zisky:
- Schopnost plánovat rozsah skenování s podporou umělé inteligence generováním klíčových slov, synonym a booleovských vyhledávacích řetězců z výzkumné otázky
- Umístění umělé inteligence jako nástroje generování strategie, nikoli nástroje pro vyhledávání zdrojů, a možnost ověřit každý nalezený zdroj ve skutečných databázích (Google Scholar, Scopus, Web of Science, PubMed).
- Schopnost porozumět riziku umělé inteligence poskytování smyšlených zdrojů a falešných statistik a získat reflex pro ověření každé citace při určování mezery v literatuře.
Každý výzkum začíná rešerší literatury: nemůžete vytvořit originální příspěvek, aniž byste viděli, co již bylo na vaše téma provedeno, jaké otázky byly zodpovězeny a kde jsou mezery. Ale literatura je obrovská; Ročně vyjdou miliony článků. Zde je umělá inteligence skvělým akcelerátorem – ale s velmi zřetelnou demarkační linií. Nejdůležitější věta této jednotky je tato: AI se v přehledu literatury používá jako stratég vyhledávání, nikoli jako zdrojová databáze. Protože AI vám nenajde skutečné články; Vytváří možná vypadající podložky článků, z nichž některé jsou vyrobeny.
V této jednotce se naučíme, jak odvodit systematický plán vyhledávání z vaší výzkumné otázky, pomocí umělé inteligence tento plán obohatit a ověřit každý nalezený zdroj ve srovnání se skutečnými databázemi.
Kostra literárního přehledu
Dobrý sken má tři fáze. Nejprve si rozdělíte pojmy: svou výzkumnou otázku rozdělíte na její hlavní složky. Například v otázce „Vliv zpětné vazby na motivaci studentů v distančním vzdělávání“ jsou tři pojmy: distanční vzdělávání, zpětná vazba, motivace. Poté vytvoříte termínový fond pro každý pojem: synonyma, oborový žargon, anglické ekvivalenty (dálkové vzdělávání → distanční vzdělávání, online vzdělávání, e-learning, distanční vzdělávání). Nakonec tyto termíny zkombinujete s booleovskými operátory.
Booleovské operátory jsou logické spojky, které vyhledávačům říkají, jak mají kombinovat výrazy. Existují tři základní operátory: AND (výsledek výskytu obou výrazů – zužuje rozsah), OR (kterýkoli z výrazů – rozšiřuje rozsah, shromažďuje synonyma) a NOT (vylučuje výraz). Také uvozovky „...“ hledejte kompletní fráze, hvězdička * je kořenová kontrakce (motivat* → motivační, motivační). Vyhledávací řetězec obvykle vypadá takto:
("dálkové vzdělávání" NEBO "online vzdělávání" NEBO e-learning) AND (zpětná vazba OR "formativní hodnocení") AND (motivace OR angažovanost OR "self-efficacy")
Umělá inteligence je vynikající při generování těchto řetězců, doplňování synonym a jejich přizpůsobení syntaxi různých databází (Scopus, PubMed, Web of Science vyžadují různé pravopisy). Ale AI není místo, kde spustíte řetězec; skutečné databáze: Google Scholar (velká, bezplatná), Scopus a Web of Science (kurátor, citační index), PubMed (medicína/vědy o živé přírodě), terénní databáze (ERIC vzdělávání, PsycINFO psychologie, IEEE Xplore engineering).
Pozor: Pokud se zeptáte chatovacího nástroje AI „uveďte 20 článků na toto téma“, vrátí tituly, které vypadají jako skutečné, ale některé z nich jsou vymyšlené. To není screening, ale nebezpečí. Pomocí AI vygenerujte řetězec, najděte článek v databázi.
Rozsah, zahrnutí a analýza mezer
Zná dobré limity skenování. Kritéria pro zařazení/vyloučení určují rozsah vašeho vyhledávání: které roční období, které jazyky, které typy studia (experimentální, přehledové), jaký kontext. Umělá inteligence může tato kritéria navrhnout ve formě návrhu a vy je můžete zpřesnit podle svého oboru. Pokud provádíte systematickou kontrolu, můžete AI připomenout tok PRISMA (standard pro vytváření zpráv pro systematické kontroly) a nechat ji vytvořit šablonu protokolu procházení.
Literární mezera je otázka nebo kontext, který ještě nebyl dostatečně prozkoumán; Váš originální příspěvek často zaplňuje mezeru. Umělá inteligence vám pomáhá pojmenovat možné mezery na základě přečtených shrnutí – ale berte to jako tvrzení, které je třeba ověřit, nikoli jako hypotézu. AI může říci „X nebylo v této oblasti studováno“; Možná to však bylo studováno, jen to AI neví. Mezeru potvrdíte pouze skutečným skenem.
Metoda sněhové koule a šedá literatura
Samotné vyhledávání klíčových slov nestačí; Dobrý sken se prohlubuje sněhovou koulí. Klíčem, který najdete zpět, je naskenovat bibliografii článku a najít ty před ním; Snowballing forward sleduje, kdo citoval tento článek (odkaz „Citováno“ ve službě Google Scholar) a přichází k dalším studiím. Tato metoda vám umožňuje najít studie, které jsou v oboru klíčové, ale které nemůžete zachytit pomocí klíčových slov. Když poskytnete bibliografii článku, AI vám může pomoci určit, které odkazy jsou nejblíže vaší otázce; Ale opět je jen na vás, zda si článek najdete a přečtete.
Navíc akademické databáze nepokrývají vše. Šedá literatura – disertační práce, institucionální zprávy, sborníky z konferencí, preprinty – je v některých oblastech kritická a kompenzuje publikační zaujatost (tendenci publikovat pouze pozitivní výsledky). Umělá inteligence může navrhnout, které zdroje šedé literatury (disertační práce ProQuest, institucionální repozitáře, předtiskové servery jako arXiv/SSRN) byste měli hledat; V systematických recenzích je často nutné neomezovat svůj rozsah pouze na články v časopisech.
tři mini pouzdra
Případ 1 – Expanze řetězce. Když výzkumná pracovnice v oblasti vzdělávání hledala na Scopusu výraz „převrácená třída“, dostala 300 výsledků, ale měla pocit, že jí chybí synonyma. Nechal AI vytvořit termínový fond; Přidal ekvivalenty jako „převrácená třída“ a „převrácené učení“. S novou strunou se výsledek zvýšil z 300 na 470; Při počátečním vyhledávání chybělo 40 relevantních článků. Umělá inteligence nenašla články, ale vytvořila řetězec, díky kterému je bylo možné najít.
Případ 2 – Návrat z vytvořeného seznamu. Jeden postgraduální student požádal AI přímo o „15 nejlepších zdrojů“ pro skenování a vložil seznam do své práce. Pod kontrolou konzultanta nebyly ve Web of Science nalezeny 4 citace a 2 DOI byly nesprávné. Student začal znovu: tentokrát vzal řádek z AI, našel 60 skutečných výsledků ve Scopus, prošel abstraktem názvu a vybral 18. Těchto 18 bylo všech skutečných.
Případ 3 – Vyjasnění rozsahu. Výzkumník v oblasti zdraví si uvědomil, že jeho hledání bylo tak široké, že byl zahlcen 2000 výsledky. Byl vytvořen návrh kritérií pro zařazení/vyloučení AI: posledních 10 let, angličtina, vzorek dospělých, randomizované kontrolované studie. Přidal filtr „pouze nemocniční prostředí“ s vlastními informacemi. Výsledek klesl z 2 000 na 180; Vytvořil se skenovatelný shluk.
Kopírovatelné šablony
1) Oddělení konceptů a fond termínů:
Vaše role: informační specialista (výzkumný knihovník). Moje výzkumná otázka zní: „[napište otázku]“. Rozdělte tuto otázku na její hlavní pojmy. Pro každý koncept vygenerujte termínový fond anglických synonym, oborového žargonu a alternativního pravopisu. Dejte to do tabulky. Článek je FAKE.
2) Generování booleovských vyhledávacích řetězců:
Sestavte booleovský vyhledávací řetězec pro Scopus pomocí následujícího fondu termínů: NEBO termíny v rámci konceptů AND mezi koncepty, citace frází, tam, kde je to vhodné, použijte *. Přizpůsobte stejný řetězec syntaxi Web of Science a PubMed. Bazén: [vložit]
3) Návrh kritérií pro zařazení/vyloučení:
Dělám přehled literatury na téma "[téma]". Navrhněte mi návrh kritérií pro zařazení/vyloučení: pod nadpisy rozsah roku, jazyk, typ studie, vzorek, kontext. Toto jsou návrhy; Budu je měnit podle svého oboru. Stručně napište důvody.
4) Dotazování uchazečů o volné pracovní místo (je třeba ověřit):
Níže jsou shrnuty 10 článků, které jsem naskenoval. Nakreslete jejich společná témata a navrhněte mezery KANDIDÁTŮM, KTERÉ OTÁZKY JSOU MÉNĚ ŘEŠENY. Předkládejte to jako hypotézy, které ověřím, nikoli jako absolutní pravdu. Shrnutí: [vložit]
Slabá výzva / Silná výzva
Slabá výzva:
Dejte mi seznam zdrojů o umělé inteligenci a vzdělávání.
AI vytváří falešná ID; Téma je také příliš široké.
Výkonná výzva:
Vaše role: informační specialista. Předmět: "Vliv gamifikace na úzkost z matematiky na základní škole". NEDÁVEJTE MI SEZNAM ZDROJŮ. Místo toho: (1) analyzujte 3 koncepty, (2) vygenerujte úložiště anglických synonym pro každý koncept, (3) booleovský řetězec pro Scopus, (4) navrhněte použitelná kritéria pro zařazení/vyloučení. Název článku je falešný.
Účel
používat AI
místo ověření
Rozšíření fondu termínů
Ano, silný
Recenze se znalostí domény
Konstrukce booleovské struny
Ano, silný
Test v databázi
Rozsah/nákres kritérií
Ano
Ostřete podle oblasti
Najděte článek
ne
Scholar/Scopus/WoS/PubMed
Schválení
částečně
Skutečné skenování je nutností
Časté chyby
- Záměna AI za databázi. Požadavek na citaci článku vytváří falešné citace; Toto je nejčastější a nejnebezpečnější chyba.
- Přeskakování synonym. Při hledání jediného výrazu chybí velká část literatury.
- Ponechat rozsah nejasný. Bez filtrů roku, jazyka a žánru budete zahlceni tisíci výsledků.
- Tvrzení prázdnoty bez jejího ověření. Říci „nikdo nestudoval“ bez skutečného screeningu je riskantní.
- Spoléhání na jedinou databázi. Různé indexy pokrývají různě; použijte několik dohromady.
Tip: Aby bylo vyhledávání reprodukovatelné, zaznamenejte si do tabulky použitý řetězec, databázi, datum a počet výsledků. Tento časopis je povinný v systematické kontrole; Je to dobrý zvyk při každém výzkumu.
V souhrnu
Literární přehled je systematický úkol: koncept destilace, termínový fond, booleovský řetězec, kritérium pokrytí. Umělá inteligence je v těchto strategických krocích mocným pomocníkem; vytváří synonyma, konstruuje řetězce, nastiňuje kritéria. Ale najdete články ze skutečných databází, nikoli z AI, a ověřte každý vedlejší řádek. Krátké pravidlo: strategie z AI, zdroj z databáze, ověření od vás.
Aplikační úkol
Získejte vlastní výzkumnou otázku. Analyzujte koncepty pomocí AI a vytvořte fond termínů a booleovský řetězec. Spusťte tento řetězec proti skutečné databázi (Scholar nebo index, ke kterému máte přístup). Poznamenejte si 10 nejlepších výsledků a porovnejte je s vedlejšími řádky (pokud existují), které AI dříve navrhla na přímý dotaz; Označte, kolik jich skutečně existuje.
kontrolní seznam
- [ ] Rozdělil jsem svou výzkumnou otázku na koncepty?
- [ ] Vytvořil jsem pro každý pojem synonymum/anglický fond termínů?
- [ ] Testoval jsem booleovský řetězec na skutečné databázi?
- [ ] Objasnil jsem svá kritéria pro zařazení/vyloučení?
- [ ] Ověřil jsem, že každý zdroj, který jsem našel, skutečně existuje?