口試前一週,我在改參考文獻。不是寫,是改。三十幾筆一筆一筆對:期刊名有沒有斜體、卷數要不要斜、DOI 該用新格式還是舊的、中文作者用頓號還是逗號。改到第二十筆才發現前面十筆用的是另一套規則,全部重來。

那晚我花了四個小時。四個小時裡,跟我的研究有關的時間是零。

隔天早上我想的不是「終於改完了」,而是一個更難受的問題:過去兩年,我有多少時間花在這種事情上?

誠實盤點

我把碩班做過的事分成四類,憑印象估了佔比:

1. 文獻搜尋、下載、讀、做筆記、整理成表 約 35%
2. 資料清理、反向計分、轉檔、跑分析、做表 約 25%
3. 格式APA、論文模板、圖表樣式、目錄頁碼 約 20%
4. 行政進度報告、meeting、口試簡報、委員意見追蹤 約 20%

然後問自己:哪些是只有我能做的?

答案很殘忍。只有我能做的,是「讀完文獻之後決定怎麼用它」和「看到統計結果之後決定它代表什麼」。這兩件加起來可能不到 15%。

剩下那 85% 不是不重要——格式錯了會被退回,資料清理錯了整篇論文都是錯的——而是它們有明確規則、可以驗證對錯、做一百次的做法都一樣。

這種事,正是工具該吃掉的。

這 30 天,以及我不做的三件事

接下來三十天,我會用 Claude Code 一天做一個研究生真的用得到的工具,並把它怎麼從一次性腳本長成能重複使用的工作流寫下來:需求怎麼定義、AI 會在哪裡出錯、驗證機制怎麼補。

但有三件事我不做。

不讓 AI 寫論文內容。 不是做不到,是做了之後論文就不是我的了。研究問題為什麼是這個、結果為什麼讓你意外,這些是你之所以是研究者的全部理由。我要外包的是雜事,不是思考。

不生成沒查證過的引用。 語言模型「生成一筆很像真的參考文獻」的能力,遠強過它「確認這筆文獻真的存在」的能力。這兩件事在輸出上長得一模一樣,後果差很多。Day 6 用一整篇講。

未去識別化的研究資料不離開我的電腦。 這個系列裡所有資料範例都會用假資料重建,截圖也是。

今天就做一件事

在你的論文資料夾裡開一個 CLAUDE.md,Claude Code 每次都會先讀它。寫三件「你每次都要重講一遍」的事就好:

這個資料夾是什麼

我的碩士論文專案,護理相關的量性研究。

回話方式

一律台灣繁體中文。不要問「要不要我幫你做」,直接做,做完告訴我改了什麼。

絕對不要

• 不生成我沒提供來源的參考文獻,引用只能用 refs/ 裡已存在的文獻。
• 不要動 data/raw/,那是原始資料。

不到十行,但以後開新對話不用再重講一遍。最後那條是我某次差點出事之後才加上去的,故事留到 Day 18。

路線圖

第一週地基,第二週文獻(檢索、摘要、引用查證、APA 校對),第三週資料(清理、匯出、表格生成),第四週寫作與整合,最後四天談隱私倫理、失敗檢討與總結。

三十天後,我希望留下的不只是三十篇文章,而是一套你知道它會在哪裡壞掉的工具箱。會壞掉這件事很重要——一個你不知道它何時會出錯的工具,比沒有工具更危險,因為你會相信它。

明天談:同樣都是 AI,為什麼我最後選了 Claude Code?三個判準,以及我一開始選錯過什麼。