《数智驱动的可重复研究方法》研究生课程选课介绍

让研究过程可追溯，让研究结果可复现。

一段分析代码，换一台电脑还能运行吗？一份研究报告，能否追溯到生成它的数据与步骤？AI 帮你写出的代码和结论，又该怎样验证、记录与说明？

这些问题，贯穿医学研究的日常，也正是《数智驱动的可重复研究方法》希望与你一起解决的问题。

面向西安交通大学医学部研究生，这门已获批开设的课程，将开放科学、可重复研究工具与负责任的 AI 应用融入同一条实践路径：亲手完成一份能被同行独立复跑的研究项目。

16 学时，把方法用到研究中

课程信息	登记内容
课程名称	数智驱动的可重复研究方法
英文名称	Data-Intelligence-Driven Reproducible Research
面向对象	西安交通大学医学部研究生
课程负责人	米白冰
课程年度	2026
课程编号	153070
学校统一课程编号	PUBH612715
学时安排	16 学时：理论 4 学时，上机 12 学时

课程把四分之三的学时安排在上机实践中。你将围绕数据、代码、运行环境和研究报告开展练习，逐步建立能用于自己课题的工作习惯：修改有记录，分析有步骤，结果有依据，项目有说明。

四大模块，贯通研究全过程

理念与开放科学：理解为什么要“可重复”

从医学研究可重复性问题与科研诚信案例出发，认识可重复研究、可复制研究与稳健性的区别，了解研究预注册、开放科学和 FAIR 数据原则。结合数据管理、脱敏与隐私保护，思考研究过程应当如何记录、哪些成果可以共享，以及共享需要满足什么条件。

可重复研究工具：把分析过程组织成可运行的项目

用 Git 记录版本变化与协作过程；通过 R/Python 环境管理、随机种子与分析脚本保留关键计算条件；用 Quarto 等工具将代码、结果与文字组织成可更新的报告；进一步认识工作流编排与 Docker 容器，减少更换电脑或环境变化带来的复跑障碍。课程还将介绍研究项目仓库规范，帮助同伴看懂项目结构与运行方法。

科学使用 AI：让辅助过程经得起检查

围绕 Harness Engineering（驾驭工程），结合可重复提示词设计、上下文组织，以及 AI 辅助文献综述、统计建模等场景，学习如何组织并记录 AI 参与研究的过程。课程强调 “AI 生成＋人工统计学复核”的双轨验证，通过 AI 使用日志保留必要信息，识别生成代码和分析中的错误，理解学术伦理与署名边界，始终由研究者承担判断和核验责任。

综合实践：把项目交给同伴复跑

以公共卫生研究案例串联数据处理、分析代码、报告生成与环境封装，完成端到端复现。按照登记的教学安排，学生以 2–3 人小组开展项目展示，并接受同行盲跑验收：由同伴依据项目材料，在指定环境中尝试独立运行，检验说明是否清楚、依赖是否完整、流程能否跑通。

这门课的特色，体现在怎样做研究

用一个完整项目连接工具。 从版本管理到报告生成，再到运行环境封装，每项工具都服务于具体研究环节，让零散操作形成可以再次执行的流程。

把 AI 的使用与验证一起教。 课程既关注如何提出任务、组织上下文，也关注怎样复核输出、留下使用记录，让效率提升建立在可检查的研究过程之上。

用同伴的独立复跑检验成果。 项目交付的对象包含没有参与原始分析的同伴。对方能否读懂说明并完成运行，将直接暴露环境、文件、路径和文档中的问题。

你将带走什么

课程以完成可审计、可复现的研究项目为目标。围绕这一目标，你将练习整理与交付：

• 有版本记录的项目仓库：让修改与协作过程可以追溯。
• 可重复执行的分析代码与研究报告：保留数据处理、计算与结果呈现之间的联系。
• 运行环境与复现说明：帮助他人准备依赖、理解步骤并启动项目。
• AI 使用日志与核验记录：说明 AI 在哪些环节提供辅助，以及研究者如何检查结果。

这些能力可以继续用于学位论文、课题组协作和后续研究，帮助你更有条理地积累研究证据与方法。

欢迎这些同学关注选课

如果你正在准备研究课题，希望尽早建立规范的项目结构；如果你已经开始分析数据，希望减少反复整理文件、手动更新图表和更换环境后的返工；如果你正在使用 AI 辅助科研，希望更清楚地判断其输出是否可靠，这门课程都值得你关注。

课程涉及 R/Python 与多种研究工具。建议有意选课的同学提前熟悉基本的数据分析操作；具体学习准备要求以课程通知为准。

也欢迎导师和课题组向研究生推荐本课程，一起推动可追溯、可复核的研究实践。

选课关注

请在研究生选课系统中关注 《数智驱动的可重复研究方法》，课程编号 153070。

具体开课学期、选课时间、上课地点、学分与选课资格，以研究生选课系统及正式教学通知为准。

期待与你在课堂相遇，把正在学习的方法，变成自己能运行、同伴能复现的研究实践。