学术研究与文献发现正面临持续的结构性危机：研究人员、研究生、临床医生和政策分析师每月都被数以万计新发表的科研论文所淹没，造成了难以维系的阅读瓶颈。传统的同行评审学术出版物通常长达二十到四十页，充斥着密集的实验方法、数学公式和专业术语；而常规论文摘要往往仅提供浮于表面的宣传性总结，遗漏了评估研究可复现性所必需的关键方法学参数与实际局限。Scholarcy 是一款由人工智能驱动的学术摘要与知识提取平台，专门为解决这一文献初筛与分流困境而设计。该平台于 2018 年由自然语言处理专家 Phil Gooch 与 Emma Warren-Jones 共同创立，后被教育技术提供商 Texthelp 收购。Scholarcy 能够将复杂的研究手稿、技术报告、图书章节和学术专著转化为模块化、交互式的“摘要知识卡片”（Summary Flashcards）。通过融合抽取式自然语言处理、结构化文档解析、自动化表格提取以及通过 Unpaywall 等服务进行的参考文献验证，该平台使研究人员能够在传统逐行精读所需时间的一小部分内，迅速理解核心发现、评估实证方法并系统组织文献综述。
学术研究中的文献初筛瓶颈
在循证研究中，识别相关文献是任何项目中最耗费精力的阶段之一。无论是开展严格的系统文献综述、准备博士学位论文开题报告，还是评估临床试验数据，研究人员通常都会积累包含数百篇期刊文献的庞大阅读积压。
然而，在尝试消化处理这些阅读清单时，研究人员会遭遇严重的现实障碍：
- 摘要信息的局限性： 科学论文摘要主要由作者撰写用于推广其成果并突出正面结论。摘要极少披露细粒度的实验条件、阴性结果、统计学局限或评估研究可复现性所需的具体软硬件配置。
- 阅读疲劳与认知阻力： 资深学者深入评审一篇三十页的跨学科论文通常需要 45 到 90 分钟。在文献检索初筛阶段浏览 150 篇候选论文需要耗费数百小时的繁琐劳动，极易导致粗略浏览疲劳、遗漏关键细节并被迫放弃阅读。
- 信息孤岛效应： 关键的实证证据通常深埋在密集的双栏图表、数十页的数据附录以及非结构化的文末参考文献中，无法直接导出到个人知识管理系统或文献管理器中。
+----------------------------------------------------------------------------------------------------+
| 学术文献初筛分流鸿沟 |
+----------------------------------------------------------------------------------------------------+
| |
| 未筛选的海量文献流 传统人工审读工作流 |
| |
| [ PubMed / arXiv / Springer / IEEE ] -----\ |
| [ 30页复杂的 PDF 论文与硕博学位论文 ] ------> [ 摘要陷阱 ] |
| [ 密集的专业技术报告与行业白皮书 ] --------> - 表面化的作者主张 |
| [ 临床研究方案与荟萃分析文献 ] ------------/ - 缺失样本量与对照组细节 |
| - 无法直接访问结构化表格 |
| |
| | |
| v |
| [ 每篇论文耗时 45-90 分钟 ] |
| - 高度认知耗竭 |
| - 手工转录笔记效率低下 |
| - 引用信息碎片化且 DOI 失效 |
| |
| 最终结果：数周时间耗费在非核心论文上，论文写作与发表周期延误，综述覆盖不全 |
+----------------------------------------------------------------------------------------------------+
Scholarcy 通过充当智能阅读助手来弥合这一鸿沟。它没有强迫研究人员在两百字的过简摘要与四十页的详尽全文之间做出极端抉择，而是构建了一个标准化、模块化的摘要信息层，使读者在三十秒内即可掌握文献的核心要义。
技术剖析：抽取式自然语言处理与生成式对话模型的差异
Scholarcy 与主流生成式对话工具（例如通用大语言模型聊天机器人）之间的核心技术差异，在于其底层摘要生成方法。生成式聊天机器人依赖概率性的下一词预测来用模型自己的词汇重写文本，而 Scholarcy 则主要基于**抽取式自然语言处理（Extractive NLP）**构建。
+----------------------------------------------------------------------------------------------------+
| 抽取式摘要生成 vs. 生成式文本重写 |
+----------------------------------------------------------------------------------------------------+
| |
| 方法 A：抽取式自然语言处理（Scholarcy 引擎） |
| |
| [ 原始文献 ] ---> [ 文档解剖解析器 ] ---> [ 显著度与信息密度评分 ] |
| | |
| v |
| [ 保留作者原汁原味的准确表述 ] <----------------- [ 关键语句直接抽取 ] |
| - 算法幻觉归零 |
| - 完整保留原文逐字引用 |
| - 保持同行评审所需的高证据保真度 |
| |
| ------------------------------------------------------------------------------------------------ |
| |
| 方法 B：生成式词元合成（通用大语言模型聊天机器人） |
| |
| [ 原始文献 ] ---> [ 词元上下文窗口嵌入 ] ----> [ 概率化词元预测 ] |
| | |
| v |
| [ 重新合成的转述文本 ] <------------------------- [ 生成式输出 ] |
| - 存在看似合理实则错误的幻觉风险 |
| - 可能微妙篡改科学论断或统计数据 |
| - 潜在生成虚构参考文献的风险 |
+----------------------------------------------------------------------------------------------------+
1. 抽取式架构的核心优势
在学术研究中，精确度是不容妥协的前提。生成式改写中哪怕极微小的措辞变动——例如将*“该药物在 B 组队列中显示出无统计学显著性的疗效趋势”转述为“该药物展示了积极的治疗效果”*——都可能彻底破坏一项系统文献综述的结论，甚至误导临床诊疗决策。
Scholarcy 的抽取式处理流程包含以下严密的结构化阶段：
- 结构化篇章解剖： 解析引擎深入分析文档的层级逻辑，自动剔除页眉、页脚、双栏排版伪影以及出版商的版权冗余信息。引擎依据标准的 IMRaD 架构（引言、方法、结果和讨论）将整篇论文映射到公认的科研模块中。
- 信息密度与语义显著度评分： 专有自然语言算法根据关键词权重、句法位置、修辞标志（如“与既往研究相反”、“我们证实了”、“观察到的主要限制在于”）以及句间语义连贯性，对每一个句子进行定量评分。
- 直接原句抽取： 评分最高的句子将从原文中逐字提取，并整齐归类到知识卡片的对应模块中。由于所有文本均直接源自作者手稿原句，完全避免了合成式模型幻觉或篡改实验参数的隐患。
2. Robo-Highlighter™ 视觉高亮技术
为了兼顾那些偏好在原始上下文语境中进行快速浏览、而非脱离原文单看摘要的研究者，Scholarcy 研发了专有的 Robo-Highlighter™ 智能高亮技术。
在生成知识卡片或通过浏览器扩展查看文档时，Robo-Highlighter 会自动扫描全文并应用基于算法的色彩编码：
- 客观事实陈述与背景基础（蓝色）： 自动标出已被学界确立的背景事实、作者引用的前人文献以及基线概念定义。
- 作者核心贡献与新发现（橙色/黄色）： 突出高亮本篇论文提出的创新论点、最新实验数据结论以及作者自有的研究假设。
这种视觉层次结构使研究人员能够一眼将已有的学术共识与本项研究带来的全新增量贡献清晰剥离开来。
Scholarcy 结构化摘要知识卡片的解剖结构
当 Scholarcy 处理一篇学术文献后，它会生成一张标准化的多标签页 Summary Flashcard（摘要知识卡片）。这种标准化的版面设计，使研究人员面对成百上千篇版式与编排风格各异的文献时，能够采用完全一致的系统化扫描习惯。
+----------------------------------------------------------------------------------------------------+
| SCHOLARCY 知识卡片用户界面 |
+----------------------------------------------------------------------------------------------------+
| [论文标题：基于临床诊断支持的神经语言模型纵向评估] |
| [作者：Davies, A., Chen, K., et al. | Journal of Biomedical Informatics, 2025] |
+----------------------------------------------------------------------------------------------------+
| [ 概览 / 大纲 (Overview / Synopsis) ] |
| 一段 3-4 句的通俗叙述，清晰阐述核心研究假设与最重要的结论。 |
| |
| [ 关键概念 (Key Concepts) ] |
| * Transformer 架构 (维基百科定义) * 临床决策支持系统 (CDSS) |
| * ROC-AUC 验证指标 * 零样本诊断 (Zero-Shot Diagnostics) |
| |
| [ 研究目标与核心议题 (Study Objectives & Research Question) ] |
| “评估领域自适应神经网络在急诊分诊中是否优于基准规则系统……” |
| |
| [ 研究方法与研究对象队列 (Methodology & Participant Cohort) ] |
| * 队列规模：涵盖三家三甲医院的 N = 14,250 例去标识化患者就诊记录。 |
| * 模型架构：基于 70B 参数微调的生物医学 Transformer 模型。 |
| * 验证协议：5 折交叉验证，对照专科认证的分诊记录进行评估。 |
| |
| [ 核心发现与量化结果 (Key Findings & Quantitative Results) ] |
| * 诊断敏感度相对提升 14.2%（p < 0.001）。 |
| * 急诊分诊危重类别中的假阳性率从 8.4% 降低至 3.1%。 |
| |
| [ 局限性与研究约束条件 (Limitations & Study Constraints) ] |
| * 回顾性研究设计，仅限于住院临床场景。 |
| * 数据集缺乏门诊非急症队列的长期随访追踪。 |
| |
| [ 提取表格与数据图表 (Extracted Tables & Data Visualizations) ] |
| [表1：队列人口统计学特征.xlsx] [表3：混淆矩阵.xlsx] [下载所有图表 .ZIP] |
| |
| [ 参考文献与文献网络引擎 (References & Bibliography Engine) ] |
| [文献1：Smith et al., 2022] ---> [Unpaywall 开放获取 PDF 直达链接] [导出 BibTeX / RIS] |
+----------------------------------------------------------------------------------------------------+
1. 核心大纲与通俗概览
在知识卡片顶部，Scholarcy 提供了精炼的叙述性摘要。该大纲提炼了研究的总体前提，解释了开展调查的原因、采用的主要方法论以及得出的核心结论。对于审阅自身核心专业之外文献的跨学科研究者而言，该部分提供了快速的概念锚定。
2. 关联维基百科定义的关键概念
科学论文经常使用晦涩的缩略词与高度细分的领域术语。Scholarcy 能够自动提取最核心的技术关键词，并将其自动关联到 Wikipedia 的权威定义。将鼠标悬停或点击概念词汇，即可展开即时释义浮窗，使研究者无需频繁打开新的浏览器标签页即可理清生僻术语。
3. 研究目标与假设
该模块独立抽离出论文的核心研究问题。它准确提取出作者意图解决的具体痛点，剥离周围无关紧要的引言修辞与背景文献铺垫，让研究明确的实操目标一目了然。
4. 方法论、受试者与样本量
对于需要评估研究证据强度的学者，方法学部分至关重要。Scholarcy 会专门解析并提取：
- 受试者队列与样本量（$N$）： 评估涵盖的人类受试者数量、动物模型规模或合成数据集样本量。
- 对照条件： 基线参照物、安慰剂对照组以及双盲实验参数设置。
- 实验协议： 实验过程中所使用的软件工具链、生化试剂方案、神经网络架构及统计学软件包。
5. 核心发现与定量成果
该标签页直接汇集论文的新颖实证证据，免去了读者在冗长讨论章节中大海捞针的困扰。算法优先提取包含定量数据指标、统计显著性得分（$p$ 值、置信区间、效应量）以及明确对比结论的关键语句。
6. 局限性与研究约束
作者通常会将极为重要的研究局限性放在讨论章节的最后几段，普通读者极易忽略。Scholarcy 能够精准识别并单独提炼出这些警示性陈述——例如样本规模偏小、地域受限、未排除的混杂变量或计算资源瓶颈——让读者立即保持客观审慎，防止过度推广论文结论。
7. 自动化图表提取
学术 PDF 中的表格数据处理向来十分繁琐；从多栏 PDF 中复制粘贴表格文本往往导致乱码和排版错位。Scholarcy 能够深入解析嵌入在 PDF 中的数据表格，完整重构其行列结构，并允许用户：
- 直接在卡片内部查看交互式、整齐规整的表格。
- 将独立表格导出为规范的 Microsoft Excel（
.xlsx）电子表格，供后续二次统计分析使用。 - 提取嵌入的高清图表素材作为独立图片资源，方便查阅。
8. 参考文献解析与 Unpaywall 开放获取直达
Scholarcy 能够全面解析论文末尾的参考文献表，将非结构化的引用文本解析为标准化的引文字段。通过与 Unpaywall、Google Scholar 和 PubMed 的 API 接口联动，Scholarcy 会逐一查询被引文献是否存在合法的开放获取（Open Access）版本。一旦检测到开放资源，卡片便会直接提供一键直达全文 PDF 的链接，极大加速了文献溯源与引文链追踪。
实操工作流：从 PDF 到系统文献综述矩阵
将 Scholarcy 融入日常学术研究工作，通常遵循四个环环相扣的标准流程，覆盖从最初文献发现到长期知识沉淀的完整周期。
+----------------------------------------------------------------------------------------------------+
| SCHOLARCY 端到端科研工作流程 |
+----------------------------------------------------------------------------------------------------+
| |
| [ 文献采集渠道 ] |
| * 浏览器扩展（Chrome、Edge、Firefox）运行于 Nature、ScienceDirect、arXiv |
| * 拖拽本地 PDF / Word 文档 / 图书章节至工作台 |
| * 从 Zotero / Dropbox / Google Drive 直接同步云端库 |
| | |
| v |
| [ Scholarcy 智能解析引擎 ] |
| * IMRaD 结构化解剖分析 |
| * Robo-Highlighter 核心要素显著度识别 |
| * 数据表格与参考文献结构化提取 |
| | |
| v |
| [ 交互式知识卡片快速初筛 ] |
| * 敏捷分流决策（保留精读 / 归档备查 / 直接舍弃） |
| * 在 Scholarcy 个人资料库内添加批注与自定义标签 |
| | |
| v |
| [ 知识综合与多平台导出 ] |
| * 文献综述矩阵：批量导出多卡片对比表格至 Excel / CSV |
| * 个人知识库：导出规范 Markdown 文件至 Notion / Obsidian / Roam |
| * 引文管理同步：导出 RIS / BibTeX 至 Zotero / Mendeley / EndNote |
+----------------------------------------------------------------------------------------------------+
步骤 1：在各个学术触点采集文献
研究人员可以通过多种便捷通道将文献导入 Scholarcy：
- 网页浏览器扩展： 支持 Google Chrome、Microsoft Edge 和 Mozilla Firefox。当在 ScienceDirect、SpringerLink、IEEE Xplore、PubMed 或 arXiv 等学术数据库浏览时，点击扩展图标即可在几秒钟内解析当前页面或开放获取 PDF，无需离开出版商页面即可生成知识卡片。
- 本地文件直接上传： 用户可将本地的 PDF 文件、Microsoft Word（
.docx）手稿以及 EPUB 电子书直接拖拽到 Web 控制台中。 - URL 与标识符导入： 粘贴论文的网页直达链接或学术数字对象标识符（DOI），平台即可自动抓取并生成摘要。
- 直接同步 Zotero 文献库： 用户可将个人的 Zotero 账户与 Scholarcy 绑定，自动将选定的 PDF 文献集拉取到自动化摘要流程中。
步骤 2：算法处理与知识卡片生成
接收到文件后，Scholarcy 解析引擎会在大约 10 到 30 秒内完成文档深度拆解。生成的知识卡片将自动被索引并归入用户的个人云端资料库中，用户可以按项目分设文件夹、添加自定义分类标签并记录个人阅读思考。
步骤 3：快速文献初筛与分流
卡片生成后，研究人员即可执行敏捷筛查：
- 浏览核心大纲（Synopsis），迅速确认主题契合度。
- 检查研究方法（Methodology）与样本量（Sample Size），核验研究方案严谨性。
- 查看局限性（Limitations），评估是否存在否定该论文适用性的实验缺陷。
若论文通过了这道初筛，学者即可将其列入精读清单；若未通过，则可立即归档或舍弃，从而省去每篇论文耗时 30 到 60 分钟的低效泛读。
步骤 4：下游知识综合与多格式导出
当累积评估了一批文献（如 20 至 50 篇）后，研究者可将这些结构化数据批量导出至外部分析工具：
- Excel 文献综述矩阵： Scholarcy 允许用户一次性选中多达 100 张知识卡片，并将其整合导出为单个 Excel 或 CSV 矩阵表格。每一行代表一篇论文，各列则规整对齐标准化属性：作者、年份、研究目标、方法、样本量、核心结论及局限性。这一自动生成的矩阵为撰写高质量文献综述或荟萃分析提供了开箱即用的基石。
- 个人知识管理 Markdown 导出： 知识卡片可完整导出为带有各级标题与元数据前言的规范 Markdown 文档。这些文件可无缝导入 Notion、Obsidian 和 Roam Research，融入研究者的双向链网状知识体系。
- 规范引文库： 用户能够导出标注标准的
.ris和.bib引文文件，轻松将清洗后的元数据同步至 Zotero、Mendeley 和 EndNote 等主流文献管理器。
版本架构与功能对比
Scholarcy 采用免费增值（Freemium）的软件即服务模式，同时提供面向个人学者的订阅计划以及面向大学和科研机构的机构授权方案。
| 功能 / 特性 | Scholarcy 免费浏览器扩展 | Scholarcy Library（个人订阅版） | Scholarcy 机构级授权许可 |
|---|---|---|---|
| 主要运行环境 | Chrome、Edge 与 Firefox 扩展 | Web 云端工作台 + 浏览器扩展 | 全机构统一单点登录（SSO）/ 校园授权 |
| 文档摘要处理量 | 每日摘要处理篇数有限 | 无限制文档深度摘要处理 | 全校/全机构无限制批量处理 |
| 个人资料库存储 | 仅保存在本地浏览器缓存 | 无限制云端资料库，支持文件夹与标签 | 集中式机构/团队多用户共享资料库 |
| 支持的导入渠道 | 网页公开内容与浏览器直接打开的 PDF | PDF、Word、EPUB、URL、DOI、Zotero 同步 | 机构批量导入与机构知识库直接对接 |
| 表格与数据提取 | 浏览器内在线预览 | 完整导出至 Microsoft Excel (.xlsx) | 批量数据提取与专用 API 接口对接 |
| 批量文献综述矩阵 | 不支持 | 支持一次性导出多达 100 张卡片至 Excel/CSV | 机构级自动化文献综合矩阵分析 |
| 数据导出格式 | 基础文本摘要预览 | Markdown、Word、PowerPoint、Excel、RIS | Markdown、Word、PowerPoint、Excel、JSON、API |
| 适用目标受众 | 泛阅读人群、本科阶段学生 | 硕士生、博士生、独立研究学者 | 大学图书馆、医学院校、专业科研院所 |
免费的浏览器扩展为需要快速浏览开放获取期刊的本科生提供了直接便利；而专业科研人员、博士候选人以及系统综述团队，则通常需要依赖 Scholarcy Library 级别，以解锁多层级文件夹归纳、双向 Zotero 库同步以及百篇级的 Excel 文献综述矩阵自动生成功能。
融入现代学术科研技术栈
Scholarcy 的设计定位并非封闭的围墙花园，而是作为连接广阔学术文献与文献管理生态的中间加速层。
+----------------------------------------------------------------------------------------------------+
| SCHOLARCY 学术技术栈生态整合 |
+----------------------------------------------------------------------------------------------------+
| |
| [ 文献发现与检索层 ] |
| - Google Scholar、PubMed、arXiv、ScienceDirect、OpenAlex |
| | |
| v |
| [ Scholarcy 抽取与结构化解析层 ] |
| - 抽取式摘要生成与 Robo-Highlighter 智能高亮 |
| - 表格解析 (.xlsx) 与 Unpaywall 开放获取链接溯源 |
| | |
| +---------------+---------------+------------------+ |
| | | | |
| v v v |
| [ 引文文献管理器 ] [ 个人知识管理系统 (PKM) ] [ 定量综合与矩阵分析 ] |
| - Zotero - Obsidian - Microsoft Excel |
| - Mendeley - Notion - Google Sheets |
| - EndNote - Roam Research - 系统文献综述矩阵 |
| (导出 RIS / BibTeX) (导出结构化 Markdown) (导出 CSV / XLSX 矩阵) |
+----------------------------------------------------------------------------------------------------+
1. 引文管理器（Zotero、Mendeley、EndNote）
Scholarcy 并非现有文献管理软件的竞争对手，而是与其实现无缝协同。通过与 Zotero 账户联动，研究人员加入 Zotero 集合的论文可以直接推送给 Scholarcy 进行自动化卡片抽取；反之，Scholarcy 提取出的整洁参考文献与标准化 Citation Key 也能够以 RIS 或 BibTeX 格式重新导入文献管理器，自动补全规范元数据与作者详情。
2. 网状笔记与第二大脑体系（Obsidian、Notion、Roam）
在当代学术研究流程中，众多学者依靠网状笔记工具来构建个人学术认知网络。由于 Scholarcy 支持将知识卡片导出为规整排版的 Markdown 文件，学者可以直接将其存入 Obsidian 本地知识库或 Notion 数据库中。每一张卡片即构成一个独立的原子化笔记，完整包含作者元数据、关键发现与核心引句，随时可与研究者的课题笔记、概念索引进行双向反向链接。
3. 系统文献评价分析流（Covidence、Rayyan、Excel）
在符合 PRISMA 规范的标准系统文献综述中，研究团队必须在数十乃至上百篇论文中逐一提取标准化指标。通过将多达 100 张卡片的内容合并输出为统一的 Excel 表格，Scholarcy 将过往需要耗费数天的人工填表录入工作，转变为自动化的指标抽取流程，将研究特征、干预措施细节与统计检验结果规范排列于标准化表格列中。
核心局限性与科研方法学审慎边界
尽管 Scholarcy 在文献筛选阶段能够带来显著的效率飞跃，但在学术严谨性面前，研究人员必须清醒认识到其技术边界，并建立必要的方法学防线。
1. 初筛工具而非替代深度批判性精读
Scholarcy 的核心定位是文献分流初筛的加速器，绝非完全取代人类学者的深度批判性阅读。虽然抽取式卡片能够高度可靠地告诉你某篇研究是否符合纳入标准，但它无法代替学者评估作者理论架构的严密性、察觉实验设计的隐蔽漏洞或捕捉微妙的利益冲突倾向。一旦某篇论文被确定为你课题的核心文献，研究者依然必须完整阅读全文。
2. 付费文献墙与全文访问权限约束
Scholarcy 并不能绕过学术版权保护或攻破期刊付费墙。若目标论文处于商业数据库（如 Elsevier、Wiley 或 IEEE）的访问限制之后，除非用户已通过机构代理（如大学校园网 VPN）登录验证，或者手动上传了拥有合法阅读权限的本地 PDF 全文，否则浏览器扩展只能对公开发布的摘要内容进行解析。不过，Scholarcy 内置的 Unpaywall 接口能在很大程度上帮助学者迅速定位该成果是否存在合法发布的预印本或机构知识库公开副本。
3. 复杂非文本载体的解析短板
尽管 Scholarcy 在处理文字与规范表格方面表现卓越，但对于高度复杂的纯视觉信息——例如多色共聚焦显微图像、复杂有机化学反应机理图或非标准排版的数学物理推导手稿——纯文本抽取算法仍无法完全理解。高度依赖定性图像解析的研究，仍必须由专业研究人员进行直接的人工视觉审查。
4. 阅读辅助功能与神经多样性支持
Scholarcy 极具价值的一个次生优势在于其辅助阅读功能。对于患有注意力缺陷多动障碍（ADHD）、阅读障碍或易产生认知疲劳的学者与学生而言，传统学术论文往往是一堵令人望而生畏的信息高墙。通过将动辄几十页的复杂论文拆解为模块化、易吸收的卡片，利用 Robo-Highlighter 进行视觉显著度标记，并配备一键释义的悬浮词典，Scholarcy 有效降低了认知超载，让深奥的学术文献变得更具包容性与可读性。
结语：在捍卫证据真实性的同时加速科学探索
全球学术出版物的指数级增长，已使传统完全依赖人工单篇精读的文献筛选模式难以为继。当代学者绝无可能耗费数百小时逐页通读三十页的 PDF，却往往在读完后才发现其中半数文献缺乏统计检验力，或与自身的实证研究议题根本无关。
通过深度融合抽取式自然语言处理、基于 IMRaD 的文档结构剖析、自动化表格提取以及严格的参考文献验证，Scholarcy 在过于简略的传统摘要与过于繁重的论文全文之间建立起平衡的中间地带。当它与 Zotero、Notion 和 Excel 等工具深度结合并融入现代学术技术栈时，Scholarcy 得以赋能科研人员、研究生与情报专业人员：在更快驾驭学术前沿、系统搭建文献综述矩阵的同时，始终严守科学探索各环节不可动摇的证据保真度。