Gevinster:
- Evne til at planlægge scanningsomfanget med støtte til kunstig intelligens ved at generere nøgleord, synonymer og boolske søgestrenge fra forskningsspørgsmålet
- Positionering af kunstig intelligens som et strategigenereringsværktøj, ikke et kildesøgningsværktøj, og være i stand til at verificere enhver kilde, der findes i rigtige databaser (Google Scholar, Scopus, Web of Science, PubMed).
- Evne til at forstå risikoen ved, at kunstig intelligens leverer opdigtede kilder og falske statistikker og tilegne sig refleksen til at verificere hvert citat, når der skal fastslås et hul i litteraturen.
Enhver forskning begynder med en litteraturgennemgang: Du kan ikke give et originalt bidrag uden at se, hvad der er blevet gjort før om dit emne, hvilke spørgsmål der er blevet besvaret, og hvor der er huller. Men litteraturen er enorm; Millioner af artikler udgives årligt. Det er her AI er en fantastisk accelerator - men med en meget tydelig afgrænsningslinje. Den vigtigste sætning i denne enhed er denne: AI bruges i litteraturgennemgang som en søgestrateg, ikke som en kildedatabase. Fordi AI ikke finder dig rigtige artikler; Det producerer mulige artikelbylines, hvoraf nogle er fremstillet.
I denne enhed lærer vi, hvordan du udleder en systematisk søgeplan fra dit forskningsspørgsmål, bruger AI til at berige denne plan og validerer hver kilde, du finder, mod rigtige databaser.
Skelet af litteraturgennemgangen
En god scanning har tre stadier. Først nedbryder du begreberne: du opdeler dit forskningsspørgsmål i dets hovedkomponenter. Eksempelvis er der i spørgsmålet "Effekten af feedback på elevers motivation i fjernundervisning" tre begreber: fjernundervisning, feedback, motivation. Derefter opretter du en termpulje for hvert begreb: synonymer, feltjargon, engelske ækvivalenter (fjernundervisning → fjernundervisning, online læring, e-læring, fjernundervisning). Til sidst kombinerer du disse termer med boolske operatorer.
Booleske operatorer er logiske konjunktioner, der fortæller søgemaskiner, hvordan de skal kombinere termer. Der er tre grundlæggende operatorer: AND (resulterer i forekomst af begge termer - indsnævrer omfanget), OR (enhver af termerne - udvider omfanget, indsamler synonymer) og NOT (udelukker et udtryk). Også citater "..." leder efter komplette sætninger, stjerne * er rodsammentrækningen (motivat* → motivation, motiverende). En søgestreng ser normalt sådan ud:
("fjernundervisning" ELLER "onlinelæring" ELLER e-læring)OG (feedback ELLER "formativ vurdering")OG (motivation ELLER engagement ELLER "selveffektivitet")
AI er fremragende til at generere disse strenge, udfylde synonymer og tilpasse dem til syntaksen i forskellige databaser (Scopus, PubMed, Web of Science kræver forskellige stavemåder). Men AI'en er ikke der, hvor du kører strengen; rigtige databaser: Google Scholar (store, gratis), Scopus og Web of Science (kurateret, citationsindekseret), PubMed (medicinsk/biovidenskab), feltdatabaser (ERIC-uddannelse, PsycINFO-psykologi, IEEE Xplore-teknik).
Bemærk: Hvis du spørger et AI-chatværktøj "liste 20 artikler om dette emne", vil det returnere titler, der ser ægte ud, men nogle af dem er opdigtede. Dette er ikke screening, men fare. Brug AI til at generere streng, find artiklen i databasen.
Omfang, inklusion og gapanalyse
Kender gode scanningsgrænser. Inklusions-/eksklusionskriterier bestemmer omfanget af din søgning: hvilket årstal, hvilke sprog, hvilke studietyper (eksperimentel, gennemgang), hvilken kontekst. AI kan foreslå disse kriterier i udkastform, og du kan skærpe dem efter dit felt. Hvis du laver en systematisk gennemgang, kan du minde PRISMA-strømmen (rapporteringsstandard for systematiske anmeldelser) til AI og få den til at producere en crawl-log-skabelon.
Et litteraturgab er et spørgsmål eller en kontekst, der endnu ikke er blevet tilstrækkeligt udforsket; Dit oprindelige bidrag udfylder ofte et hul. AI hjælper dig med at navngive mulige huller baseret på de resuméer, du læser - men tag det som en påstand, der skal verificeres, ikke en hypotese. AI kan sige "X er ikke blevet undersøgt på dette område"; Det kan dog være blevet undersøgt, det er bare, at AI ikke ved det. Du bekræfter kun hullet med din faktiske scanning.
Sneboldmetode og grå litteratur
Søgeordssøgning alene er ikke nok; En god scanning uddyber med snebold. Snebold baglæns, nøglen du finder er at scanne bibliografien af en artikel og finde dem før den; Snebold fremad er at spore, hvem der citerede den artikel ("Citeret af"-link i Google Scholar) og når frem til efterfølgende undersøgelser. Denne metode giver dig mulighed for at finde undersøgelser, der er centrale for feltet, men som du ikke kan fange med dine søgeord. Når du giver en bibliografi over en artikel, kan AI hjælpe dig med at prioritere, hvilke referencer der er tættest på dit spørgsmål; Men igen, det er op til dig at finde og læse artiklen.
Derudover dækker akademiske databaser ikke alt. Grå litteratur - afhandlinger, institutionelle rapporter, konferencehandlinger, fortryk - er kritisk på nogle områder og opvejer publikationsbias (tendensen til kun at offentliggøre positive resultater). AI kan foreslå, hvilke grå litteraturkilder (ProQuest-afhandlinger, institutionelle repositories, preprint-servere såsom arXiv/SSRN), du bør søge i; Det er ofte bydende nødvendigt i systematiske anmeldelser ikke at begrænse dit omfang til kun tidsskriftsartikler.
tre minisager
Case 1 — Strengeudvidelse. Da en uddannelsesforsker søgte efter "flipped classroom" på Scopus, fik hun 300 resultater, men følte, at hun manglede synonymer. Han fik AI til at producere en term pool; Han tilføjede ækvivalenter som "omvendt klasseværelse" og "vendt læring". Med den nye streng steg resultatet fra 300 til 470; 40 relevante artikler blev savnet i den indledende søgning. AI'en fandt ikke artiklerne, men konstruerede den streng, der gjorde dem tilgængelige.
Case 2 — Retur fra opgjort liste. En kandidatstuderende bad AI direkte om "top 15 kilder" til scanning og indsatte listen i sit speciale. Under konsulentens kontrol kunne 4 citater ikke findes i Web of Science, og 2 DOI'er var forkerte. Eleven startede forfra: denne gang tog han linjen fra AI, fandt 60 rigtige resultater i Scopus, gennemgik titlen-abstraktet og valgte 18. Disse 18 var alle rigtige.
Sag 3 — Afklaring af omfanget. En sundhedsforsker indså, at hans søgning var så bred, at han blev overvældet af 2.000 resultater. Fik udarbejdet udkast til AI inklusions-/eksklusionskriterier: sidste 10 år, engelsk, voksenprøve, randomiserede kontrollerede forsøg. Han tilføjede filteret "kun hospitalsmiljø" med sine egne oplysninger. Resultatet faldt fra 2.000 til 180; En scanningsbar klynge blev dannet.
Kopierbare skabeloner
1) Konceptadskillelse og terminspulje:
Din rolle: en informationsspecialist (forskningsbibliotekar). Mit forskningsspørgsmål er: "[skriv spørgsmålet]". Del dette spørgsmål ned i dets hovedbegreber. Generer en termpool af engelske synonymer, feltjargon og alternative stavemåder for hvert begreb. Giv det i en tabel. Artiklen er FAKE.
2) Generering af boolesk søgestreng:
Konstruer en boolsk søgestreng for Scopus ved hjælp af følgende termpulje: ELLER termer i begreber, OG mellem begreber, citatsætninger, brug *, hvor det er relevant. Tilpas den samme streng til Web of Science og PubMed syntaks. Pool: [indsæt]
3) Udkast til inklusions-/eksklusionskriterier:
Jeg laver en litteraturgennemgang om "[emne]". Foreslå mig et udkast til inklusions-/eksklusionskriterier: under overskrifterne årrække, sprog, undersøgelsestype, prøve, kontekst. Disse er forslag; Jeg vil ændre dem efter mit felt. Skriv kort begrundelsen.
4) Forespørgsel på ledige stillingskandidater (skal verificeres):
Nedenfor er oversigter over de 10 artikler, jeg har scannet. Tegn deres fælles temaer frem, og foreslå hulkandidater med hensyn til, HVILKE SPØRGSMÅL DER ER MINDRE OPRETTEDE. Præsenter disse som hypoteser, som jeg vil verificere, ikke som absolut sandhed. Resuméer: [indsæt]
Svag prompt / Stærk prompt
Svag prompt:
Giv mig en liste over ressourcer om kunstig intelligens og uddannelse.
AI opretter falske ID'er; Emnet er også for bredt.
Kraftig prompt:
Din rolle: informationsspecialist. Emne: "Gamificationens effekt på matematikangst i folkeskolen". GI MIG IKKE EN LISTE OVER KILDER. I stedet: (1) analyser de 3 begreber, (2) generer et lager af engelske synonymer for hvert begreb, (3) boolsk streng for Scopus, (4) udkast til gældende inklusions-/eksklusionskriterier. Artiklens titel er falsk.
Formål
bruge AI
verifikationsplacering
Udvidelse af terminspuljen
Ja, stærk
Gennemgå med domænekendskab
Boolsk strengkonstruktion
Ja, stærk
Test i database
Omfang/kriterieoversigt
Ja
Skærp efter område
Find en artikel
nej
Scholar/Scopus/WoS/PubMed
Klareringsforpligtelse
delvist
Rigtig scanning er et must
Almindelige fejl
- Forveksler AI med en database. Anmodning om en artikelcitat producerer falske citater; Dette er den mest almindelige og farligste fejl.
- Springer over synonymer. En enkelt termsøgning savner meget af litteraturen.
- Efterlader omfanget uklart. Uden år-, sprog- og genrefiltre vil du blive overvældet med tusindvis af resultater.
- Påstand om tomhed uden at verificere det. At sige "ingen studerede" uden egentlig screening er risikabelt.
- Stoler på en enkelt database. Forskellige indekser dækker forskelligt; bruge flere sammen.
Tip: For at gøre din søgning reproducerbar skal du registrere den streng, du brugte, database, dato og antal resultater i en tabel. Dette tidsskrift er obligatorisk i systematisk gennemgang; Det er en god vane i enhver forskning.
Sammenfattende
Litteraturgennemgang er en systematisk opgave: konceptdestillation, termpool, boolesk streng, dækningskriterium. AI er en stærk assistent i disse strategiske trin; producerer synonymer, konstruerer strenge, skitserer kriterier. Men du finder artikler fra rigtige databaser, ikke fra AI, og verificerer hver byline. Kort tommelfingerregel: strategi fra AI, kilde fra database, validering fra dig.
Ansøgningsopgave
Få dit eget forskningsspørgsmål. Parse begreber med AI og frembring en termpool og en boolesk streng. Kør denne streng mod en rigtig database (Scholar eller et indeks, du har adgang til). Bemærk de 10 bedste resultater, og sammenlign dem med de bylines (hvis nogen), som AI’en tidligere har foreslået, da de blev spurgt direkte; Marker hvor mange der faktisk findes.
tjekliste
- [ ] Har jeg opdelt mit forskningsspørgsmål i begreber?
- [ ] Har jeg oprettet en synonym/engelsk termpulje for hvert begreb?
- [ ] Har jeg testet den boolske streng på den rigtige database?
- [ ] Har jeg præciseret mine inklusions-/ekskluderingskriterier?
- [ ] Har jeg bekræftet, at alle ressourcer, jeg fandt, faktisk eksisterer?