你可以利用AI工具分析海量文献或数据集，从而在研究中发现意想不到的规律（patterns），并凸显人工审查时容易遗漏的异常现象、矛盾之处以及隐藏趋势。
发现意想不到的规律——通常被称为异常值（anomalies）、离群值（outliers）或研究空白（research gaps）——是产生新颖研究思路最有价值的方法之一。传统分析往往侧重于寻找共识，而AI则擅长识别那些不尽吻合的数据点或理论主张。
以下是在学术工作中实际利用AI来挖掘这些隐藏见解的方法：
1. 综合零散文献
在进行文献检索时，人工分析数百篇论文很难把握全局。通过将阅读清单输入AI工具，你可以让其对研究方法和结果进行交叉比对（cross-reference）。例如，WisPaper 的灵感发现（Idea Discovery）功能利用代理型AI（agentic AI）自动扫描你收集的文献，identifying unexpected research gaps以及相互冲突的理论，从而帮助你基于研究空白生成全新的研究思路。
2. 使用“聚焦异常”的提示词
你所发现规律的质量，完全取决于你如何向AI下达提示词（prompts）。不要只要求其提供标准摘要或宽泛概述，而应量身定制提示词，寻找学术探讨中的矛盾点（friction）。尝试这样提问：
- “这些研究中，哪些提出了相互矛盾的研究结果？”
- “在这些论文中，[变量A]与[变量B]之间是否存在任何意想不到的相关性？”
- “找出该特定领域所用研究方法中的任何特例。”
3. 分析非结构化定性数据
如果你正在处理非结构化定性数据（qualitative data）——如访谈记录、田野笔记或开放式问卷回复——搭载自然语言处理（NLP）技术的AI工具将发挥不可估量的作用。你可以指令AI对反复出现的主题进行聚类（cluster），并专门标记出那些严重偏离常规的回复或文本片段。
4. 利用AI代码解释器处理数据集
对于定量研究（quantitative research），请使用内置数据分析功能的AI工具。上传原始数据集，并提示AI运行探索性数据分析（EDA）。让其生成散点图、运行聚类算法，或标出统计学上的离群值。通常，AI生成的可视化图表能瞬间揭示出一组意想不到的数据点，这些数据点往往值得进一步深入调查。
5. 始终验证异常现象
AI是一个强大的模式识别引擎，但它缺乏人类的语境认知。一旦AI工具标记出意想不到的趋势，你必须核实原始文献或数据点。将这些AI生成的异常现象作为深入调查的起点，确保它们代表着真正的学术突破，而不仅仅是单纯的数据收集错误或AI幻觉（AI hallucination）。