弥合神经科学与人工智能之间的鸿沟：一个用于大规模脑数据科学中可扩展、基于上下文自适应训练资源的框架

《Frontiers in Psychology》：Bridging the neuro-AI chasm: a framework for scalable, contextually adaptive training resources in large-scale brain data science

　　摘要：尽管大规模脑数据工具的可用性不断增加，许多研究人员仍难以有效地将其与人工智能（AI）结合使用。这并非由于缺乏访问途径，而是因为现有的培训资源更注重对这些工具的熟练掌握，而非培养批判性思维能力。虽然AI加速了工作流程，但也可能加剧技能差距：拥有扎实基础知识的研究人员能够整合AI生成的见解，而其他人则可能过度依赖自动化输出，而没有充分理解其局限性，从而影响能力的提升。传统的培训方法假设接触AI工具自然会转化为专业技能，忽视了结构化认知参与的重要性。我们提出了五个基于认知科学的原则，以重新思考神经科学培训，确保AI成为促进更深层次科学推理的辅助工具，而不仅仅是被动的自动化工具。我们通过EBRAINS培训资源的案例研究，展示了这些原则在神经科学教育中的适用性。

1. 引言
神经科学正在经历一场深刻的变革，涉及实验数据的生成、结构化、共享和分析方式。现代数据集的规模和复杂性不断增加——这得益于高密度电生理学、大规模光学成像和全脑连接组学的进步——推动了以下发展：（i）统一的数据标准和格式（如BIDS（Gorgolewski等人，2016年）、NWB（Rübel等人，2022年）和OME-Zarr（Moore等人，2023年）；（ii）公共数据共享平台（如DANDI Archive（2019年）、OpenNeuro（Markiewicz等人，2021年）和EBRAINS（Amunts等人，2022年）；（iii）开源分析软件和流程（如SpikeInterface（Buccino等人，2020年）、DeepLabCut（Mathis等人，2018年）、CaImAn（Giovannucci等人，2019年）、fMRIPrep（Esteban等人，2019年）；（iv）云兼容平台（如BrainLife（Hayashi等人，2024年）、DataJoint（Yatsenko等人，2021年）和NeuroCAAS（Abe等人，2022年）。这些发展共同构成了脑数据科学——即在分布式存储库、多模态流程和AI辅助工作流中处理神经科学数据的综合实践。然而，许多研究人员——尤其是那些没有接受过正式计算培训的人——难以将这些工具以科学严谨且符合实际需求的方式整合到他们的工作流程中。尽管社区驱动的倡议（从研讨会和黑客马拉松到虚拟培训联盟）在解决这一问题上取得了显著进展（Abrams和Van Horn，2024年），但仍缺乏一个连贯的教学框架来指导这些工具的教学。问题可能不仅在于这些平台的技术复杂性，还在于培训资源的不足，这些资源更侧重于程序流畅性而非概念理解。关于神经科学（Amunts等人，2024年）和更广泛的高等教育领域的数字化转型研究表明，许多机构缺乏连贯的培训策略，导致数字技能差距以及教师在将AI和自动化有效整合到研究和教育中的准备不足（Singun，2025年）。尽管AI支持的神经科学工具取得了快速进展，当前的培训范式仍然主要以程序性为主，往往强调工具操作而非科学推理。因此，学习者可能能够成功操作自动化工作流程，但缺乏评估AI生成结果、评估方法论假设或解决意外问题的概念框架。我们将这种分析自动化与人类解释能力之间的脱节称为“神经-AI鸿沟”。虽然AI作为交互式学习工具使用时具有增强批判性思维的潜力（Kasneci等人，2023年；Arfaie等人，2024年），但神经科学培训材料往往未能将其融入到积极促进学习者进行推理和假设评估的过程中。相反，许多资源侧重于程序自动化，导致用户不加批判地接受输出，或在面对数据异常时难以排除故障。

类似的挑战也出现在高等教育领域的数字化转型中，其中数字素养的缺乏和培训方法的不一致导致AI驱动工具的采用效果不佳（Singun，2025年）。解决这一差距需要从根本上改变培训设计——超越简单的步骤式指导和AI工具的接触，积极培养科学推理能力。我们提出了五个基于认知科学的原则，以重塑神经科学培训。这些原则挑战了有效培训依赖于严格程序性指导的传统假设，强调元认知、富有成效的挑战和适应性学习，以促进更深层次的科学推理。这一框架确保AI作为辅助工具，增强而非取代对神经科学数据的批判性参与。虽然本文特别讨论了“AI悖论”（另见West等人，2024年的详细讨论），但我们提出的五个基于认知科学的培训设计原则适用于涉及AI模型的多种神经科学培训模块。我们通过EBRAINS培训资源展示了这些原则的应用，并讨论了这一框架如何补充NERC等评估工具和INCF Training Space等开放平台。虽然这些认知基础在多个科学教育领域（包括生物信息学培训、计算生物学教学法和物理教育研究）得到认可，但当前框架通过第4节的学科特定应用、第5节的案例研究和第6节的FAIR比较进行了专门调整。

2.2 背景：AI辅助神经科学中的培训差距
2.1 AI悖论
AI改变了神经科学培训，降低了技术门槛，同时也带来了真正的能力获取风险。这种对比——我们称之为“AI悖论”——反映了AI的双重作用：一方面提高了知识的可获得性，另一方面增加了认知外包的风险，即用户依赖自动化而未深入理解其背后的科学原理（Dubois，2024年）。虽然AI驱动的工具简化了工作流程，但也引入了自动化偏见——倾向于不加批判地接受算法输出，而不是质疑其有效性（Gerlich，2025年）。关于高等教育中AI辅助学习的研究表明，许多培训项目更强调程序工具的使用而非概念理解，从而加剧了对自动化的依赖，牺牲了分析推理能力（Singun，2025年；Gkintoni等人，2025年）。这种方法虽然提高了技术熟练度，但往往未能培养评估AI生成结果所需的批判性思维能力。因此，具有扎实基础知识的研究人员受益最大，而其他人则可能过度依赖自动化（Gerlich，2025年），这可能加剧了技能差距而非缩小差距。
2.2 简化-抽象陷阱
培训材料经常过度简化复杂的神经科学方法以提高可访问性，但往往以牺牲概念深度为代价。AI驱动的工具通过自动化复杂分析步骤，使培训设计者倾向于抽象掉学习者需要理解的过程。虽然简化有助于初步学习，但过度简化内容会阻碍实际应用所需的批判性思维和问题解决能力的发展（Gkintoni等人，2025年）。神经科学培训必须确保学习者发展出坚实的概念框架，以便从指导性练习过渡到独立研究。
2.3 AI幻觉和错误信息风险
即使不是完全由AI生成的内容，AI辅助的内容也可能引入偏见、事实错误和虚假引用，从而削弱对培训材料的信任（Dubois，2024年）。这些扭曲可能源于培训数据集中的偏见、AI对不完整数据的误解或用户对AI生成见解的不加批判的接受。关于AI生成教育内容的伦理、隐私和监管问题进一步增加了复杂性，而培训项目往往忽视了这些问题（Dubois，2024年）。神经科学家不仅需要掌握AI辅助分析技能，还需要能够批判性地评估AI输出、评估其可靠性并识别算法决策中的潜在偏见。例如，大型语言模型（LLMs）经常伪造引用——学习者必须明确接受这一风险。

3. 方法：框架开发
3.1 方法
本文提出的五个原则源于三个方面的综合：（1）关于学习和技能获取的认知科学文献回顾；（2）现有神经科学培训资源及其局限性的分析；（3）全球基因组学与健康联盟（GA4GH）和INCF神经科学社区科学合作与教育主题小组内的结构化讨论。认知科学基础主要基于关于学习中的理想困难（Bjork，1994年；Bjork和Bjork，2020年）、元认知监控（Fan等人，2025年）和协作问题解决（Haduong等人，2024年）的研究。然后，这些原则被应用于计算神经科学教育，其中学习者必须同时发展编程、数据分析、数学建模和神经生物学解释能力。
3.2 原则选择标准
选择这些原则是因为它们基于经过同行评审的认知科学研究，与AI引发的学习风险密切相关，并且在现有培训格式中具有实际可行性。

4. 五个脑数据培训原则
这五个原则在认知和社会层面具有互补性（表1）。它们共同构成了一个综合框架，旨在抵消AI引发的认知外包，同时保留自动化的效率优势；这些原则不是顺序执行的，而是在培训环境中动态互动的。
表1
原则 | 认知基础 | 解决的AI风险 | 神经科学应用
| --- | --- | --- | --- |
| 1. 富有成效的挑战 | 理想困难有助于长期记忆（Bjork，1994年；Bjork和Bjork，2020年） | 自动化消除了有益的挑战，导致被动学习者 |
| 在与自动化结果比较之前，用原始数据进行尖峰排序 |
| 2. 适应情境的案例研究 | 生态有效性：学习必须与学习者的实际工作条件相关联 | AI工具假设统一的基础设施，排除了资源受限的环境（参见Schirner等人，2022年） |
| 使用云和本地硬件层次进行钙成像工作流程（Beltran-Parrazal等人，2014年） |
| 3. 适应性学习 | 根据能力调整的支架防止过载和被动性（Gkintoni等人，2025年） | 一刀切的教程无法满足不同学习者的需求 |
| 分支式DataJoint/NWB教程，逐渐减少AI提示 |
| 4. 元认知反思 | 元认知监控防止能力错觉（Fan等人，2025年） | 在自动化功能性磁共振成像（fMRI）预处理后进行反思检查点 |
| 5. 协作问题解决 | 协作认知可以超越个体和自动化方法（Haduong等人，2024年） | AI用自动化答案取代了讨论 |
| 将AI视为“挑衅者”而非权威 |

4.1 原则1：为神经科学特定的富有成效的挑战而设计
理由：当学习涉及“理想困难”时最为有效——这些挑战通过激活编码和检索过程来增强长期记忆和理解（Bjork，1994年）。神经科学培训应整合平衡挑战和支持的任务，以发展更深层次的概念理解和问题解决能力（Bjork和Bjork，2020年）。
含义：尽管严格的指导性教程在教授代码语法等方面有其作用，但后续培训应转向使用复杂真实世界数据集的探究式模块。关键策略包括间隔练习、交错主题、通过自我测试进行检索练习、鼓励学习者生成而非接受答案、调整任务难度，并将错误视为学习机会（Bjork和Bjork，2020年）。
计算神经科学应用：在尖峰排序教程中，不要提供预先排序的数据，而是向学习者提供包含模糊情况的原始电生理记录。要求他们做出排序决策，解释他们的理由，并将结果与自动化算法进行比较；这样，学习者可以体验到有助于建立真正专业能力的富有成效的挑战。教程应在学生完成任务后提供黄金标准比较，以巩固从错误中学习到的知识。

4.2 原则2：根据本地资源环境调整案例研究
理由：虽然核心科学方法应具有普遍性，但其实际应用取决于本地资源限制和基础设施现实。
含义：开发可适应的案例研究，教师可以根据本地挑战进行定制，例如高端设备的有限访问，确保教学材料保持相关性和有效性，同时不改变普遍的科学原则。
计算神经科学应用：例如，钙成像分析教程（参见Beltran-Parrazal等人，2014年；Gerasimov等人，2023年）应提供具有可扩展复杂性的工作流程——其中现代示例可能利用云GPU资源进行大规模处理（Dong等人，2021年；Hayashi等人，2024年），而其他示例则针对标准硬件进行优化（Kim等人，2023年）。这确保资源受限环境中的学习者也能接触相同的科学概念，而不受基础设施要求的限制。

4.3 原则3：为适应性学习重新设计教程
理由：许多神经科学培训材料依赖于严格的、逐步的教程，这些教程更注重程序效率而非概念理解。虽然AI驱动的系统可以提供个性化指导，但当前的培训资源未能充分利用AI促进更深层次的学习。标准化教程通常以静态、线性的方式呈现信息，这对高级学习者有益，但对需要逐步引导的新手来说却难以应对（Gkintoni等人，2025年）。
含义：教育者应实施灵活的、探究式培训模块，根据不同的能力水平动态调整，鼓励独立解决问题。
计算神经科学应用：DataJoint或NWB教程可以设置分支路径：新手在处理特定于神经科学的模式之前接受额外的数据库概念指导，而有经验的程序员可以直接进行高级查询优化。这两种路径都指向相同的学习目标，但起点不同。随着学习者逐步完成DataJoint/NWB教程，AI提示或教程辅助应逐渐减少，迫使学习者依赖在原则1（为神经特异性挑战而设计）中建立的概念框架。4.4 原则4：嵌入元认知反思理由：当前的培训资源未能培养学习者批判性评估AI生成结果的能力，导致过度依赖和误解。自动化分析（例如，尖峰排序）常常未经审查就被接受，强化了能力的错觉，并减少了自我调节的学习（Fan等人，2025年）。建议：嵌入系统的反思检查点和互动模块，要求学习者将AI生成的结果与人类生成的结果进行比较，评估在推理、准确性和可靠性方面的差异。这种做法通过积极让学习者识别错误和理解AI辅助分析的局限性来加强批判性思维（例如，通过比较自动化和手动尖峰排序的准确性）。此外，教师应有意设计AI辅助任务来补充而非替代核心的分析和解决问题的过程。应实施支架式策略来激发内在动机，加强自我导向的学习，并促进AI素养，确保AI作为辅助工具而不是替代批判性评估的手段（Fan等人，2025年）。计算神经科学应用：在对fMRI数据运行自动化预处理流程后，要求学习者回答：“这个流程做了哪些假设？对于不同的群体，你会改变哪些参数？它可能遗漏了什么？”这种元认知暂停将被动执行转变为积极的科学推理。4.5 原则5：在多模态分析中促进协作解决问题理由：AI驱动的工作流程优先考虑效率，但往往忽视了协作科学讨论和辩论的价值。研究表明，无论是仅由人类组成的团队还是人机合作，在解决复杂、模糊的科学问题时，协作解决问题的方法通常优于单独工作或完全自动化的方法（Haduong等人，2024年）。在神经科学中，多模态数据整合需要跨不同数据集的解释，协作可以增强错误检测、假设完善和方法创新。实施：AI不应仅作为被动分析工具，而应作为科学探究的动态贡献者。为了体现这一转变，我们将AI视为“挑衅者”：其角色不是提供权威答案，而是提出替代假设，暴露未明言的假设，并促进迭代科学辩论。以这种方式重新定义AI可以直接对抗第2.1节（AI悖论）中描述的认知外包和自动化偏见，并以补充而非替代人类推理的方式实现原则5。在实践中，“挑衅者”角色可以通过几种互补机制来实现：AI驱动的对工作假设的挑战，促进同行讨论和结论的迭代完善；整合对抗性流程——设计模拟矛盾分析的AI工作流程，要求研究人员评估不一致之处并发展更强的科学推理能力；鼓励结构化的团队学习——开发教育练习，让学习者在AI辅助下进行小组分析，比较人类主导和AI驱动的见解，同时协商方法决策；嵌入透明度检查点——AI工具应设计有内置的透明度机制，确保结果不是盲目接受，而是通过协作验证来 contextualize。计算神经科学应用：在一个结合电生理学和成像数据的多模态整合练习中，让团队使用不同的AI辅助分析方法，然后向同伴展示并辩护他们的发现。AI作为“合作者”，生成人类必须批判性评估的假设，而不是提供最终答案的预言者。5 案例研究：将五项原则应用于EBRAINS BrainScaleS-2培训资源为了展示这五项原则的实际适用性，我们检查了它们在BrainScaleS-2生态系统（Pehle等人，2022年；BrainScaleS-2文档，2023年）中的实施情况，这是一个与EBRAINS研究和教育基础设施相关的特定知识和培训资源。BrainScaleS-2是一个先进的神经形态硬件平台，物理上模仿了神经元和突触的生物行为。该生态系统还作为不同教育水平（从高中到大学生）的重要教学资源，使复杂的神经科学和计算概念变得具体化。该平台主要使用基于Python的API的文档和交互式Jupyter笔记本，允许用户无需深入编码知识即可探索大脑功能。相反，高级笔记本通过PyNN（Davison等人，2009年）向大学生提出复杂的编程和基于物理的实验室任务。要充分利用BrainScaleS-2培训生态系统，用户必须注册EBRAINS账户。虽然这对个人来说是一个小障碍，但它确实使教育工作者能够访问全球范围内很少有的高性能计算基础设施，符合原则2（为本地资源环境定制案例研究）。总体而言，该生态系统提供了一个从入门级Python使用到建模高级尖峰神经网络的结构化、迭代学习流程。该培训资源进一步整合了Lu.i（Stradmann等人，2025年），这是一种经济实惠且易于获取的物理电子神经元电路，展示了生物神经元的基本动态。这种动手方法激励学生积极参与主动学习和自我测试，这直接符合原则1（为神经特异性挑战而设计）。此外，大多数练习和教程都包含鼓励学生探索替代方案、设计未见问题的解决方案以及反思教程基本假设的问题（原则4：嵌入元认知反思）。这些资源的部署可以根据原则5（在多模态分析中促进协作解决问题）进一步扩展，例如通过国际指导项目（如Google Summer of Code）或本地小组工作环境，其中对抗性团队或AI代理挑战假设并提出替代方法。尽管有这些优势，我们的分析指出了关于原则3（为适应性学习重新设计教程）的一个具体机会。未来的教程应整合额外的检查点和支持分支路径，要求学习者开发和探索替代方案（可能借助AI的帮助）以成功完成练习。虽然BrainScaleS-2生态系统目前尚未整合此类AI辅助学习，但其技术丰富性使其成为将这些提出的原则发展成完全集成学习环境的理想测试平台。6 讨论6.1 神经AI培训设计中的紧张关系AI培训中的一个核心紧张关系是吞吐量和透明度之间的平衡。AI系统可以显著加速技术工作流程，并降低越来越复杂的计算方法的入门门槛。诸如钙成像分析、电生理学预处理、尖峰排序或大规模神经成像等工作流程，过去需要大量手动努力，现在可以通过AI辅助流程快速完成（参见Juneau等人，2026年）。虽然这种加速提高了效率并扩大了参与度，但也引入了学习者可能将这些工具视为不可解释的科学仪器而非透明系统的风险。包括伪影检测、质量控制、参数选择以及预处理流程中嵌入的假设在内的关键概念和方法步骤可能会被自动化层掩盖。因此，学习者可能会获得程序流畅性，而不会发展出批判性评估结果、识别故障模式或识别生物学上不可信结果所需的更深层次的概念理解。有效的神经AI教育必须平衡效率和透明度，确保AI辅助的工作流程在教学上是可解释的，而不是不可访问的“黑箱”。一个相关的挑战涉及神经科学教育中的基础设施公平性。许多先进的AI驱动的神经科学方法假设能够访问大量的计算资源，包括高性能GPU、云基础设施和专用软件环境。这样的假设可能会加剧资源丰富的机构与技术能力有限的机构之间的现有差距。因此，培训框架必须适应广泛的教育和研究环境。实际上，这意味着强调即使在缺乏复杂基础设施的情况下也能保持概念学习的可扩展教学策略。轻量级的计算方法、基于浏览器的教育工具、智能手机支持的成像技术以及云访问的演示可以提供与现代神经科学方法的有意义互动，同时减少对昂贵本地硬件的依赖。通过设计在多样化环境中仍然有效的教育资源，神经AI培训可以变得更加全球化和包容性。除了这些跨领域的紧张关系外，这五项原则在实施上所需的努力也有所不同。原则1和4（生产性挑战和元认知反思）通常可以通过适度的课程调整纳入现有教程中——例如，添加反思提示或用原始记录替换预分类的数据。相比之下，原则3（适应性学习）和原则5（协作解决问题）需要更大的设计努力，需要分支路径、多模态练习，在某些情况下还需要AI辅助的支架式基础设施。原则2（定制案例研究）介于这两者之间。鉴于教育工作者往往缺乏重新设计培训材料的机构支持、时间和资源，我们建议优先考虑成本较低的原则作为切入点，同时通过资助开发和社区合作逐步推进成本较高的原则。6.2 与FAIR原则的区别重要的是，这个框架与现有的标准（如FAIR原则（Wilkinson等人，2016年）在重点上有所不同。FAIR通过促进稳健的数据共享、标准化和可重复性从根本上重塑了神经科学（Abrams等人，2021年）。然而，FAIR主要关注科学资源的组织和可访问性，而不是研究人员如何利用这些资源进行推理的认知和教学过程。我们的框架则侧重于神经AI整合的教育维度：学习者在与日益自动化的系统互动时如何发展概念理解、批判性思维和适应性推理技能。这种方法不仅强调数据集和工作流程的标准化，还优先考虑培养科学判断力。学习者必须被训练不仅仅消费AI生成的结果，还要批判性地审视它们，从生物学角度对其进行 contextualize，并理解算法决策背后的假设和局限性。在这个意义上，该框架通过将关注点从逻辑互操作性扩展到以人为中心的学习、协作推理和跨不同资源环境的教学适应性，补充了FAIR原则（另见Reer等人，2023年的工作）。6.3 限制目前框架也有一些局限性。首先，所提出的原则是基于理论综合、认知科学文献和专家讨论得出的，而不是在神经科学培训环境中进行的系统实证验证。尽管这些原则基于既定的教育和认知理论，但它们在计算神经科学和神经AI教育中的有效性仍需通过纵向和比较研究设计来评估。还需要额外的实证工作来确定这些原则如何影响学习者的理解、记忆、研究独立性和长期方法能力。其次，虽然该框架强调了与AI驱动的认知外包相关的潜在风险，但自动化本身并不必然对学习有害。在许多情况下，设计良好的AI系统可以减少不必要的认知负担，使学习者能够将更多注意力集中在更高层次的推理、假设生成和科学解释上。因此，挑战不在于是否应该整合自动化，而在于如何以保持概念参与的方式整合自动化。手动交互和自动化辅助之间的最佳平衡可能取决于学习者的专业知识、学科背景和教学目标，这表明神经AI教育策略可能需要在培训的不同阶段动态演变。最后，第5节中呈现的案例研究应被视为该框架的初步演示，而不是对其更广泛适用性的最终验证。需要进一步的工作来评估该框架在多个神经科学子领域、不同学习群体和多样化教育环境中的适用性。未来的工作应包括系统性的教育者反馈，关于可行性和实施挑战，以及对学习者结果和协作表现的纵向评估。相关倡议也开始探讨确定数字神经科学工具和资源何时足够成熟并在教学上可靠的问题。这些未来的方向将有助于为负责任地将AI整合到神经科学教育和培训中建立更强的证据基础。7 建议与行动呼吁基于这五项原则和案例研究发现的差距，我们为三个关键受众提供了有针对性的建议（表2）。表2受众建议描述示例教育工作者将“AI辅助的怀疑态度”作为基于科学的批判性思维最佳实践进行教学。培训项目必须超越程序流畅性，纳入培养神经科学直觉和适应性AI指导的结构化问题解决练习，根据学习者的专业水平提供差异化的支持。“使用LLM生成和批判补丁钳实验的数据分析计划”；“通过提示工程揭示工具的局限性”。教育工作者为工具使用提供访客模式和高级用户模式。对于初学者，在掌握里程碑之前限制AI功能。为初学者提供无代码自动化。开发者开发“AI审计追踪”作为跟踪AI使用或性能的手段。使用AI追踪决策和错误日志，提供透明、可追溯的记录。分析工具与大型语言模型（LLM）生成的日志相结合，以追踪人工智能的决策过程。“为什么人工智能排除了这个电生理学通道？”开发者需要跟踪与人工智能相关的“深度指标”，这些指标可以衡量学习者的掌握程度和参与度，以及他们的学习进展和参与深度。有多少用户会修改提供的代码，而不是盲目地重新运行它？开发者应提供神经信息学定制模块，并创建模板，使研究人员能够替换默认的数据集，从而展示分析方法在不同实验模型中的适应性，进而提高培训材料的相关性和适用性。来自小鼠大脑的电生理数据与脑类器官的数据也需要进行比较。在开发培训材料时，应使用神经科学教育准备检查表（NERC）来识别采用过程中的障碍，然后应用五个原则来设计符合教育学要求的内容，以解决这些问题。使用NERC标准评估脑电图（EEG）预处理教程，并应用这五个原则来消除已识别的障碍。

学会和资助机构应认证符合Neuro-FAIR标准的培训资源。这些标准是从FAIR数据原则中调整而来，以满足神经科学培训资源的特定领域需求。还需要为不同人群的流程性能设定基准。“这种尖峰排序算法在不同类型的神经元放电模式（例如，皮层与皮下记录）中是否能够一致地工作？”学会和资助机构应建立全球导师网络（由经验丰富的神经科学家、教育工作者和人工智能专家组成），并在多样化的神经生态环境中对教程进行压力测试，这些环境在技术访问、教育背景或机构限制方面可能存在差异。对于那些在高性能计算或专业设备方面资源有限的实验室，也应部署神经科学软件培训。学会和资助机构应支持集成化的神经科学工具培训框架，推动工具评估和培训设计的开发与验证，认识到有效的神经科学教育需要同时关注这两个方面。将工具评估（NERC标准）与培训设计（五个原则）相结合，以实现全面的神经科学教育。

为了弥合神经科学与人工智能之间的鸿沟，我们建议将人工智能视为一种协作性的“推动者”——而不是人类专业知识的替代品。通过这种方式，我们可以构建培训生态系统，使所有神经科学家能够批判性地参与数据标准、共享资源库、分析软件和云兼容平台的整合，从而重塑这一领域。神经科学与人工智能之间的鸿沟并非技术或教育者的失败（他们往往缺乏重新设计培训材料的机构支持、时间和资源），而是当前教学框架未能适应人工智能时代的需求。大多数现有的培训方法是在人工智能工具普及之前开发的，导致教育工作者在缺乏明确指导的情况下进行适应。随着人工智能能力的不断进步，神经科学培训可能会培养出擅长运行自动化流程的技术人员，但他们可能缺乏评估、故障排除和超越这些流程进行创新所需的科学推理能力。这里提出的五个原则——富有成效的探索、情境化的案例研究、适应性学习、元认知反思和协作性问题解决——提供了一种基于认知科学的方法，以确保人工智能能够增强而非取代批判性思维。这些建议并非对当前实践的批评，而是为教育工作者提供实用工具，帮助他们在前所未有的转型中导航。

我们邀请神经科学教育界——包括开发者、教育工作者和科学学会——采纳、测试和完善这一框架。像INCF Training Space（2019）这样的开放平台已经提供了根据这些原则设计的培训资源的托管和传播基础设施。这项工作可以与工具评估方法相结合，确保神经科学教育能够跟上快速的技术变革。目标不是抵制人工智能的整合，而是深思熟虑地利用它，确保下一代神经科学家既具备使用人工智能工具的技术能力，也具备判断何时需要质疑这些工具的科学思维能力。