【分析·碳捕集】DeepSeek写环境科学论文怎么用？碳捕集任务的人机协同流程 - 学境思源

在环境科学领域，碳捕集技术的研究日益重要。我们实验室在测试DeepSeek辅助论文写作时，发现一个关键问题：直接让AI生成内容往往导致文献引用错误或数据失真。例如，某次我们要求DeepSeek描述胺基吸收剂的再生能耗，它直接给出了一个未经验证的数值。因此，我们设计了一套人机协同流程：先提供可靠资料（如IPCC报告或高被引论文），再让AI处理结构，最后逐条核验。

具体步骤包括：第一步，上传PDF或文本格式的参考文献至DeepSeek，要求其提取关键参数。第二步，使用提示词如“基于以下文献，总结MEA吸收法的能耗范围，并对比最新研究”。第三步，人工检查每个数据点的来源。我们曾用此方法分析420个碳捕集实验样本，发现AI在统计回归时容易忽略异常值，需手动调整。

数学上，碳捕集效率可建模为：$\eta = \frac{C_{in} - C_{out}}{C_{in}} \times 100\%$，其中$C_{in}$和$C_{out}$分别为进出口CO₂浓度。在DeepSeek中，我们要求其计算该指标并给出置信区间，但AI常忽略测量误差传播。因此，我们建议在提示词中明确要求“考虑误差传递公式”。

当前主流论文写作工具包括知网研学、QuillBot和本站（学境思源）。我们在测试中发现，知网研学在文献管理上较强，但生成内容模板化严重；QuillBot擅长改写，但缺乏学术深度；本站则通过结构化提示词和核验机制平衡效率与可靠性。

为了降低AIGC率，我们建议采用以下策略：首先，避免使用AI常用的过渡词（如“综上所述”），改用“基于上述分析”等自然表达。其次，在段落中嵌入第一人称经验，例如“我们在处理某碳捕集项目时发现，温度对吸收速率的影响呈非线性”。最后，手动添加真实案例数据，如“某研究对300个工业烟气样本分析，得出最优液气比为2.5 L/m³”。

以下为工具对比表：

我们选取了一个具体案例：某团队研究MEA与MDEA混合吸收剂的碳捕集性能。他们收集了420组实验数据，包括温度、压力、浓度和吸收速率。使用DeepSeek进行回归分析时，AI自动选择了线性模型，但残差分析显示存在异方差性。我们手动引入Box-Cox变换后，模型拟合优度从R²=0.82提升至0.91。

在论文写作中，我们要求DeepSeek生成方法部分，但发现其描述“使用最小二乘法拟合”时未提及稳健标准误。因此，我们在提示词中补充：“请说明采用异方差稳健标准误（Huber-White估计）”。最终，该论文被某环境科学期刊接收，审稿人特别肯定了数据处理的严谨性。

这一案例表明，AI工具在初步分析中高效，但关键步骤仍需人工介入。我们建议在论文中明确标注哪些部分由AI辅助，哪些由人工完成，以符合学术诚信要求。