪些参数会影响结果？
- 这些参数为什么这样设置？
如果参数只是”AI 默认写的”，那么程序很可能还没有真正理解。
3. 如何证明它有效？
例如：
- 与已有方法比较
- 客观评价指标
- 独立测试数据
- 重复实验验证
如果是机器学习模型，还应说明：
- 训练数据来自哪里？
- 数据如何划分？
- 如何避免过拟合？
4. 如果它出错怎么办？
任何算法都会失败。因此还应说明：
- 如何识别失败结果？
- 是否存在低置信度判断？
- 是否需要人工复核？
- 错误结果如何处理？
写在最后
如果把前面所有问题归纳成一句话，我认为其实只有一个核心问题：
程序中的每一个关键决策，你是否都能够解释它为什么存在，并说明为什么值得相信？
未来，AI 会越来越擅长生成代码，甚至能够自动设计整个数据分析流程。但科研工作的核心不会改变——真正需要负责的，从来不是代码，而是结论。AI 可以帮助我们实现算法，却不能替我们理解算法；可以帮助我们生成结果，却不能替我们证明结果可信。
我希望，这份清单能够成为 AI 时代科研数据分析程序的一份长期自检指南。无论使用什么编程语言、什么软件框架、什么 AI 模型，只要程序最终服务于科研结论，它都应该能够回答这些问题。