استراتيجية البحث في الأدب: الكلمة الرئيسية، البحث المنطقي، والنطاق

المكاسب:

• القدرة على تخطيط نطاق المسح بدعم الذكاء الاصطناعي من خلال توليد الكلمات الرئيسية والمرادفات وسلاسل البحث المنطقية من سؤال البحث
• وضع الذكاء الاصطناعي كأداة لتوليد الإستراتيجية، وليس أداة للعثور على المصدر، والقدرة على التحقق من كل مصدر موجود في قواعد البيانات الحقيقية (Google Scholar، Scopus، Web of Science، PubMed).
• القدرة على فهم مخاطر الذكاء الاصطناعي الذي يوفر مصادر ملفقة وإحصائيات مزيفة واكتساب رد الفعل للتحقق من كل اقتباس عند تحديد الفجوة في الأدبيات.

يبدأ كل بحث بمراجعة الأدبيات: لا يمكنك تقديم مساهمة أصلية دون رؤية ما تم إنجازه من قبل حول موضوعك، والأسئلة التي تمت الإجابة عليها، وأين توجد الثغرات. لكن الأدب ضخم. يتم نشر ملايين المقالات سنويًا. هذا هو المكان الذي يعتبر فيه الذكاء الاصطناعي مُسرِّعًا عظيمًا، ولكن مع وجود خط فاصل واضح جدًا. الجملة الأكثر أهمية في هذه الوحدة هي: يتم استخدام الذكاء الاصطناعي في مراجعة الأدبيات كخبير استراتيجي للبحث، وليس كقاعدة بيانات مصدر. لأن الذكاء الاصطناعي لا يجد لك مقالات حقيقية؛ وينتج سطورًا ثانوية للمقالة ذات مظهر محتمل، وبعضها ملفق.

في هذه الوحدة، سوف نتعلم كيفية استخلاص خطة بحث منهجية من سؤال البحث الخاص بك، واستخدام الذكاء الاصطناعي لإثراء تلك الخطة، والتحقق من صحة كل مصدر تجده مقابل قواعد البيانات الحقيقية.

هيكل عظمي لمراجعة الأدبيات

الفحص الجيد له ثلاث مراحل. أولاً، عليك تقسيم المفاهيم: تقوم بتقسيم سؤال البحث الخاص بك إلى مكوناته الرئيسية. على سبيل المثال، في سؤال "تأثير التغذية الراجعة على تحفيز الطلاب في التعليم عن بعد"، هناك ثلاثة مفاهيم: التعليم عن بعد، التغذية الراجعة، الدافع. ثم تقوم بإنشاء مجموعة مصطلحات لكل مفهوم: المرادفات، والمصطلحات الميدانية، والمعادلات الإنجليزية (التعليم عن بعد → التعليم عن بعد، التعلم عبر الإنترنت، التعلم الإلكتروني، التعلم عن بعد). وأخيرًا، يمكنك دمج هذه المصطلحات مع عوامل التشغيل المنطقية.

العوامل المنطقية هي أدوات ربط منطقية تخبر محركات البحث بكيفية دمج المصطلحات. هناك ثلاثة عوامل تشغيل أساسية: AND (يؤدي إلى حدوث كلا المصطلحين - يضيق النطاق)، أو (أي من المصطلحات - يوسع النطاق، ويجمع المرادفات)، وNOT (يستبعد مصطلحًا). اقتباسات أيضًا "..." ابحث عن عبارات كاملة، العلامة النجمية * هي اختصار الجذر (الدافع* → الدافع، التحفيزي). عادةً ما تبدو سلسلة البحث كما يلي:

("التعليم عن بعد" أو "التعلم عبر الإنترنت" أو التعلم الإلكتروني) و (التغذية الراجعة أو "التقييم التكويني") و (التحفيز أو المشاركة أو "الكفاءة الذاتية")

الذكاء الاصطناعي ممتاز في إنشاء هذه السلاسل، واستكمال المرادفات، وتكييفها مع تركيب قواعد البيانات المختلفة (Scopus، وPubMed، وWeb of Science تتطلب تهجئة مختلفة). لكن الذكاء الاصطناعي ليس المكان الذي تقوم فيه بتشغيل السلسلة؛ قواعد البيانات الحقيقية: Google Scholar (كبيرة ومجانية)، Scopus وWeb of Science (منسقة، مفهرسة بالاقتباسات)، PubMed (العلوم الطبية/الحياة)، قواعد البيانات الميدانية (تعليم ERIC، وعلم النفس PsycINFO، وهندسة IEEE Xplore).

تنبيه: إذا طلبت من إحدى أدوات الدردشة التي تعمل بتقنية الذكاء الاصطناعي "إدراج 20 مقالة حول هذا الموضوع"، فستعرض عناوين تبدو حقيقية، ولكن بعضها مختلق. هذا ليس فحصا بل خطرا. استخدم الذكاء الاصطناعي لإنشاء سلسلة، وابحث عن المقالة في قاعدة البيانات.

النطاق والشمول وتحليل الفجوات

يعرف حدود المسح الجيدة. تحدد معايير التضمين/الاستبعاد نطاق بحثك: أي نطاق سنة، أي لغات، أي أنواع الدراسة (تجريبية، مراجعة)، أي سياق. يمكن للذكاء الاصطناعي أن يقترح هذه المعايير في شكل مسودة، ويمكنك تحسينها وفقًا لمجالك. إذا كنت تجري مراجعة منهجية، فيمكنك تذكير تدفق PRISMA (معيار إعداد التقارير للمراجعات المنهجية) إلى الذكاء الاصطناعي وجعله ينتج قالب سجل الزحف.

الفجوة الأدبية هي سؤال أو سياق لم يتم استكشافه بشكل كاف بعد؛ غالبًا ما تسد مساهمتك الأصلية فجوة. يساعدك الذكاء الاصطناعي على تسمية الفجوات المحتملة بناءً على الملخصات التي تقرأها، ولكن اعتبرها تأكيدًا يجب التحقق منه، وليس فرضية. قد يقول الذكاء الاصطناعي "لم تتم دراسة X في هذا المجال"؛ ومع ذلك، ربما تمت دراستها، لكن الذكاء الاصطناعي لا يعرف ذلك. يمكنك فقط تأكيد الفجوة من خلال الفحص الفعلي.

طريقة كرة الثلج والأدب الرمادي

البحث عن الكلمات الرئيسية وحده لا يكفي؛ يتعمق الفحص الجيد مع تزايد كرة الثلج. وبالرجوع إلى الوراء، فإن المفتاح الذي تجده هو مسح قائمة مراجع المقالة والعثور على المقالات التي قبلها؛ يتزايد التقدم بسرعة في تتبع من استشهد بهذه المقالة (رابط "الاقتباس بواسطة" في الباحث العلمي من Google) والوصول إلى الدراسات اللاحقة. تسمح لك هذه الطريقة بالعثور على الدراسات التي تعتبر أساسية في هذا المجال ولكن لا يمكنك التقاطها باستخدام كلماتك الرئيسية. عند تقديم قائمة مرجعية لمقال ما، يمكن أن يساعدك الذكاء الاصطناعي في تحديد أولويات المراجع الأقرب إلى سؤالك؛ ولكن مرة أخرى، الأمر متروك لك للعثور على المقال وقراءته.

بالإضافة إلى ذلك، فإن قواعد البيانات الأكاديمية لا تغطي كل شيء. تعد الأدبيات الرمادية - مثل الأطروحات، والتقارير المؤسسية، ووقائع المؤتمرات، والمطبوعات الأولية - أمرًا بالغ الأهمية في بعض المجالات، وتعوض تحيز النشر (الميل إلى نشر النتائج الإيجابية فقط). يمكن للذكاء الاصطناعي أن يقترح مصادر الأدبيات الرمادية (أطروحات ProQuest، والمستودعات المؤسسية، وخوادم ما قبل الطباعة مثل arXiv/SSRN) التي يجب عليك البحث عنها؛ غالبًا ما يكون من الضروري في المراجعات المنهجية عدم قصر نطاقك على المقالات الصحفية فقط.

ثلاث حالات صغيرة

الحالة 1 - توسيع السلسلة. عندما بحثت باحثة تعليمية عن "الفصل الدراسي المقلوب" في Scopus، حصلت على 300 نتيجة، لكنها شعرت أنها تفتقد المرادفات. لقد جعل الذكاء الاصطناعي ينتج مجموعة مصطلحات؛ وأضاف مرادفات مثل "الفصل الدراسي المقلوب" و"التعلم المقلوب". مع السلسلة الجديدة زادت النتيجة من 300 إلى 470؛ تم تفويت 40 مقالة ذات صلة في البحث الأولي. لم يعثر الذكاء الاصطناعي على المقالات، لكنه قام ببناء السلسلة التي جعلتها قابلة للعثور عليها.

الحالة 2 - العودة من القائمة المختلقة. سأل أحد طلاب الدراسات العليا منظمة العفو الدولية مباشرةً عن "أفضل 15 مصدرًا" لمسح القائمة ولصقها في أطروحته. تحت سيطرة الاستشاري، تعذر العثور على 4 استشهادات في Web of Science، وكان اثنان من معرفات الهوية الرقمية (DOIs) غير صحيحين. بدأ الطالب من جديد: هذه المرة أخذ السطر من الذكاء الاصطناعي، ووجد 60 نتيجة حقيقية في Scopus، وقام بغربلة ملخص العنوان واختار 18. كانت هذه النتائج الـ 18 كلها حقيقية.

الحالة 3 - توضيح النطاق. أدرك أحد الباحثين في مجال الصحة أن بحثه كان واسع النطاق لدرجة أنه طغت عليه 2000 نتيجة. هل تم إعداد مسودة معايير إدراج/استبعاد الذكاء الاصطناعي: السنوات العشر الماضية، اللغة الإنجليزية، عينة للبالغين، تجارب عشوائية محكومة. وأضاف مرشح "بيئة المستشفى فقط" بمعلوماته الخاصة. وانخفضت النتيجة من 2000 إلى 180؛ تم تشكيل مجموعة قابلة للمسح.

قوالب قابلة للنسخ

1) فصل المفاهيم وتجمع المصطلحات:

دورك: أخصائي معلومات (أمين مكتبة أبحاث). سؤال بحثي هو: "[اكتب السؤال]". قسم هذا السؤال إلى مفاهيمه الرئيسية. أنشئ مجموعة مصطلحات من المرادفات الإنجليزية والمصطلحات الميدانية والتهجئة البديلة لكل مفهوم. أعطها في الجدول. المقال مزيف.

2) إنشاء سلسلة بحث منطقية:

أنشئ سلسلة بحث منطقية لـ Scopus باستخدام مجموعة المصطلحات التالية: أو المصطلحات ضمن المفاهيم، وبين المفاهيم، وعبارات الاقتباس، استخدم * حيثما كان ذلك مناسبًا. قم بتكييف نفس السلسلة مع بناء جملة Web of Science وPubMed. تجمع: [لصق]

3) مسودة معايير الإدراج/الاستبعاد:

أقوم بمراجعة الأدبيات حول "[الموضوع]". اقترح علي مسودة لمعايير التضمين/الاستبعاد: تحت عناوين نطاق السنة واللغة ونوع الدراسة والعينة والسياق. هذه اقتراحات؛ سأغيرها حسب مجالي. اكتب الأسباب باختصار.

4) الاستعلام عن المرشحين للوظائف الشاغرة (يتم التحقق منها):

فيما يلي ملخصات للمقالات العشرة التي قمت بمسحها ضوئيًا. ارسم موضوعاتهم المشتركة واقترح على المرشحين الفجوة أي الأسئلة يتم تناولها بشكل أقل. اعرضها على أنها فرضيات سأتحقق منها، وليست حقيقة مطلقة. الملخصات: [لصق]

موجه ضعيف / موجه قوي

حث ضعيف:

أعطني قائمة بالموارد المتعلقة بالذكاء الاصطناعي والتعليم.

يقوم الذكاء الاصطناعي بإنشاء معرفات مزيفة؛ الموضوع أيضا واسع جدا.

مطالبة قوية:

دورك: أخصائي معلومات. الموضوع: "أثر اللعب على قلق الرياضيات في المرحلة الابتدائية". لا تعطيني قائمة المصادر. بدلاً من ذلك: (1) تحليل المفاهيم الثلاثة، (2) إنشاء مستودع للمرادفات الإنجليزية لكل مفهوم، (3) سلسلة منطقية لـ Scopus، (4) صياغة معايير التضمين/الاستبعاد القابلة للتطبيق. عنوان المقال مزيف.

الغرض

استخدم الذكاء الاصطناعي

موقع التحقق

توسيع تجمع المصطلح

نعم قوي

مراجعة مع معرفة المجال

بناء سلسلة منطقية

نعم قوي

اختبار في قاعدة البيانات

النطاق / الخطوط العريضة للمعايير

نعم

شحذ حسب المنطقة

ابحث عن مقالة

لا

الباحث العلمي/Scopus/WoS/PubMed

التزام التخليص

جزئيا

المسح الحقيقي أمر لا بد منه

الأخطاء الشائعة

• الخلط بين الذكاء الاصطناعي وقاعدة البيانات. طلب الاقتباس من المقال يؤدي إلى استشهادات زائفة؛ وهذا هو الخطأ الأكثر شيوعا وخطورة.
• تخطي المرادفات. البحث عن مصطلح واحد يفتقد الكثير من الأدبيات.
• ترك النطاق غير واضح. بدون مرشحات السنة واللغة والنوع، سوف تغمرك آلاف النتائج.
• إثبات الفراغ دون التحقق منه. إن قول "لم يدرس أحد" دون الفحص الفعلي أمر محفوف بالمخاطر.
• الاعتماد على قاعدة بيانات واحدة. تغطي الفهارس المختلفة بشكل مختلف؛ استخدام عدة معا.

نصيحة: لجعل بحثك قابلاً للتكرار، قم بتسجيل السلسلة التي استخدمتها وقاعدة البيانات والتاريخ وعدد النتائج في جدول. هذه المجلة إلزامية في المراجعة المنهجية. وهي عادة جيدة في كل بحث.

في ملخص

مراجعة الأدبيات هي مهمة منهجية: تقطير المفهوم، تجمع المصطلحات، السلسلة المنطقية، معيار التغطية. يعد الذكاء الاصطناعي مساعدًا قويًا في هذه الخطوات الإستراتيجية؛ ينتج المرادفات، ويبني السلاسل، ويحدد المعايير. لكنك تجد مقالات من قواعد بيانات حقيقية، وليس من الذكاء الاصطناعي، وتتحقق من كل سطر ثانوي. قاعدة عامة قصيرة: استراتيجية من الذكاء الاصطناعي، مصدر من قاعدة البيانات، التحقق منك.

مهمة التطبيق

احصل على سؤال البحث الخاص بك. تحليل المفاهيم باستخدام الذكاء الاصطناعي وإنتاج مجموعة مصطلحات وسلسلة منطقية. قم بتشغيل هذه السلسلة على قاعدة بيانات حقيقية (الباحث العلمي أو الفهرس الذي يمكنك الوصول إليه). لاحظ أفضل 10 نتائج وقارنها مع الخطوط الثانوية (إن وجدت) التي اقترحها الذكاء الاصطناعي سابقًا عند سؤاله مباشرة؛ حدد عدد الأشخاص الموجودين بالفعل.

قائمة مرجعية

• [ ] هل قمت بتقسيم سؤال بحثي إلى مفاهيم؟
• [ ] هل قمت بإنشاء مجموعة مرادفات/مصطلحات إنجليزية لكل مفهوم؟
• [ ] هل قمت باختبار السلسلة المنطقية في قاعدة البيانات الحقيقية؟
• [ ] هل قمت بتوضيح معايير الإدراج/الاستبعاد الخاصة بي؟
• [ ] هل قمت بالتحقق من أن كل الموارد التي وجدتها موجودة بالفعل؟