AI学术 | KAHUBI 全面的AI模板，涵盖阅读写作编码直至文章发表！

这款AI学术工具KAHUBI，全面的AI模版，涵盖了学术工作中阅读、写作、研究方法、代码编写、数据分析、出版发布等核心功能，堪称一绝！

一. 纸上谈兵

通过AI模版，增强研究能力。Kahubi 包含一系列专为研究人员设计的 AI 功能。

覆盖了所有关于学术所需要的，比如写作、阅读、研究方法和数据分析等所需要的工具。

同时，也支持AI编码和对话的能力。

也可以通过它来管理文献。

下面我们看看具体的实战效果如何～

二. 躬身实践

注册完成之后，登录即可进入如下页面。Dashboard上主要是当前帐号的一些统计信息。

主要包含了如下几个功能，我们重点看一下比较亮点的“AI Templates” 和 “AI code”。

2.1 AI Templates

我们直接进入AI Templates

可以看到它支持如下功能：

它可以处理你的实验数据～

可以协助你完成文章发表的所有工作～

帮你校对文章～

也可以具体到文章写作的各个章节～

明确和加固你的研究方法～

2.1.1 Analyze data

其中Data部分，我们试一下”Analyze data”。

进入数据分析界面如下：

尝试一下拿一套如下现成的数据给它分析

复制到文本框中

然后点击Generate，分析的结果如下：

大概看了一下，这个功能对任何的数据表，都是按照如下模板问题，对AI进行询问，也就是说是一套数据分析模版化的提问。

所以，对于给出的结论，肯定还是需要自己进行阅读和修改的。

1. 您可以从数据中识别出哪些模式？

– 与没有特征选择 (FE) 的模型相比，具有特征选择 (FS) 的模型的总体趋势是具有更高的准确度、精确度、召回率和 F1 分数。

– MLP 模型始终具有较高的准确度、精确度、召回率和 F1 分数。

– kNN_FE_33 模型在所有模型中具有最高的准确度、精确度、召回率和 F1 分数。

2. 数据集中的变量之间是否存在相关性？

– 给定数据不提供有关变量之间相关性的信息。需要额外的数据或分析来确定相关性。

3. 您能识别数据中的任何异常值吗？

– 如果没有进一步的信息或上下文，就不可能识别数据中的异常值或异常值。

4. 您可以使用哪些统计测试来分析数据？

– 给定数据不提供有关变量或其分布的信息。因此，如果没有进一步的信息，就不可能确定具体的统计测试。

5. 该数据与该领域之前的研究或研究相比如何？

– 如果没有该领域以前的研究或研究的信息，就不可能进行比较。

6. 您能否识别数据随时间变化的趋势或变化？

– 给定数据不提供有关时间或任何时间方面的信息。因此，不可能识别随时间变化的趋势或变化。

7. 从数据中你可以得出什么结论？

– 根据给定的数据，可以得出结论，与没有特征选择的模型相比，具有特征选择的模型通常在准确度、精确度、召回率和 F1 分数方面表现更好。

– MLP 模型在所有指标上始终具有高性能。

– kNN_FE_33 模型在所有模型中具有最高的性能。

8. 从数据中可以产生哪些未来的研究问题？

– 未来的研究可以探索具有特征选择的模型更好性能背后的原因，并研究不同特征选择技术对模型性能的影响。

– 可以进行进一步的分析，以了解 MLP 模型高性能的因素，并将其与其他模型进行比较。

– 可以进行研究以确定有助于 kNN_FE_33 模型高性能的因素。

9. 您能找出数据中的任何局限性或偏差吗？

– 如果没有有关数据收集过程的进一步信息，就不可能识别数据中的任何限制或偏差。

10. 如何使用数据为决策或政策提供信息？

– 数据可用于比较不同模型的性能，并为特定任务选择最合适的模型。

– 决策者或政策制定者可以使用数据来评估不同模型的性能，以便就在实践中实施特定模型做出明智的决策。

2.1.2 Research Proposal (Publish)

我们再看一下 Publish中的Research Proposal

我们输入一个选题，比如“I‘m planning to do my research on the topic of generative AI applied in academic research writing, please suggest a research proposal.”

点击generate后，research proposal生成如下，几个主要的主题都涵盖了，比如 Introduction, Objectives, Literature Review, Methodology, Expected Benefits, Conclusion。

但这里需要注意的是文后系统的一段提示“WARNING: The AI may not provide real sources, any sources it gives could be fake. Never use outputted text without rewriting, verifying, and providing actual sources.”，还是需要自己对所生成的文字从该领域进行确认。

这一点，与从ChatGPT生成的文案相同，都需要人工确认。（不然学术也太容易了吧…）

AI Template中的其他功能比较多，大家也可以自行尝试～

2.2 AI Code

下面，我们来看看AI Code，这个对于需要做实验的同学们来说，肯定是绕不开的过程。

它支持如下编程语言，似乎没有C和C++。

我们指定为Python，输入相应的任务文案，比如实现一个简单的机器学习分类代码，“Please write a classification task using a machine learning model.”

代码生成如下，假设了个dataset，然后用Logistic regression来做分类，比较简单，基本没问题，更复杂的任务，大家也可以试试。

我们尝试一下更复杂的任务，比如用群体智能算法做超参数优化，比如“Please write a function using particle swarm optimization algorithm for optimization of hyperparameters of decision tree model based on f1-score as the fitness function.”

它也能够完成如下，接下来就是代码裁缝的事了～