开题截止只剩一天时，最危险的做法不是“没有想法”，而是让 AI 一次生成几十个题目，再凭标题是否顺眼做决定。真正有效的急救方案，应当把 24 小时拆成几个可检查的环节：先限定研究边界，再扫描文献全景，随后验证空白与可行性，最后形成一份能够交给导师讨论的选题方案。
这里的 AI 不是替你拍板，而是负责加快检索、归纳和比较。题目是否成立，仍要回到文献证据、数据条件、研究方法和导师要求上判断。
先确定“能做什么”，再让 AI 找题目
开始操作前，先用一页纸写清楚自己的研究约束。至少包括专业方向、研究对象、可获得的数据或材料、计划采用的方法、导师偏好的研究传统，以及论文的时间和篇幅限制。
这一步看似与 AI 无关，却决定了后续输出质量。只输入“人工智能”“数字经济”或“教育改革”这类宽泛词，得到的通常只是热点词的重新排列。更有效的输入应当同时包含研究对象、具体场景和待解决的问题，例如：
我研究的是职业教育领域，能够获取某类学校的公开政策文本，倾向采用文本分析方法，希望讨论人工智能应用对课程治理的影响，暂不考虑大规模问卷调查。
这样的描述比单一关键词更适合交给选题工具处理。让 AI 先提取约束，再提出方向，不要一上来就要求它生成最终题目。
工具不要混用，按任务分成三类
24 小时内不适合同时注册和测试大量工具。可以按照任务选择工具，而不是按照“功能最多”选择工具。
第一类是热点和方向发现工具。AI-TREND-RADAR 的资料说明显示，它会从 GitHub、Hacker News、Product Hunt、arXiv、Hugging Face 以及部分技术机构官网和技术社区抓取公开信号，形成中文选题池。这类工具适合观察某个技术或行业方向近期出现了哪些值得追踪的议题，但它反映的是公开讨论热度，不能直接等同于学术问题。社会关注度高，不代表论文就有清晰的研究缺口。
第二类是学术文献分析工具。万方选题基于学术资源和语义分析，提供学科热点主题演化、前沿主题追踪、交叉学科探测、新兴主题挖掘、文献推荐以及已定选题新颖性评测等功能。它更适合用来判断一个方向在学术文献中的发展脉络，而不是单纯寻找热门词。
第三类是研究方案整理工具。资料中提到的 Thesis Proposal Agent 将需求采集、学科路由、候选方向筛选、方向深挖、OpenAlex 文献检索、文献缺口矩阵和 AI 开题扩写串联起来。它的价值在于把模糊兴趣推进为可讨论的选题方案，但生成的文献、缺口和判断仍需逐条核验。
如果无法使用这些专门工具，也可以采用“学术数据库加通用 AI”的组合：数据库负责提供可核验的文献，AI 负责整理关键词、比较研究对象和归纳方法差异。不要让通用 AI 凭记忆替你生成文献事实。
24 小时工作安排
第一个阶段：明确边界并生成方向簇
先把自己的研究条件输入 AI，要求它完成三件事：提炼研究对象，拆分可能的问题维度，生成若干方向簇。这里的“方向簇”不是最终题目，而是相互区分的研究路径。
例如，同一个宽泛兴趣可以拆成政策文本分析、组织治理研究、用户行为研究或技术应用评估。每个方向都应说明研究对象、核心问题、可能材料和基本方法。若 AI 只给出“现状、问题与对策”式题目，说明输入仍然过于宽泛，需要补充研究场景和材料来源。
这一阶段的判断标准不是哪个题目最有吸引力，而是哪个方向最符合你的资源。没有稳定数据，就不要把方向建立在复杂实证分析上；缺少实验条件，就不要轻易选择需要长期实验验证的题目。
第二个阶段：做一次有目标的文献全景扫描
文献扫描不等于把搜索结果全部下载下来。先为每个方向建立一组检索词，至少覆盖研究对象、核心概念、应用场景、研究方法和可能的近义表达。随后观察文献数量变化、主题演化、常见研究对象和方法分布。
AI 可以帮助你把初步检索词扩展为同义词、上位词和交叉领域词，也可以将摘要或文献元数据按统一维度归类。但不要只让它输出“研究热点总结”，应要求它回答更具体的问题：
- 这个方向主要研究什么对象？
- 常用的理论、方法或数据是什么？
- 哪些问题已经被反复讨论？
- 不同研究之间存在哪些结论差异？
- 哪些研究对象、场景或方法较少出现？
- 这些空白是尚未研究，还是因为数据难以获得？
在整理时，可以建立一个简单的文献矩阵，把每篇核心文献记录为“研究对象—问题—方法—材料—主要结论—局限—可延伸方向”。矩阵的作用不是追求数量，而是防止 AI 把不同文献中的观点混在一起。
如果使用 Thesis Proposal Agent 一类工具，可利用其文献检索和缺口矩阵功能提高整理速度；如果使用万方选题，则重点查看主题演化、交叉学科和新兴主题等结果。对于 AI-TREND-RADAR 这类公开信号工具，则应把它放在学术文献扫描之前或并行使用，用来发现可能值得检验的方向，而不是作为学术依据。
第三个阶段：把“空白”改写成可研究的问题
创新点不能简单写成“研究较少”或“首次研究”。一个可信的切入点，至少要说明已有研究做到了哪里，以及你准备在哪个对象、场景、材料、方法或解释角度上推进一步。
可以要求 AI 对候选方向分别完成三轮改写。第一轮只概括已有研究，禁止提出创新；第二轮专门寻找研究之间的差异、遗漏和限制；第三轮把这些差异改写为可验证的问题。这样做可以减少 AI 直接编造“学术空白”的风险。
例如，“现有研究较少关注某群体”只是线索，进一步还要追问：为什么较少关注？是否因为数据不可得？这个群体是否具有不同的机制或情境？你是否真的能获得相关材料？如果无法回答这些问题，就不能把它直接包装成创新点。
创新点最好落在具体位置上：研究对象由宏观总体收窄到特定群体，研究场景由一般应用转向特定情境，材料由单一文本扩展到可比较的多类资料，或者在已有方法上加入能够回答新问题的分析维度。创新不是把题目写得更复杂，而是让研究问题与材料、方法相互匹配。
用四个维度筛掉“看起来很好”的题目
候选题目不宜只按新颖性排序。可以让 AI 对每个方向分别从新颖性、文献基础、数据可得性和方法可执行性进行说明，再由自己复核。
| 判断维度 | 需要核对的问题 |
|---|---|
| 研究价值 | 题目要解决的具体问题是什么？它是否超出了对现象的简单描述？ |
| 文献基础 | 是否找到足够的核心研究？不同文献的观点和方法能否被比较？ |
| 数据条件 | 研究材料从哪里获得？获取权限、时间和完整性是否可接受？ |
| 方法匹配 | 计划采用的方法能否回答问题？是否需要自己尚未掌握的复杂技术？ |
| 边界控制 | 题目是否包含过多对象、地区、时期或变量？能否在开题周期内完成？ |
其中，数据条件往往比题目新颖性更早决定成败。一个概念新颖但材料无法获得的题目，提交后仍可能被导师要求重做。相反，一个问题边界清楚、证据容易取得、方法能够掌握的题目，更有机会在有限时间内形成可靠成果。
第四个阶段：生成可提交的选题方案草稿
当候选方向缩减到一两个之后，再让 AI 生成开题讨论稿，而不是直接生成论文正文。草稿可以包含研究背景、核心问题、已有研究概况、可能的研究对象、资料来源、方法设想、预期创新、风险和备选方案。
提示语应明确要求：每一项判断都标记依据或待核查位置；无法从已提供文献确认的内容不得写成事实；不要虚构文献、作者、数据和研究结论；如果发现材料不足，应直接提出补检索方向。
生成后，先检查题目和正文是否一致。有些 AI 会把题目限定在一个群体，正文却扩展到整个行业；也可能把“拟研究”写成“已经证明”。这类表述必须改回审慎语气。对于尚未完成验证的内容，可使用“拟考察”“需要进一步核实”“计划通过相关材料分析”等表达。
草稿的最终作用，是帮助你和导师快速讨论三个问题：这个问题是否值得研究，这些材料是否拿得到，以及你准备采用的方法能否真正回答问题。它不是论文正文，也不能替代对原始文献的阅读。
最后两小时：人工复核比继续生成更重要
提交前不要继续让 AI 无限扩展题目，而应逐项复核关键证据。至少重新打开核心文献，确认标题、研究对象、方法和结论是否被准确概括；检查所谓“研究空白”是否只是检索范围过窄；确认题目中的每个限定词都有实际含义。
同时，把 AI 生成的参考文献、数据来源和创新判断分成“已核实”“待核实”和“删除”三类。无法确认的内容宁可删掉，也不要为了让方案显得完整而保留。
24 小时内能够完成的，不是凭空制造一个绝对新颖的题目，而是把模糊兴趣收敛为一个边界清楚、文献可追溯、材料拿得到、方法基本匹配的研究命题。AI 最适合加速这条路径，却不能替你承担选题责任。只要把工具放在检索、比较和整理的位置，把最终判断留在证据与可行性上，临近截止时间也仍有机会形成一份可讨论、可修改、可提交的选题方案。
