Dobici:
- Sposobnost planiranja opsega skeniranja uz podršku umjetne inteligencije generiranjem ključnih riječi, sinonima i Booleovih nizova pretraživanja iz istraživačkog pitanja
- Pozicioniranje umjetne inteligencije kao alata za generiranje strategije, a ne alata za pronalaženje izvora i mogućnost provjere svakog izvora pronađenog u stvarnim bazama podataka (Google Scholar, Scopus, Web of Science, PubMed).
- Sposobnost razumijevanja rizika od umjetne inteligencije koja obezbjeđuje izmišljene izvore i lažne statistike i stjecanja refleksa za provjeru svakog citata prilikom utvrđivanja praznine u literaturi.
Svako istraživanje počinje pregledom literature: ne možete dati originalan doprinos a da ne vidite šta je ranije urađeno na vašu temu, na koja pitanja je odgovoreno i gdje postoje praznine. Ali literatura je ogromna; Godišnje se objavljuju milioni članaka. Ovdje je AI odličan akcelerator - ali s vrlo jasnom linijom razgraničenja. Najvažnija rečenica ove jedinice je ova: AI se koristi u pregledu literature kao strateg pretraživanja, a ne kao izvorna baza podataka. Zato što vam AI ne nalazi prave članke; On proizvodi autorske linije članaka koji izgledaju moguće, od kojih su neki izmišljeni.
U ovoj jedinici naučit ćemo kako da izvedemo sistematski plan pretraživanja iz vašeg istraživačkog pitanja, koristimo AI da obogatimo taj plan i provjerimo svaki izvor koji nađete u odnosu na stvarne baze podataka.
Kostur pregleda literature
Dobro skeniranje ima tri faze. Prvo raščlanite koncepte: raščlanite svoje istraživačko pitanje na njegove glavne komponente. Na primjer, u pitanju „Učinak povratne informacije na motivaciju učenika u obrazovanju na daljinu“ postoje tri koncepta: obrazovanje na daljinu, povratna informacija, motivacija. Zatim kreirate skup termina za svaki koncept: sinonimi, žargon na terenu, engleski ekvivalenti (obrazovanje na daljinu → obrazovanje na daljinu, online učenje, e-učenje, učenje na daljinu). Konačno, kombinujete ove termine sa Bulovim operatorima.
Bulovi operatori su logičke veznice koje pretraživačima govore kako da kombinuju termine. Postoje tri osnovna operatora: AND (rezultira pojavljivanjem oba termina — sužava opseg), OR (bilo koji od pojmova — proširuje opseg, prikuplja sinonime) i NOT (isključuje termin). Također citati "..." traže potpune fraze, zvjezdica * je kontrakcija korijena (motivat* → motivacija, motivacija). Niz za pretragu obično izgleda ovako:
("obrazovanje na daljinu" ILI "online učenje" ILI e-učenje) I (povratna informacija ILI "formativna procjena") I (motivacija ILI angažman ILI "samoefikasnost")
AI je odličan u generisanju ovih nizova, kompletiranju sinonima i prilagođavanju sintaksi različitih baza podataka (Scopus, PubMed, Web of Science zahtijevaju različite pravopise). Ali AI nije mjesto gdje pokrećete niz; stvarne baze podataka: Google Scholar (veliki, besplatni), Scopus i Web of Science (kurirani, indeksirani citati), PubMed (medicine/nauke o životu), terenske baze podataka (ERIC obrazovanje, PsycINFO psihologija, IEEE Xplore inženjering).
Pažnja: Ako od AI alata za ćaskanje zatražite "navedite 20 članaka o ovoj temi", on će vam vratiti naslove koji izgledaju stvarno, ali neki od njih su izmišljeni. Ovo nije skrining nego opasnost. Koristite AI za generiranje stringa, pronađite članak u bazi podataka.
Obim, uključivanje i analiza praznina
Poznaje dobra ograničenja skeniranja. Kriterijumi za uključivanje/isključivanje određuju opseg Vaše pretrage: koji raspon godina, koji jezici, koje vrste studija (eksperimentalno, pregledno), koji kontekst. AI može predložiti ove kriterije u obliku nacrta, a vi ih možete izoštriti prema svojoj oblasti. Ako radite sistematski pregled, možete podsjetiti PRISMA (standard za izvještavanje za sistematske preglede) tok u AI i zatražiti da napravi predložak dnevnika indeksiranja.
Literaturna praznina je pitanje ili kontekst koji još nije adekvatno istražen; Vaš originalni doprinos često popunjava prazninu. AI vam pomaže da imenujete moguće nedostatke na osnovu sažetaka koje čitate - ali shvatite to kao tvrdnju koju treba provjeriti, a ne kao hipotezu. AI može reći "X nije proučavan u ovoj oblasti"; Međutim, možda je to proučavano, samo AI ne zna. Vi samo potvrđujete prazninu svojim stvarnim skeniranjem.
Metoda grudve snijega i siva literatura
Samo pretraživanje po ključnim riječima nije dovoljno; Dobar skeniranje se produbljuje grudanjem snijega. Vraćajući se unatrag, ključ koji ćete pronaći je da skenirate bibliografiju članka i pronađete one prije njega; Snowballing naprijed prati ko je citirao taj članak (link “Cited by” u Google Scholar-u) i dolazi do narednih studija. Ova metoda vam omogućava da pronađete studije koje su centralne za ovu oblast, ali koje ne možete obuhvatiti svojim ključnim riječima. Kada date bibliografiju članka, AI vam može pomoći da odredite prioritete koje su reference najbliže vašem pitanju; Ali opet, na vama je da pronađete i pročitate članak.
Osim toga, akademske baze podataka ne pokrivaju sve. Siva literatura — disertacije, institucionalni izvještaji, zbornici konferencija, preprinti — kritična je u nekim oblastima i nadoknađuje pristrasnost objavljivanja (tendencija da se objavljuju samo pozitivni rezultati). AI može predložiti koje sive izvore literature (ProQuest disertacije, institucionalna spremišta, serveri za preprint kao što je arXiv/SSRN) trebate pretraživati; Često je imperativ u sistematskim pregledima da ne ograničite svoj obim samo na članke iz časopisa.
tri mini kofera
Slučaj 1 — Proširenje niza. Kada je istraživač u obrazovanju tražio "preokrenutu učionicu" na Scopusu, dobila je 300 rezultata, ali je smatrala da joj nedostaju sinonimi. Dao je AI da proizvede terminski fond; Dodao je ekvivalente kao što su "obrnuta učionica" i "obrnuto učenje". Sa novim nizom rezultat je povećan sa 300 na 470; 40 relevantnih članaka je propušteno u početnoj potrazi. AI nije pronašao članke, već je konstruirao niz koji ih je učinio dostupnim.
Slučaj 2 — Povratak sa sastavljene liste. Jedan diplomirani student je direktno tražio od AI "top 15 izvora" za skeniranje i zalijepio listu u svoju tezu. Pod kontrolom konsultanta, 4 citata nisu mogla biti pronađena u Web of Science, a 2 DOI-a su bila netačna. Student je počeo ispočetka: ovaj put je preuzeo liniju od AI, pronašao 60 stvarnih rezultata u Scopusu, pregledao naslovni sažetak i odabrao 18. Ovih 18 su svi bili stvarni.
Slučaj 3 — Pojašnjenje opsega. Zdravstveni istraživač je shvatio da je njegova potraga bila toliko široka da je bio preplavljen sa 2.000 rezultata. Izrađen nacrt kriterija za uključivanje/isključivanje AI: posljednjih 10 godina, engleski, uzorak odraslih, randomizirana kontrolirana ispitivanja. Dodao je filter "samo bolničko okruženje" sa svojim podacima. Rezultat je pao sa 2.000 na 180; Formiran je klaster koji se može skenirati.
Predlošci koji se mogu kopirati
1) Razdvajanje koncepta i fond termina:
Vaša uloga: informatičar (knjižničar istraživač). Moje istraživačko pitanje je: "[napišite pitanje]". Razdvojite ovo pitanje na njegove glavne koncepte. Generirajte skup termina engleskih sinonima, žargona polja i alternativnih pravopisa za svaki koncept. Dajte to u tabelu. Članak je LAŽAN.
2) Boolean generiranje niza pretraživanja:
Konstruirajte Boolean string za pretraživanje za Scopus koristeći sljedeći skup termina: ILI termini unutar koncepata, I između koncepata, citati fraze, koristite * gdje je prikladno. Prilagodite isti niz na Web of Science i PubMed sintaksi. Bazen: [zalijepi]
3) Nacrt kriterijuma za uključivanje/isključivanje:
Radim pregled literature na temu "[tema]". Predložite mi nacrt kriterijuma za uključivanje/isključivanje: pod naslovima raspon godina, jezik, tip studije, uzorak, kontekst. Ovo su prijedlozi; Promjenit ću ih u skladu sa mojim poljem. Ukratko napišite razloge.
4) Ispitivanje kandidata za upražnjeno radno mjesto (provjerava se):
Ispod su sažetci 10 članaka koje sam skenirao. Nacrtajte njihove zajedničke teme i predložite nedostatke KANDIDATA NA KOJA PITANJA IMAJU MANJE OBRAĆAVANJE. Predstavite ovo kao hipoteze koje ću provjeriti, a ne kao apsolutnu istinu. Sažeci: [zalijepi]
Slaba prompt / Jaka prompt
Slab upit:
Dajte mi listu resursa o vještačkoj inteligenciji i obrazovanju.
AI stvara lažne ID-ove; Tema je takođe preširoka.
Snažan upit:
Vaša uloga: informatičar. Tema: "Uticaj gamifikacije na anksioznost iz matematike u osnovnoj školi". NE DAJTE MI LISTU IZVORA. Umjesto toga: (1) raščlaniti 3 koncepta, (2) generirati spremište engleskih sinonima za svaki koncept, (3) Boolean string za Scopus, (4) nacrt primjenjivih kriterija za uključivanje/isključivanje. Naslov članka je lažan.
Svrha
koristiti AI
lokacija za provjeru
Terminsko proširenje bazena
Da, jaka
Pregledajte sa poznavanjem domena
Boolean string konstrukcija
Da, jaka
Testirajte u bazi podataka
Obim/nacrt kriterija
Da
Izoštriti po području
Pronađite članak
br
Scholar/Scopus/WoS/PubMed
Obaveza za odobrenje
djelomično
Pravo skeniranje je obavezno
Uobičajene greške
- Zamijeniti AI za bazu podataka. Zahtjev za citiranje članka proizvodi lažne citate; Ovo je najčešća i opasna greška.
- Preskakanje sinonima. Pretraživanje jednog pojma propušta veći dio literature.
- Ostavljajući obim nejasnim. Bez filtera za godine, jezik i žanr, bićete preplavljeni hiljadama rezultata.
- Potvrđivanje praznine bez provjere. Reći "niko nije proučavao" bez stvarnog skrininga je rizično.
- Oslanjajući se na jednu bazu podataka. Različiti indeksi pokrivaju različito; koristite nekoliko zajedno.
Savjet: Da bi vaša pretraga bila ponovljiva, zabilježite niz koji ste koristili, bazu podataka, datum i broj rezultata u tabeli. Ovaj časopis je obavezan u sistematskom pregledu; To je dobra navika u svakom istraživanju.
Ukratko
Pregled literature je sistematski zadatak: destilacija koncepta, skup termina, Boolean string, kriterijum pokrivenosti. AI je moćan pomoćnik u ovim strateškim koracima; proizvodi sinonime, konstruiše nizove, ocrtava kriterijume. Ali možete pronaći članke iz stvarnih baza podataka, a ne iz AI, i provjeriti svaki autorski red. Kratko pravilo: strategija od AI, izvor iz baze podataka, validacija od vas.
Zadatak aplikacije
Dobijte vlastito istraživačko pitanje. Analizirajte koncepte pomoću AI i proizvedite skup termina i logički niz. Pokrenite ovaj niz u stvarnoj bazi podataka (Scholar ili indeks kojem imate pristup). Zabilježite prvih 10 rezultata i uporedite ih s autorskim redovima (ako ih ima) koje je AI prethodno predložio kada su ga direktno pitali; Označite koliko ih zapravo postoji.
kontrolna lista
- [ ] Da li sam svoje istraživačko pitanje podijelio na koncepte?
- [ ] Jesam li kreirao skup sinonima/engleskih termina za svaki koncept?
- [ ] Jesam li testirao logički niz na stvarnoj bazi podataka?
- [ ] Jesam li pojasnio svoje kriterije za uključivanje/isključivanje?
- [ ] Da li sam potvrdio da svaki izvor koji sam pronašao zaista postoji?