Κέρδη:
- Δυνατότητα σχεδιασμού του εύρους σάρωσης με υποστήριξη τεχνητής νοημοσύνης, δημιουργώντας λέξεις-κλειδιά, συνώνυμα και συμβολοσειρές αναζήτησης Boolean από το ερευνητικό ερώτημα
- Τοποθέτηση της τεχνητής νοημοσύνης ως εργαλείο δημιουργίας στρατηγικής, όχι ως εργαλείο εύρεσης πηγών και δυνατότητα επαλήθευσης κάθε πηγής που βρίσκεται σε πραγματικές βάσεις δεδομένων (Google Scholar, Scopus, Web of Science, PubMed).
- Ικανότητα κατανόησης του κινδύνου της τεχνητής νοημοσύνης που παρέχει κατασκευασμένες πηγές και πλαστά στατιστικά στοιχεία και αποκτά το αντανακλαστικό για την επαλήθευση κάθε αναφοράς κατά τον προσδιορισμό ενός κενού στη βιβλιογραφία.
Κάθε έρευνα ξεκινά με μια βιβλιογραφική ανασκόπηση: δεν μπορείτε να κάνετε μια πρωτότυπη συνεισφορά χωρίς να δείτε τι έχει γίνει στο παρελθόν για το θέμα σας, ποιες ερωτήσεις έχουν απαντηθεί και πού υπάρχουν κενά. Αλλά η λογοτεχνία είναι τεράστια. Εκατομμύρια άρθρα δημοσιεύονται ετησίως. Εδώ η τεχνητή νοημοσύνη είναι ένας εξαιρετικός επιταχυντής — αλλά με μια πολύ ξεχωριστή γραμμή οριοθέτησης. Η πιο σημαντική πρόταση αυτής της ενότητας είναι η εξής: Το AI χρησιμοποιείται στην ανασκόπηση της βιβλιογραφίας ως υπεύθυνος στρατηγικής αναζήτησης, όχι ως βάση δεδομένων πηγής. Επειδή η τεχνητή νοημοσύνη δεν σας βρίσκει πραγματικά άρθρα. Παράγει πιθανές γραμμές άρθρων, μερικές από τις οποίες είναι κατασκευασμένες.
Σε αυτήν την ενότητα, θα μάθουμε πώς να συνάγουμε ένα συστηματικό σχέδιο αναζήτησης από την ερευνητική σας ερώτηση, να χρησιμοποιούμε AI για να εμπλουτίσουμε αυτό το σχέδιο και να επικυρώνουμε κάθε πηγή που βρίσκετε σε σχέση με πραγματικές βάσεις δεδομένων.
Σκελετός της βιβλιογραφικής ανασκόπησης
Μια καλή σάρωση έχει τρία στάδια. Πρώτα αναλύετε τις έννοιες: αναλύετε το ερευνητικό σας ερώτημα στα κύρια συστατικά του. Για παράδειγμα, στην ερώτηση «Η επίδραση της ανατροφοδότησης στα κίνητρα των μαθητών στην εξ αποστάσεως εκπαίδευση», υπάρχουν τρεις έννοιες: εκπαίδευση εξ αποστάσεως, ανατροφοδότηση, κίνητρο. Στη συνέχεια, δημιουργείτε μια ομάδα όρων για κάθε έννοια: συνώνυμα, ορολογία πεδίου, αγγλικά ισοδύναμα (εξ αποστάσεως εκπαίδευση → εκπαίδευση εξ αποστάσεως, διαδικτυακή μάθηση, ηλεκτρονική μάθηση, εκπαίδευση εξ αποστάσεως). Τέλος, συνδυάζετε αυτούς τους όρους με τελεστές Boole.
Οι τελεστές Boole είναι λογικοί σύνδεσμοι που λένε στις μηχανές αναζήτησης πώς να συνδυάζουν όρους. Υπάρχουν τρεις βασικοί τελεστές: AND (αποτέλεσμα εμφάνισης και των δύο όρων — περιορίζει το εύρος), OR (οποιοσδήποτε από τους όρους — επεκτείνει το πεδίο εφαρμογής, συλλέγει συνώνυμα) και NOT (αποκλείει έναν όρο). Επίσης εισαγωγικά "..." αναζητήστε πλήρεις φράσεις, ο αστερίσκος * είναι η συστολή της ρίζας (motivat* → motivation, motivational). Μια συμβολοσειρά αναζήτησης συνήθως μοιάζει με αυτό:
("εξ αποστάσεως εκπαίδευση" Ή "διαδικτυακή μάθηση" Ή ηλεκτρονική μάθηση) ΚΑΙ (ανατροφοδότηση Ή "διαμορφωτική αξιολόγηση") ΚΑΙ (κίνητρο Ή δέσμευση Ή "αυτο-αποτελεσματικότητα")
Η τεχνητή νοημοσύνη είναι εξαιρετική στη δημιουργία αυτών των συμβολοσειρών, στη συμπλήρωση συνωνύμων και στην προσαρμογή τους στη σύνταξη διαφορετικών βάσεων δεδομένων (Scopus, PubMed, Web of Science απαιτούν διαφορετική ορθογραφία). Αλλά η τεχνητή νοημοσύνη δεν είναι εκεί που εκτελείτε τη συμβολοσειρά. πραγματικές βάσεις δεδομένων: Google Scholar (μεγάλο, δωρεάν), Scopus and Web of Science (επιμέλεια, ευρετήριο παραπομπών), PubMed (ιατρικές/βιολογικές επιστήμες), βάσεις δεδομένων πεδίου (εκπαίδευση ERIC, ψυχολογία PsycINFO, μηχανική IEEE Xplore).
Προσοχή: Εάν ρωτήσετε ένα εργαλείο συνομιλίας AI "να καταγράψει 20 άρθρα για αυτό το θέμα", θα επιστρέψει τίτλους που φαίνονται αληθινοί, αλλά μερικοί από αυτούς είναι κατασκευασμένοι. Αυτό δεν είναι έλεγχος αλλά κίνδυνος. Χρησιμοποιήστε AI για να δημιουργήσετε συμβολοσειρά, βρείτε το άρθρο στη βάση δεδομένων.
Πεδίο εφαρμογής, συμπερίληψη και ανάλυση κενών
Γνωρίζει καλά όρια σάρωσης. Τα κριτήρια συμπερίληψης/αποκλεισμού καθορίζουν το εύρος της αναζήτησής σας: ποιο εύρος ετών, ποιες γλώσσες, ποιοι τύποι μελέτης (πειραματικό, αναθεωρητικό), ποιο πλαίσιο. Η τεχνητή νοημοσύνη μπορεί να προτείνει αυτά τα κριτήρια σε πρόχειρη μορφή και μπορείτε να τα ακονίσετε ανάλογα με το πεδίο σας. Εάν κάνετε συστηματική ανασκόπηση, μπορείτε να υπενθυμίσετε τη ροή PRISMA (πρότυπο αναφοράς για συστηματικές κριτικές) στο AI και να το ζητήσετε να δημιουργήσει ένα πρότυπο αρχείου καταγραφής ανίχνευσης.
Ένα λογοτεχνικό κενό είναι ένα ερώτημα ή ένα πλαίσιο που δεν έχει ακόμη διερευνηθεί επαρκώς. Η αρχική σας συνεισφορά συχνά καλύπτει ένα κενό. Η τεχνητή νοημοσύνη σάς βοηθά να ονομάσετε πιθανά κενά με βάση τις περιλήψεις που διαβάζετε — αλλά θεωρήστε το ως ισχυρισμό που πρέπει να επαληθευτεί και όχι ως υπόθεση. Η τεχνητή νοημοσύνη μπορεί να πει "Το X δεν έχει μελετηθεί σε αυτόν τον τομέα". Ωστόσο, μπορεί να έχει μελετηθεί, απλώς το AI δεν γνωρίζει. Επιβεβαιώνεις το κενό μόνο με την πραγματική σάρωση.
Μέθοδος χιονοστιβάδας και γκρίζα λογοτεχνία
Η αναζήτηση λέξεων-κλειδιών από μόνη της δεν είναι αρκετή. Μια καλή σάρωση εμβαθύνει με χιονόμπαλες. Χιονοστιβάδα προς τα πίσω, το κλειδί που θα βρείτε είναι να σαρώσετε τη βιβλιογραφία ενός άρθρου και να βρείτε αυτά που προηγήθηκαν. Το Snowballing forward παρακολουθεί ποιος ανέφερε αυτό το άρθρο (σύνδεσμος "Παραπομπή" στο Google Scholar) και καταλήγει σε επόμενες μελέτες. Αυτή η μέθοδος σάς επιτρέπει να βρείτε μελέτες που είναι κεντρικές στο πεδίο, αλλά που δεν μπορείτε να καταγράψετε με τις λέξεις-κλειδιά σας. Όταν παρέχετε μια βιβλιογραφία ενός άρθρου, η τεχνητή νοημοσύνη μπορεί να σας βοηθήσει να δώσετε προτεραιότητα στις αναφορές που βρίσκονται πιο κοντά στην ερώτησή σας. Αλλά και πάλι, είναι στο χέρι σας να βρείτε και να διαβάσετε το άρθρο.
Επιπλέον, οι ακαδημαϊκές βάσεις δεδομένων δεν καλύπτουν τα πάντα. Η γκρίζα βιβλιογραφία — διατριβές, θεσμικές εκθέσεις, πρακτικά συνεδρίων, προεκτυπώσεις — είναι κρίσιμη σε ορισμένους τομείς και αντισταθμίζει την προκατάληψη της δημοσίευσης (την τάση να δημοσιεύονται μόνο θετικά αποτελέσματα). Η τεχνητή νοημοσύνη μπορεί να προτείνει ποιες γκρι βιβλιογραφικές πηγές (διατριβές ProQuest, αποθετήρια ιδρυμάτων, διακομιστές προεκτύπωσης όπως το arXiv/SSRN) πρέπει να αναζητήσετε. Είναι συχνά επιτακτική ανάγκη σε συστηματικές ανασκοπήσεις να μην περιορίζετε το πεδίο εφαρμογής σας μόνο σε άρθρα περιοδικών.
τρεις μίνι θήκες
Περίπτωση 1 — Επέκταση χορδής. Όταν μια ερευνήτρια εκπαίδευσης έψαξε για "αναστραμμένη τάξη" στο Scopus, έλαβε 300 αποτελέσματα, αλλά ένιωσε ότι της έλειπαν συνώνυμα. Είχε την τεχνητή νοημοσύνη να παράγει μια ομάδα όρων. Πρόσθεσε ισοδύναμα όπως "ανεστραμμένη τάξη" και "αναστραμμένη μάθηση". Με τη νέα χορδή το αποτέλεσμα αυξήθηκε από 300 σε 470. Στην αρχική αναζήτηση χάθηκαν 40 σχετικά άρθρα. Το AI δεν βρήκε τα άρθρα, αλλά κατασκεύασε τη συμβολοσειρά που τα έκανε να βρεθούν.
Περίπτωση 2 — Επιστροφή από διαμορφωμένη λίστα. Ένας μεταπτυχιακός φοιτητής ζήτησε απευθείας από την τεχνητή νοημοσύνη τις «15 κορυφαίες πηγές» για σάρωση και επικόλλησε τη λίστα στη διατριβή του. Υπό τον έλεγχο του συμβούλου, 4 παραπομπές δεν βρέθηκαν στο Web of Science και 2 DOI ήταν λανθασμένες. Ο μαθητής ξεκίνησε από την αρχή: αυτή τη φορά πήρε τη γραμμή από το AI, βρήκε 60 πραγματικά αποτελέσματα στο Scopus, κοσκίνισε την περίληψη του τίτλου και επέλεξε 18. Αυτά τα 18 ήταν όλα πραγματικά.
Περίπτωση 3 — Διευκρίνιση πεδίου εφαρμογής. Ένας ερευνητής υγείας συνειδητοποίησε ότι η αναζήτησή του ήταν τόσο ευρεία που κατακλύστηκε από 2.000 αποτελέσματα. Είχε παραχθεί προσχέδιο κριτηρίων συμπερίληψης/αποκλεισμού AI: τελευταία 10 χρόνια, Αγγλικά, δείγμα ενηλίκων, τυχαιοποιημένες ελεγχόμενες δοκιμές. Πρόσθεσε το φίλτρο «μόνο νοσοκομειακό περιβάλλον» με τις δικές του πληροφορίες. Το αποτέλεσμα έπεσε από 2.000 σε 180. Σχηματίστηκε ένα σύμπλεγμα με δυνατότητα σάρωσης.
Αντιγράψιμα πρότυπα
1) Διαχωρισμός εννοιών και ομάδα όρων:
Ο ρόλος σας: ειδικός πληροφοριών (βιβλιοθηκάριος ερευνών). Το ερευνητικό μου ερώτημα είναι: "[γράψτε την ερώτηση]". Αναλύστε αυτό το ερώτημα στις κύριες έννοιές του. Δημιουργήστε μια ομάδα όρων με αγγλικά συνώνυμα, ορολογία πεδίου και εναλλακτικές ορθογραφίες για κάθε έννοια. Δώστε το σε έναν πίνακα. Το άρθρο είναι ΨΕΥΤΙΚΟ.
2) Δημιουργία συμβολοσειρών αναζήτησης Boolean:
Κατασκευάστε μια συμβολοσειρά αναζήτησης Boolean για το Scopus χρησιμοποιώντας τον ακόλουθο όρο συγκέντρωσης: Ή όρους μέσα σε έννοιες, ΚΑΙ μεταξύ εννοιών, παραθέστε φράσεις, χρησιμοποιήστε * όπου χρειάζεται. Προσαρμόστε την ίδια συμβολοσειρά στη σύνταξη Web of Science και PubMed. Πισίνα: [επικόλληση]
3) Σχέδιο κριτηρίων συμπερίληψης/αποκλεισμού:
Κάνω μια βιβλιογραφική ανασκόπηση για το "[θέμα]". Προτείνετε μου ένα προσχέδιο κριτηρίων ένταξης/αποκλεισμού: κάτω από τις επικεφαλίδες εύρος ετών, γλώσσα, τύπος μελέτης, δείγμα, πλαίσιο. Αυτές είναι προτάσεις. Θα τα αλλάξω ανάλογα με τον τομέα μου. Γράψε εν συντομία τους λόγους.
4) Ερώτηση υποψηφίων για κενές θέσεις (προς επαλήθευση):
Ακολουθούν περιλήψεις των 10 άρθρων που σάρωση. Σχεδιάστε τα κοινά τους θέματα και προτείνετε κενά υποψηφίους για το ποιες ΕΡΩΤΗΣΕΙΣ ΑΠΕΥΘΥΝΟΝΤΑΙ ΛΙΓΟΤΕΡΟ. Παρουσιάστε αυτές ως υποθέσεις που θα επαληθεύσω, όχι απόλυτη αλήθεια. Περιλήψεις: [επικόλληση]
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Δώστε μου μια λίστα με πόρους για την τεχνητή νοημοσύνη και την εκπαίδευση.
Η τεχνητή νοημοσύνη δημιουργεί πλαστά αναγνωριστικά. Το θέμα είναι επίσης πολύ ευρύ.
Ισχυρή προτροπή:
Ο ρόλος σας: ειδικός πληροφοριών. Θέμα: «Η επίδραση της gamification στο άγχος των μαθηματικών στο δημοτικό σχολείο». ΜΗ ΜΟΥ ΔΩΣΕΙΣ ΛΙΣΤΑ ΠΗΓΩΝ. Αντίθετα: (1) αναλύστε τις 3 έννοιες, (2) δημιουργήστε μια αποθήκη αγγλικών συνωνύμων για κάθε έννοια, (3) συμβολοσειρά Boolean για το Scopus, (4) προσχέδιο ισχυόντων κριτηρίων συμπερίληψης/αποκλεισμού. Ο τίτλος του άρθρου είναι ψεύτικος.
Σκοπός
χρησιμοποιήστε AI
τοποθεσία επαλήθευσης
Επέκταση της πισίνας όρου
Ναι, δυνατό
Αναθεώρηση με γνώσεις τομέα
Κατασκευή χορδών Boolean
Ναι, δυνατό
Δοκιμή στη βάση δεδομένων
Περιγραφή πεδίου/κριτηρίων
Ναι
Ακονίστε ανά περιοχή
Βρείτε ένα άρθρο
όχι
Scholar/Scopus/WoS/PubMed
Δέσμευση εκκαθάρισης
εν μέρει
Η πραγματική σάρωση είναι απαραίτητη
Συνήθη λάθη
- Παρεξήγηση AI με βάση δεδομένων. Το αίτημα για παραπομπή άρθρου παράγει ψευδείς αναφορές. Αυτό είναι το πιο συνηθισμένο και επικίνδυνο λάθος.
- Παράλειψη συνωνύμων. Μια αναζήτηση μεμονωμένου όρου χάνει μεγάλο μέρος της βιβλιογραφίας.
- Αφήνοντας το πεδίο εφαρμογής ασαφές. Χωρίς φίλτρα έτους, γλώσσας και είδους, θα κατακλύζεστε με χιλιάδες αποτελέσματα.
- Επιβεβαίωση του κενού χωρίς να το επαληθεύσετε. Το να πεις "κανείς δεν σπούδασε" χωρίς πραγματικό έλεγχο είναι επικίνδυνο.
- Βασίζεται σε μια ενιαία βάση δεδομένων. Διαφορετικοί δείκτες καλύπτουν διαφορετικά. χρησιμοποιήστε πολλά μαζί.
Συμβουλή: Για να κάνετε την αναζήτησή σας αναπαραγώγιμη, καταγράψτε τη συμβολοσειρά που χρησιμοποιήσατε, τη βάση δεδομένων, την ημερομηνία και τον αριθμό των αποτελεσμάτων σε έναν πίνακα. Αυτό το περιοδικό είναι υποχρεωτικό σε συστηματική ανασκόπηση. Είναι μια καλή συνήθεια σε κάθε έρευνα.
Συνοπτικά
Η ανασκόπηση της βιβλιογραφίας είναι μια συστηματική εργασία: απόσταξη εννοιών, ομάδα όρων, συμβολοσειρά Boolean, κριτήριο κάλυψης. Το AI είναι ένας ισχυρός βοηθός σε αυτά τα στρατηγικά βήματα. παράγει συνώνυμα, κατασκευάζει συμβολοσειρές, σκιαγραφεί κριτήρια. Αλλά βρίσκετε άρθρα από πραγματικές βάσεις δεδομένων, όχι από AI, και επαληθεύετε κάθε byline. Σύντομος εμπειρικός κανόνας: στρατηγική από AI, πηγή από βάση δεδομένων, επικύρωση από εσάς.
Εργασία εφαρμογής
Λάβετε τη δική σας ερευνητική ερώτηση. Αναλύστε έννοιες με AI και δημιουργήστε μια ομάδα όρου και μια συμβολοσειρά Boolean. Εκτελέστε αυτήν τη συμβολοσειρά σε μια πραγματική βάση δεδομένων (Scholar ή ένα ευρετήριο στο οποίο έχετε πρόσβαση). Σημειώστε τα κορυφαία 10 αποτελέσματα και συγκρίνετε τα με τα bylines (εάν υπάρχουν) που έχει προτείνει προηγουμένως το AI όταν ρωτήθηκε απευθείας. Σημειώστε πόσα πραγματικά υπάρχουν.
λίστα ελέγχου
- [ ] Έχω αναλύσει το ερευνητικό μου ερώτημα σε έννοιες;
- [ ] Έχω δημιουργήσει μια ομάδα συνωνύμων/αγγλικών όρων για κάθε έννοια;
- [ ] Έχω δοκιμάσει τη συμβολοσειρά boolean στην πραγματική βάση δεδομένων;
- [ ] Έχω διευκρινίσει τα κριτήρια συμπερίληψης/αποκλεισμού μου;
- [ ] Έχω επαληθεύσει ότι κάθε πόρος που βρήκα υπάρχει στην πραγματικότητα;