AI 可以生成代码、建议图表或解释输出，但分析是否成立取决于数据质量、研究设计、统计假设和验证方式。应把 AI 输出视为需要测试的分析草案，并保留从原始观测到报告结果的完整谱系。
适合使用这个工作流的情况
- 清理、探索和描述实验或观察数据
- 建立统计或机器学习分析
- 把一次性分析转化为可复现记录
建议执行步骤
- 01
记录来源与结构
保留只读原始数据、数据字典、采集条件、单位、编码和排除记录；先明确个人或受限数据的处理边界。
- 02
确定分析问题
区分探索性与验证性分析，写明变量、结局、比较、混杂因素和计划方法，保留任何结果驱动的方案变化。
- 03
进行可审计清理
用代码完成类型转换、缺失处理、异常检查和派生变量。AI 生成的转换要用小样本、边界值和已知结果测试。
- 04
建模、诊断和验证
检查假设、拟合、泄漏、过拟合和多重比较，运行敏感性分析或外部验证，并固定软件版本、随机种子和参数。
质量控制问题
- 原始、清理和分析数据能否区分并追踪
- 方法是否符合设计和统计假设
- 生成代码是否测试、审阅和版本化
- 是否报告不确定性与敏感性结果
预期输出输出应包含可复现代码、数据处理记录、诊断与不确定性，而不只是一张结果表。