让 AI 审查数据结论：把“带来增长”改成证据真正支持的话
“换了海报，报名就涨了。”这样的句子很容易被 AI 改得更像正式报告：“全新视觉策略显著带动报名增长。”语气变强，证据却没有增加。审查数据稿时，可以专门安排一轮因果用语检查，先看每个动作词是否得到材料支持。
AI生成概念配图，非真实软件界面
第一轮只圈出因果动词
NIST 在实验设计资料中区分相关关系与因果关系，并提醒相关本身不能推出因果。本文据此提出一个写作复核流程，重点是检查结论强度，不教读者仅凭一张表完成因果识别。
以下为虚构案例：一个小型展览更换海报后的七天收到六十份报名，更换前七天收到四十份。原稿写“新海报让报名增加五成”。这里增加二十份、相对前期增加五成是对两段记录的描述；“让”则额外认定了变化的原因。两者需要分开核查。
先让 AI 圈出“导致、提升、改善、带动、归功于”等词，以及没有明显动词的因果暗示，例如“新海报的增长效果”。只定位原句和需要支持的结论，暂时不写替代文案，避免模型一边检查一边悄悄补全证据。
列出并行变化，但不要宣布找到真因
补充材料显示，更换海报当天还启动了合作机构转发，报名截止日也更近了。让 AI 画出文字关系：海报、转发、截止时间都可能与报名变化有关。它们是需要考虑的解释，不是已经证明的原因。不能把“海报有效”草率换成“其实是转发有效”。
再检查观察对象是否一致。两段报名都来自同一个表单，并不能保证看到海报的人群相同；后期可能接触到更多首次访问者。这里不要求模型猜出人群构成，而是明确缺少哪些记录，以及缺少它们会限制什么判断。
还要区分方向问题：也可能是团队发现报名放缓，才决定更换海报。行动发生的原因会影响解读。把已知先后关系和未知动机分别记录，避免时间顺序被讲成一条听起来顺畅、实际上未经验证的因果故事。
同时交付可用表述和补证据方向
在这份材料下，稳妥表述可以是：“更换海报后的七天报名六十份，前七天为四十份；同期还发生合作转发，现有记录无法单独判断海报贡献。”这段话仍然传达了变化和业务背景，也明确告诉读者能看出什么、暂时看不出什么。
可复用模板：请审查以下报告中的因果断言。逐条列出原句、观测事实、额外推断、可能的共同变化和证据缺口。候选解释必须标为假设。给出与现有材料相称的替代表述，以及未来需要记录或比较的因素。不要编造实验、显著性检验或确定的贡献比例。
若团队之后想研究海报效果，应另行设计比较方式，明确分配方法、观察窗口和其他变化如何处理。AI 可以协助列出设计问题，不能仅凭补了一列数据或用了“对照组”这个名称就宣称已建立有效实验。
人工把关的是证据等级
数据负责人先核对原始记录、重复报名和统计范围；了解活动的人核对同时发生的动作；熟悉研究方法的人再判断结论是否需要更强设计。模型尤其容易把业务上合理的机制当作已经证实的机制，这一步不能省。
也不要为了谨慎把所有判断都删成“什么也不知道”。观察到的增长、变化时间和待检验解释仍然有用。最终留下事实段、解释假设和下一步取证要求，让读者清楚哪些内容可以直接引用，哪些仍需验证。
