Ganancias:
- Capacidad para planificar el alcance del escaneo con soporte de inteligencia artificial mediante la generación de palabras clave, sinónimos y cadenas de búsqueda booleanas a partir de la pregunta de investigación.
- Posicionar la inteligencia artificial como una herramienta de generación de estrategias, no de búsqueda de fuentes, y poder verificar cada fuente encontrada en bases de datos reales (Google Scholar, Scopus, Web of Science, PubMed).
- Capacidad para comprender el riesgo de que la inteligencia artificial proporcione fuentes fabricadas y estadísticas falsas y adquirir el reflejo de verificar cada cita al determinar una brecha en la literatura.
Toda investigación comienza con una revisión de la literatura: no se puede hacer una contribución original sin ver qué se ha hecho antes sobre el tema, qué preguntas se han respondido y dónde hay lagunas. Pero la literatura es enorme; Anualmente se publican millones de artículos. Aquí es donde la IA es un gran acelerador, pero con una línea de demarcación muy clara. La frase más importante de esta unidad es la siguiente: la IA se utiliza en la revisión de la literatura como estratega de búsqueda, no como base de datos fuente. Porque la IA no te encuentra artículos reales; Produce firmas de artículos que parecen posibles, algunas de las cuales son inventadas.
En esta unidad, aprenderemos cómo derivar un plan de búsqueda sistemático a partir de su pregunta de investigación, usar la IA para enriquecer ese plan y validar cada fuente que encuentre con bases de datos reales.
Esqueleto de la revisión de la literatura.
Una buena exploración tiene tres etapas. Primero, descompones los conceptos: descompones tu pregunta de investigación en sus componentes principales. Por ejemplo, en la pregunta "El efecto de la retroalimentación en la motivación de los estudiantes en la educación a distancia", se distinguen tres conceptos: educación a distancia, retroalimentación, motivación. Luego, crea un conjunto de términos para cada concepto: sinónimos, jerga de campo, equivalentes en inglés (educación a distancia → educación a distancia, aprendizaje en línea, aprendizaje electrónico, aprendizaje a distancia). Finalmente, combina estos términos con operadores booleanos.
Los operadores booleanos son conjunciones lógicas que indican a los motores de búsqueda cómo combinar términos. Hay tres operadores básicos: Y (da como resultado la aparición de ambos términos, reduce el alcance), O (cualquiera de los términos, amplía el alcance, recopila sinónimos) y NO (excluye un término). También comillas "..." busca frases completas, el asterisco * es la contracción raíz (motivat* → motivación, motivacional). Una cadena de búsqueda suele tener este aspecto:
("educación a distancia" O "aprendizaje en línea" O aprendizaje electrónico)Y (retroalimentación O "evaluación formativa")Y (motivación O compromiso O "autoeficacia")
La IA es excelente para generar estas cadenas, completar sinónimos y adaptarlos a la sintaxis de diferentes bases de datos (Scopus, PubMed, Web of Science requieren diferentes ortografías). Pero la IA no es donde se ejecuta la cadena; bases de datos reales: Google Scholar (grande, gratuito), Scopus y Web of Science (seleccionadas, indexadas por citas), PubMed (ciencias médicas/biológicas), bases de datos de campo (educación ERIC, psicología PsycINFO, ingeniería IEEE Xplore).
Atención: si le pide a una herramienta de chat de IA que "enumere 20 artículos sobre este tema", le devolverá títulos que parecen reales, pero algunos de ellos son inventados. Esto no es detección sino peligro. Utilice IA para generar cadenas, busque el artículo en la base de datos.
Análisis de alcance, inclusión y brechas
Conoce buenos límites de escaneo. Los criterios de inclusión/exclusión determinan el alcance de su búsqueda: qué rango de años, qué idiomas, qué tipos de estudio (experimentales, de revisión), qué contexto. La IA puede sugerir estos criterios en forma de borrador y usted puede perfeccionarlos según su campo. Si está realizando una revisión sistemática, puede recordarle el flujo PRISMA (estándar de informes para revisiones sistemáticas) a la IA y hacer que produzca una plantilla de registro de rastreo.
Una brecha bibliográfica es una cuestión o contexto que aún no se ha explorado adecuadamente; Su contribución original a menudo llena un vacío. La IA le ayuda a identificar posibles lagunas en función de los resúmenes que lee, pero tómelo como una afirmación que debe verificarse, no como una hipótesis. La IA puede decir "X no ha sido estudiado en esta área"; Sin embargo, es posible que se haya estudiado, lo que pasa es que la IA no lo sabe. Sólo confirma la brecha con su escaneo real.
Método bola de nieve y literatura gris
La búsqueda de palabras clave por sí sola no es suficiente; Una buena exploración se profundiza con la bola de nieve. Haciendo una bola de nieve hacia atrás, la clave que encuentra es escanear la bibliografía de un artículo y encontrar los anteriores; El avance en forma de bola de nieve es el seguimiento de quién citó ese artículo (enlace "Citado por" en Google Scholar) y llegar a estudios posteriores. Este método le permite encontrar estudios que son fundamentales para el campo pero que no puede capturar con sus palabras clave. Cuando proporcionas una bibliografía de un artículo, la IA puede ayudarte a priorizar qué referencias se acercan más a tu pregunta; Pero nuevamente, depende de usted buscar y leer el artículo.
Además, las bases de datos académicas no cubren todo. La literatura gris (disertaciones, informes institucionales, actas de congresos, preimpresiones) es fundamental en algunos campos y compensa el sesgo de publicación (la tendencia a publicar sólo resultados positivos). La IA puede sugerir qué fuentes de literatura gris (disertaciones de ProQuest, repositorios institucionales, servidores de preimpresión como arXiv/SSRN) debe buscar; A menudo es imperativo en las revisiones sistemáticas no limitar su alcance únicamente a artículos de revistas.
tres mini casos
Caso 1: Expansión de cuerdas. Cuando una investigadora en educación buscó "aula invertida" en Scopus, obtuvo 300 resultados, pero sintió que le faltaban sinónimos. Hizo que la IA produjera un conjunto de términos; Añadió equivalentes como "aula invertida" y "aprendizaje invertido". Con la nueva cadena el resultado aumentó de 300 a 470; Se omitieron 40 artículos relevantes en la búsqueda inicial. La IA no encontró los artículos, pero construyó la cadena que los hizo localizables.
Caso 2: Regreso de una lista inventada. Un estudiante de posgrado pidió directamente a AI las "15 fuentes principales" para escanear y pegó la lista en su tesis. Bajo el control del consultor, no se pudieron encontrar 4 citas en Web of Science y 2 DOI eran incorrectos. El estudiante empezó de nuevo: esta vez tomó la línea de la IA, encontró 60 resultados reales en Scopus, examinó el resumen del título y seleccionó 18. Estos 18 eran todos reales.
Caso 3: Aclaración del alcance. Un investigador de la salud se dio cuenta de que su búsqueda era tan amplia que se vio abrumado por 2.000 resultados. Se produjeron borradores de criterios de inclusión/exclusión de IA: últimos 10 años, inglés, muestra de adultos, ensayos controlados aleatorios. Añadió el filtro "solo entorno hospitalario" con su propia información. El resultado cayó de 2.000 a 180; Se formó un grupo escaneable.
Plantillas copiables
1) Separación de conceptos y conjunto de términos:
Su función: especialista en información (bibliotecario de investigación). Mi pregunta de investigación es: "[escribe la pregunta]". Divide esta pregunta en sus conceptos principales. Genere un conjunto de términos de sinónimos en inglés, jerga de campo y ortografías alternativas para cada concepto. Dáselo en una mesa. El artículo es FALSO.
2) Generación de cadenas de búsqueda booleanas:
Construya una cadena de búsqueda booleana para Scopus utilizando el siguiente conjunto de términos: O términos dentro de conceptos, Y entre conceptos, frases entre comillas, use * cuando corresponda. Adapte la misma cadena a la sintaxis de Web of Science y PubMed. Piscina: [pegar]
3) Proyecto de criterios de inclusión/exclusión:
Estoy haciendo una revisión de la literatura sobre "[tema]". Sugiérame un borrador de criterios de inclusión/exclusión: bajo los títulos de rango de años, idioma, tipo de estudio, muestra, contexto. Éstas son sugerencias; Los cambiaré según mi campo. Escribe las razones brevemente.
4) Consulta de candidatos a vacantes (a verificar):
A continuación se muestran resúmenes de los 10 artículos que escaneé. Dibuje sus temas comunes y sugiera CANDIDATOS vacíos en cuanto a CUÁLES PREGUNTAS SE ABORDAN MENOS. Preséntelas como hipótesis que yo verificaré, no como verdades absolutas. Resúmenes: [pegar]
Aviso débil / Aviso fuerte
Aviso débil:
Dame una lista de recursos sobre inteligencia artificial y educación.
La IA crea identificaciones falsas; El tema también es demasiado amplio.
Potente mensaje:
Su función: especialista en información. Tema: “El efecto de la gamificación en la ansiedad matemática en la escuela primaria”. NO ME DES UNA LISTA DE FUENTES. En su lugar: (1) analizar los 3 conceptos, (2) generar un repositorio de sinónimos en inglés para cada concepto, (3) cadena booleana para Scopus, (4) redactar criterios de inclusión/exclusión aplicables. El título del artículo es falso.
Propósito
usar IA
ubicación de verificación
Ampliación del grupo de términos
si, fuerte
Revisar con conocimiento del dominio.
Construcción de cadenas booleanas
si, fuerte
Prueba en base de datos
Esquema del alcance/criterios
si
Enfocar por área
encontrar un articulo
no
Académico/Scopus/WoS/PubMed
compromiso de liquidación
parcialmente
El escaneo real es imprescindible
Errores comunes
- Confundir la IA con una base de datos. Solicitar la cita de un artículo produce citas espurias; Este es el error más común y peligroso.
- Saltarse sinónimos. Una búsqueda de un solo término omite gran parte de la literatura.
- Dejando el alcance poco claro. Sin filtros de año, idioma y género, te abrumarás con miles de resultados.
- Afirmar el vacío sin verificarlo. Decir "nadie estudió" sin una evaluación real es arriesgado.
- Apoyándose en una única base de datos. Los diferentes índices cubren de manera diferente; utilizar varios juntos.
Consejo: Para que su búsqueda sea reproducible, registre la cadena que utilizó, la base de datos, la fecha y la cantidad de resultados en una tabla. Esta revista es obligatoria en revisión sistemática; Es un buen hábito en toda investigación.
En resumen
La revisión de la literatura es una tarea sistemática: destilación de conceptos, conjunto de términos, cadena booleana, criterio de cobertura. La IA es un poderoso asistente en estos pasos estratégicos; produce sinónimos, construye cadenas, describe criterios. Pero encuentra artículos de bases de datos reales, no de IA, y verifica cada firma. Breve regla general: estrategia de IA, fuente de base de datos, validación tuya.
Tarea de aplicación
Obtenga su propia pregunta de investigación. Analice conceptos con IA y produzca un conjunto de términos y una cadena booleana. Ejecute esta cadena en una base de datos real (Scholar o un índice al que tenga acceso). Tenga en cuenta los 10 resultados principales y compárelos con las firmas (si las hay) que la IA sugirió anteriormente cuando se le preguntó directamente; Marca cuántos existen realmente.
lista de verificación
- [] ¿He dividido mi pregunta de investigación en conceptos?
- [ ] ¿He creado un conjunto de sinónimos/términos en inglés para cada concepto?
- [] ¿He probado la cadena booleana en la base de datos real?
- [ ] ¿He aclarado mis criterios de inclusión/exclusión?
- [] ¿He verificado que todos los recursos que encontré realmente existen?