Harness Research 第3讲：统计分析

Sat, 15 Aug 2026 00:00:00 +0000

Quote

用 AI 辅助统计分析，把重复劳动交给机器。

即便没有统计学背景，也能完成常见的数据分析任务。

系列导览

Harness Research 系列共 3 讲，从 Harness Engineering 理念出发，逐步构建 AI 驱动的科研工作流：

——理解 Harness Engineering 理念，完成 Trae 中 MCP 与 Skill 的检索和配置
——从自动化检索到 AI 综述的完整文献工作流
（本讲）——从通用分析工作流到护理场景的人机协作

本讲（第3讲）覆盖科研的统计分析环节，分为两部分：第一部分是入门——通用九步 AI 分析工作流，适用于任何临床数据；第二部分是进阶——护理统计协作，以 Trae 为工具掌握"评估-执行"人机协作模型与六步协作流程。

想了解系列全貌与学习路径，请查看。

第一部分：通用统计分析工作流（入门）

为什么选择 AI 分析？

专为临床科研设计，解决 95% 以上的统计问题。

极速高效：无需编写复杂的代码，AI 自动生成分析逻辑，从拿到数据到出结果只需几分钟。
通用性强：不依赖特定的统计软件环境，一套逻辑解决各种常见的临床数据对比问题。
技术平权：只需会描述需求，无需深厚的编程功底，AI 编程工具也可以是你的数据分析师。

准备工作

工欲善其事，必先利其器。

工具

编辑器：或
核心环境：Python
AI 助手（IDE 插件）：
- Roo Code
- Claude Code

工具的具体配置方法（MCP、Skill 等）已在中详细讲解，这里不再赘述。

技术储备

必备：善学的悟性与好奇心。比代码本身更重要的是你提问和探索的逻辑。
可选：编程知识、统计学基础。有基础更好，没有也没关系，AI 会填补这部分空白。

核心工作流（9 步法）

这是我总结的一套人机协作的最佳实践，按照这个步骤，你可以解决绝大多数数据分析问题。

graph TD A["用户: 描述数据结构"] --> B["提供需求"] B --> C{"AI: 提供分析建议"} C -->|用户审核不通过| B C -->|用户审核通过| D["AI 撰写 Python 代码"] D --> E["辅助部署运行环境"] E --> F["运行代码 & 告知 AI 结果"] F --> G{"结果是否报错/需修正?"} G -->|是| H["AI 修正代码"] H --> F G -->|否| I["补充额外需求 (图表)"] I --> J["撰写统计报告"] style A fill:#e0f2fe,stroke:#0ea5e9 style D fill:#dcfce7,stroke:#10b981 style J fill:#f3e8ff,stroke:#a855f7

详细步骤拆解

数据认知：告诉 AI 你的数据长什么样（列名、数据类型、缺失情况）。
需求明确：告诉 AI 你想做什么（“比较两组患者的术后疼痛评分是否有差异”）。
方案共识：让 AI 提供统计学建议（“建议使用独立样本 t 检验…"），并由你确认。
代码生成：用户同意后，让 AI 撰写完整的 Python 分析脚本。
环境铺设：辅助 AI 安装所需的库（pandas、scipy、matplotlib 等）。
执行反馈：运行代码，将报错信息或初步结果直接复制给 AI。
迭代修正：根据反馈结果，AI 自动修正代码中的 Bugs。
可视化增强：补充额外需求，如绘制"小提琴图”、“热力图"等高阶图表。
报告生成：最后，让 AI 根据最终结果撰写一份标准的统计学报告。

提示：第 1 步"数据认知"之前，原始数据通常还需要脱敏、清洗与编码等预处理。这些护理场景下的数据准备细节将在本讲第二部分展开，这里先聚焦拿到"就绪数据"之后的分析流程。

实战案例复盘

Note

今天演示的资料是一个从未细看过的 Excel 文件。这是朋友委托帮忙分析的数据，他自己尝试分析后认为"两组没有差异”。

由于近期事务繁忙，我抽空利用上述的 9 步法快速完成了分析。结果发现，通过更精细的分组和可视化，两组在特定时间点存在显著差异。

视频演示

生成的代码示例

import pandas as pd
import scipy.stats as stats
import seaborn as sns
import matplotlib.pyplot as plt

# 1. 加载数据
df = pd.read_excel("clinical_data.xlsx")

# 2. 自动化正态性检验
def check_normality(data):
 stat, p = stats.shapiro(data)
 return p > 0.05

# 3. 智能选择统计方法
if check_normality(group_A) and check_normality(group_B):
 print("使用 t 检验")
 stat, p = stats.ttest_ind(group_A, group_B)
else:
 print("使用 Mann-Whitney U 检验")
 stat, p = stats.mannwhitneyu(group_A, group_B)

# 4. 可视化
sns.violinplot(x="Group", y="PainScore", data=df)
plt.title("Pain Score Distribution by Group")
plt.show()

第二部分：护理统计协作（进阶）

课程大纲

目标受众：护理人员（具备基础统计概念，无编程背景） 核心工具：Trae（AI 编程助手，免费调用 AI） 数据场景：① 随机对照试验（RCT）② 横断面调查研究

开场：从"问不到"到"做得出"

痛点共鸣：传统 AI 的局限 vs. Trae 的突破

过去困境：问 ChatGPT"怎么算 t 检验"，它给你一段公式文字，但你还得打开 SPSS 点菜单，容易出错
Trae 的变革：AI 直接在你的电脑里写代码、跑数据、出图，从"口头指导"变成"手把手带教"
核心理念：你不是在"用软件"，而是在"带一个会编程的实习生"——它动手，你指挥，不懂就问

工具认知——为什么是 Trae？

AI 辅助统计的三次进化

第一代：对话顾问（如早期 ChatGPT）
- 只能"告诉"你怎么做：“你应该做 t 检验”
- 问题：说完你还得自己去操作，步骤多容易出错，遇到报错无处可问
第二代：代码生成器（如 GitHub Copilot）
- 能写代码，但要在编辑器、终端、浏览器间来回切换
- 问题：代码写出来了，运行报错还得自己搜解决方案，对护士不友好
第三代：闭环协作环境（Trae/Cursor）
- 一体化：AI 就在工作区里，左边写代码，右边看结果，报错直接现场修
- 对话式编程：你描述需求 → AI 写代码 → 运行出结果 → 看不懂就问 → AI 解释 → 修改，全程在同一窗口完成
- 护士友好度：像有个统计学助教坐在你旁边，你指哪它打哪，问什么答什么

Trae 的独特优势

工具	AI 调用费用	配置难度	适合人群
Trae	免费	图形界面，简单易上手	护理学生、初学者
Cursor	每月 $10-20	需熟悉编辑器	有预算的专业用户
Claude Code	免费但需 CLI	命令行操作，学习曲线陡	开发者

Trae 的安装与配置方法已在中详细介绍，本讲不再重复。

一句话定位：Trae = 一个永远耐心、不会嫌你问题多、且能直接动手干活的统计助教

人机协作的"评估-执行"分工模型

护理评估与护理操作是护理工作中最经典的分工模式——评估护士负责整体判断和决策，执行护士负责具体操作。人机协作与此高度类似：

护士角色（评估者）	AI 角色（执行者）	协作要点
护理评估：全面了解患者病情、制定护理计划	护理操作：按照医嘱和护理计划执行具体操作	评估者把握方向，执行者高效落实
判断数据异常：收缩压 220 是录入错误还是真实危重症？	执行数据清洗：按指令标记、处理异常值	追问：“这个异常值保留和删除，对结果影响大吗？”
选择统计方法：选协方差分析（控制基线差异）而非简单 t 检验	立即生成代码：按选定方法编写并运行	确认：“ANCOVA 的三个前提假设，我的数据满足吗？”
临床解读：“β=-0.35"意味着"疼痛教育每增加 1 个频次，NRS 评分降低 0.35 分”	提供效应量参照：告诉你在护理研究中这个效应量算大还是小	深挖：“和同类研究的效应量比，这个结果如何？”

“不懂就问"文化（关键原则）

禁止假设：不要假设 AI 知道你的科室特点（如 ICU 的 APACHE 评分特殊性），主动告知并追问
术语必问：当 AI 说"异方差性"“多重共线性"时，立即要求：“请用护士能听懂的话解释，并告诉我怎么解决”
追问模板：
- “我是 [XX 科室] 护士，这个结论在我科临床实践中意味着什么？”
- “如果审稿人质疑这个分析方法，我该怎么辩护？请帮我准备 3 个回应理由”
- “这段代码我看不懂，请逐行注释，并告诉我如果改 XX 参数会怎样”

为什么 Trae 能做到可靠统计？

“所见即所得” vs. “黑箱幻觉”

防幻觉的核心机制：代码透明化

传统风险：AI 直接说"p=0.02”，可能是编的（幻觉）
Trae 保障：AI 生成 Python 代码 → 实际运行 → 返回真实结果。你能看到计算公式、数据来源、每一个中间值
护士的验证权：你可以问：“请把计算 t 值的手工公式步骤也展示出来，我要核对”

与传统工具对比（聚焦可靠性）

维度	SPSS 菜单操作	Trae AI 协作
错误类型	点错菜单（如选成配对 t 检验）、漏看前提条件	AI 自动检查前提（如正态性），不满足时会提醒你并给出替代方案
过程追溯	需手动截图保存每一步	自动生成分析日志（代码+注释+结果），直接贴论文附录
纠错成本	发现错误需从头重新点菜单	改一个参数，AI 自动重新跑全流程，秒级修正
知识获取	翻教材查公式含义	选中代码直接问 AI：“这行在做什么？”即时教学

护士专属可靠性保障

医学逻辑校验：AI 可能建议做复杂回归，你要追问：“根据 CONSORT 声明，RCT 分析应该遵循 ITT 原则，你考虑了吗？”
结果合理性审查：当 AI 给出"干预组死亡率 100%"（明显错误），人因判断立即叫停

数据处理——从原始数据到分析数据

重要原则：虽然 AI 可以辅助数据处理，但你应当了解常规统计数据的处理步骤。AI 是助手，你才是主人。

基础数据处理五步流程：脱敏 → 清洗 → 编码 → 衍生 → 导出。这里强调两个护理场景要点：

脱敏是底线：姓名、床号、住院号、身份证号等直接标识符必须删除或编码；当科室人数很少时，性别+科室等间接标识符组合也可能识别个人
导出格式：首选 CSV（UTF-8 编码），避免 Word 表格、PDF 截图——AI 无法直接读取

AI 操作前最后确认：

“请帮我检查这份数据有没有任何可能识别患者身份的信息”

六步协作流程——每个节点都有"追问点”

核心逻辑：每一步都是对话，不是单向指令。重要原则——背景信息从第一步就注入，让 AI 带着临床语境分析数据。

Step 1：注入背景 + 数据结构认知（同时进行）

背景告知优先：先告诉 AI 你的研究场景，让后续分析都在正确的临床语境下进行

你说（背景）：

“这是 [某科室] 的 [某种研究设计]，主要结局是 [XX]，样本量 [XX]，分组情况是 [XX]，混杂因素我猜测可能包括 [XX]” 举例：“这是骨科病房的前瞻性 RCT，主要结局是第 7 天 NRS 疼痛评分，每组 10 人，预计年龄和基线 NRS 可能是混杂因素”
你说（数据认知）：“这是我的数据，请先做体检”
AI 做：生成数据字典（变量类型、缺失值分布）

必追问（带着背景问）：

“我的研究是 RCT，缺失值主要集中在失访患者，这在 RCT 中属于什么类型的缺失？对结论偏倚方向的影响是什么？”
“基于 RCT 设计，有哪些护理领域常见的统计误区我需要警惕？”
“变量 X 被识别为’连续型’，但在临床上它是 Likert 5 级量表，这会影响分析方法吗？”

Step 2：AI 初步诊断（让 AI 当侦探）

你说：“给出数据质量报告，指出 3 个最可能影响分析质量的问题”
AI 做：列出异常值、分布偏态、样本量不足等
必追问：
- “针对第 2 个问题（基线不均衡），除了统计调整，我在论文里该怎么用文字解释？”
- “如果我想提高检验效能（Power），AI 能帮我做样本量回溯分析吗？”

Step 3：方法论协商（反复打磨）

协作模式：不是"AI 给方案 → 你同意"，而是多轮对话
追问策略：
- “方案 A（简单线性回归）和方案 B（分层回归）各有什么优缺点？用临床意义而不仅是统计学显著性来比较”
- “如果我选择方案 B，结果更难解释，审稿人可能怎么质疑？请帮我预判 3 个风险”
- 确认指令：“请用表格对比各方法的前提假设，并检查我的数据满足哪些”

Step 4：代码执行与透明化学习（边看边问）

AI 做：配置环境（自动装包）、编写代码、运行
你的动作：要求 AI 逐行教学
追问模板：
- “请把这段代码分成’数据准备-分析核心-结果提取’三块，每块用一句话告诉我目的”
- “如果我想把置信区间从 95% 改成 99%，该改哪一行？改了后 p 值门槛要调整吗？”
- “运行报错 ‘ConvergenceWarning’，这是什么意思？对我的结论影响大吗？”

Step 5：报告撰写与临床转化（医学升华）

AI 做：生成统计结果表格、森林图、CONSORT 流程图（RCT）
必追问（体现护士专业价值）：
- “这个统计显著的结果，在 [我的科室] 日常护理工作中可操作化的建议是什么？”
- “请用 SBAR 沟通模式帮我写一段向护士长汇报研究结果的简报”
- “基于这个发现，AI 能帮我设计一个后续研究的选题吗？考虑可行性限制”

常见陷阱与急救包

常见报错与应对

报错信息	含义	护士能理解的解释	如何修正
`SyntaxError`	代码语法错误	“AI 写的句子有错别字，Python 看不懂”	让 AI"检查这段代码的语法"
`KeyError`	找不到变量名	“AI 叫了一个人的名字，但花名册上没有”	核对列名大小写，检查是否有空格
`ValueError: could not convert string to float`	数据类型不匹配	“Excel 里有些格是文字不是数字，Python 算不了”	检查原始数据，可能是"-“或"“而非空值
`ConvergenceWarning`	模型未收敛	“计算转太多圈还没找到答案，放弃了”	通常数据量不足或变量间相关性太强
`MemoryError`	内存不足	“电脑累了，跑不动了”	减少分析变量或分批处理

救命追问模板

当报错时，这样问 AI： “请用最简单的话解释这个报错，并告诉我下一步怎么改。如果涉及统计学概念，请用护理场景类比。”

当结果看起来不对时： “这个结果符合常识吗？（比如死亡率应该在 0-100% 之间）如果不符合，可能是哪一步出问题了？”

当 AI 的建议太复杂时： “我是一个护理研究生，没有统计学基础。能否提供一个更简单的替代方案，同时告诉我这个方案有什么局限性？”

Mini Case——完整协作演示

案例背景

研究问题：比较"递进性疼痛教育"干预组与常规护理对照组在干预 7 天后 NRS 疼痛评分的差异

数据概况：

样本量：20 人（干预组 10 人，对照组 10 人）
变量：编号、组别、性别、年龄、入院时 NRS（基线）、第 7 天 NRS（结局）

模拟数据（CSV 格式）：

编号,组别,性别,年龄,基线NRS,第7天NRS
01,干预组,女,45,7,3
02,对照组,女,48,6,5
03,干预组,男,52,8,4
...

六步协作全程对话

Step 1：注入背景 + 数据结构认知

你（背景）：这是骨科病房的前瞻性 RCT，主要结局是第 7 天 NRS 疼痛评分，每组 10 人，预计年龄和基线 NRS 可能是混杂因素。

你（数据）：这是我的数据，请先做数据质量检查

AI：[生成数据字典，显示 20 行、6 列，无缺失值，变量类型正确]

你（追问）：基于 RCT 设计，有哪些护理领域常见的统计误区我需要警惕？

AI 提醒：

未报告 ITT 分析：RCT 应遵循 ITT 原则（所有随机化患者均纳入分析）

忽视脱落：需报告每组脱落人数及原因

多重比较：如果有多个结局，不要重复做 t 检验导致假阳性增加

你（追问）：基线 NRS 是"连续型”，但我在录入时有些值是整数有些是小数，这会影响分析吗？

AI：不会，连续型变量可以接受任意数值。你的基线 NRS 范围是 5-9，符合 Likert 量表特征。

Step 2：AI 初步诊断

你：给出数据质量报告，指出最影响分析质量的问题

AI：发现 2 个潜在问题：

干预组和对照组基线 NRS 不完全匹配（干预组均值 7.2，对照组 6.4），可能需要统计调整

样本量较小（每组 10 人），检验效能可能不足

你（追问）：针对第 1 个基线不均衡问题，除了统计调整，我在论文里该怎么解释？

AI：可从以下角度解释：

说明随机分配已执行，基线差异为随机变异

报告基线特征比较表（表 1）

采用 ANCOVA 调整基线差异

进行敏感性分析

Step 3：方法论协商

你：我想比较两组第 7 天 NRS 差异，初步想用 t 检验

AI：

方案 A：独立样本 t 检验（简单，但不调整基线）

方案 B：协方差分析 ANCOVA（调整基线 NRS 差异，更准确）

方案 C：非参数检验（Mann-Whitney，当数据不正态时）

你（追问）：用临床意义而非统计学显著性来比较方案 A 和 B

AI：

方案 A 结论：“干预组比对照组低 2 分”

方案 B 结论：“调整基线差异后，干预组比对照组低 2.1 分”

临床意义：两者均显示干预有效，但 B 更准确反映"干预本身的效果"而非"基线差异+干预效果”

你：好，我选择方案 B

Step 4：代码执行

AI：[生成 Python 代码，包含数据读取、ANCOVA 分析、结果输出]

你（追问）：请把这段代码分成三块，每块用一句话告诉我目的

AI：

数据准备：读取 CSV 文件，提取组别和 NRS 变量

分析核心：执行 ANCOVA，调整基线 NRS，比较组间差异

结果提取：输出 F 值、p 值、效应量、估计边际均值

你（追问）：如果我想把置信区间从 95% 改成 99%，改哪一行？

AI：找到 alpha=0.05 那一行，改成 alpha=0.01 即可。p 值门槛也相应变为 0.01。

Step 5：结果解读与论文写作

AI 输出结果：

ANCOVA结果：
F(1,17) = 12.35, p = 0.003
效应量 η² = 0.42
干预组调整后均值 = 3.2 (95%CI: 2.5, 3.9)
对照组调整后均值 = 5.3 (95%CI: 4.6, 6.0)

你：请帮我把结果写成论文表格形式

AI：

指标干预组 (n=10) 对照组 (n=10) 组间差异 (95%CI) p 值

第 7 天 NRS（调整后） 3.2 (2.5-3.9) 5.3 (4.6-6.0) -2.1 (-3.4, -0.8) 0.003

指标	干预组 (n=10)	对照组 (n=10)	组间差异 (95%CI)	p 值
第 7 天 NRS（调整后）	3.2 (2.5-3.9)	5.3 (4.6-6.0)	-2.1 (-3.4, -0.8)	0.003

你（追问）：这个结果如何转化为我们骨科日常护理建议？

AI 建议：

在患者入院时即进行疼痛教育宣教

每日评估 NRS 评分，及时反馈

将"递进性疼痛教育"纳入护理常规流程

结果解读与论文表格写法

统计结果 → 论文表述的转换模板

AI 输出原始结果：

β = -0.35, 95%CI [-0.52, -0.18], p < 0.001

你应该学会写的论文表述：

“多因素线性回归结果显示，在控制年龄、基线 NRS 后，干预组患者第 7 天 NRS 评分平均比对照组低 0.35 分（95%CI: 0.18-0.52），差异具有统计学意义（p<0.001），表明递进性疼痛教育可显著降低患者疼痛程度。”

效应量的临床意义解读

效应量	统计含义	护理实践解读
小效应 (d≈0.2)	组间差异约 1/5 SD	临床意义有限，需权衡实施成本
中效应 (d≈0.5)	组间差异约 1/2 SD	具有临床意义，可考虑推广
大效应 (d≈0.8)	组间差异约 4/5 SD	显著临床价值，值得广泛推广

你的追问：

“这个效应量在护理干预研究中算大还是小？请和同类 RCT 研究做个对比。”

CONSORT Checklist 中与统计相关的核心条目

条目	内容	AI 辅助
7b	样本量计算依据	AI 可帮你回顾计算过程
12	主要和次要结局的统计分析方法	AI 可帮你描述方法
17a	疗效和危害指标的估算	AI 输出效应量和置信区间

结尾与行动清单

带走三句话：

AI 是你的实习生：不会嫌你问得多，只怕你不问（医学背景必须交代清楚）
代码即证据：要求 AI 始终展示"怎么算的"，而不仅是"算出来是什么"
追问公式：看到不懂的术语 → “请用护理场景类比解释”；看到结果 → “这对患者意味着什么”

行动清单：

在自己电脑上安装 Trae（免费，配置见）
准备一份脱敏后的模拟数据（10-20 行即可）
先用本讲第一部分的 9 步工作流跑通一次通用分析
再用本讲第二部分的六步流程走一遍护理协作分析
把 AI 生成的代码保存下来，作为未来分析的模板

Yield Nursing Logic, Optimized.

AI重构科研范式--文献检索：科研的地基

Fri, 09 Jan 2026 00:00:00 +0000

🔍 文献检索：科研的地基

Quote

“Garbage In, Garbage Out.” —— 如果检索到的文献质量不高，后续的综述写得再好也是枉然。

在实际使用中，文献检索不再是一个“凭感觉”的过程，而是一个可量化、可复现的工程问题。

本期看点：AI Agent 如何重构搜索？

在传统的护理科研培训中，我们需要花大量时间学习 PICOS 原则和 MeSH 树结构。而在 AI 时代，我们可以这样工作：

1. 自然语言 -> 专业检索式

不需要你自己去拼凑 ("Heart Failure"[Mesh]) AND ("Rehabilitation"[Mesh])。你只需要告诉 AI：

“我想研究心力衰竭患者的康复护理，特别是关于早期运动对预后的影响。”

Agent 会自动分析语义，提取：

P (Patient): Heart Failure, Cardiac Failure…
I (Intervention): Early Ambulation, Exercise Therapy, Rehabilitation…
O (Outcome): Prognosis, Readmission rate…

然后自动组合成一条规范的 PubMed 检索式。

2. 模拟演示 (Demo Preview)

# 伪代码演示：AI 检索代理的工作流
def ai_search_agent(query):
 # 1. 扩充关键词
 keywords = expand_mesh_terms(query)
 print(f"扩展词: {keywords}")

 # 2. 构建布尔逻辑
 boolean_query = construct_boolean(keywords)
 print(f"生成的检索式: {boolean_query}")

 # 3. 执行搜索 (调用 PubMed API)
 results = pubmed_api.search(boolean_query, retmax=100)

 return results

# 运行结果
# [Running] 正在检索... 找到 135 篇高相关文献。
# [Saving] 已自动保存至 'inputs/raw_data.bib'

下周见！

这节课会分享一些实用的文献检索思路，适合科研小白和有经验的护师参考。

— Y.N.L.O.

Statistics |

Harness Research 第3讲：统计分析

系列导览

第一部分：通用统计分析工作流（入门）

为什么选择 AI 分析？

准备工作

工具

技术储备

核心工作流（9 步法）

详细步骤拆解

实战案例复盘

视频演示

生成的代码示例

第二部分：护理统计协作（进阶）

课程大纲

开场：从"问不到"到"做得出"

工具认知——为什么是 Trae？

AI 辅助统计的三次进化

Trae 的独特优势

人机协作的"评估-执行"分工模型

“不懂就问"文化（关键原则）

为什么 Trae 能做到可靠统计？

“所见即所得” vs. “黑箱幻觉”

防幻觉的核心机制：代码透明化

与传统工具对比（聚焦可靠性）

护士专属可靠性保障

数据处理——从原始数据到分析数据

六步协作流程——每个节点都有"追问点”

Step 1：注入背景 + 数据结构认知（同时进行）

Step 2：AI 初步诊断（让 AI 当侦探）

Step 3：方法论协商（反复打磨）

Step 4：代码执行与透明化学习（边看边问）

Step 5：报告撰写与临床转化（医学升华）

常见陷阱与急救包

常见报错与应对

救命追问模板

Mini Case——完整协作演示

案例背景

六步协作全程对话

Step 1：注入背景 + 数据结构认知

Step 2：AI 初步诊断

Step 3：方法论协商

Step 4：代码执行

Step 5：结果解读与论文写作

结果解读与论文表格写法

统计结果 → 论文表述的转换模板

效应量的临床意义解读

CONSORT Checklist 中与统计相关的核心条目

结尾与行动清单

AI重构科研范式--文献检索：科研的地基

🔍 文献检索：科研的地基

本期看点：AI Agent 如何重构搜索？

1. 自然语言 -> 专业检索式

2. 模拟演示 (Demo Preview)

下周见！