Kasu:
- Võimalus planeerida skaneerimise ulatust tehisintellekti toega, genereerides uurimisküsimusest märksõnu, sünonüüme ja Boole'i otsingustringe
- Tehisintellekti positsioneerimine strateegia genereerimise tööriistana, mitte allikate otsimise tööriistana, ja võimalus kontrollida iga reaalses andmebaasis leiduvat allikat (Google Scholar, Scopus, Web of Science, PubMed).
- Oskus mõista tehisintellekti tekitatud riske väljamõeldud allikate ja võltsstatistika pakkumisel ning omandada refleksi iga tsitaadi kontrollimiseks, kui tuvastada lünk kirjanduses.
Iga uurimus algab kirjanduse ülevaatega: originaalset panust ei saa teha, kui ei näe, mis on sinu teemal varem tehtud, millistele küsimustele on vastatud ja kus on lünki. Kuid kirjandus on tohutu; Aastas avaldatakse miljoneid artikleid. See on koht, kus AI on suurepärane kiirendaja, kuid väga selgelt eristatava piirjoonega. Selle üksuse kõige olulisem lause on järgmine: AI-d kasutatakse kirjanduse ülevaates otsingustrateegina, mitte lähteandmebaasina. Kuna AI ei leia teile tõelisi artikleid; See loob võimaliku välimusega artiklite autoreid, millest osa on valmistatud.
Selles üksuses õpime, kuidas tuletada teie uurimisküsimusest süstemaatilist otsinguplaani, kasutada tehisintellekti selle plaani rikastamiseks ja kinnitada iga leitud allikat tegelike andmebaasidega.
Kirjanduse ülevaate skelett
Heal skaneerimisel on kolm etappi. Kõigepealt jagate mõisted lahti: jagate oma uurimisküsimuse selle põhikomponentideks. Näiteks küsimuses "Tagasiside mõju õpilaste motivatsioonile kaugõppes" on kolm mõistet: kaugõpe, tagasiside, motivatsioon. Seejärel loote iga mõiste jaoks terminikogumi: sünonüümid, valdkonna žargoon, ingliskeelsed vasted (kaugõpe → kaugõpe, veebiõpe, e-õpe, kaugõpe). Lõpuks ühendate need terminid Boole'i tehtemärkidega.
Boole'i operaatorid on loogilised sidesõnad, mis ütlevad otsingumootoritele, kuidas termineid kombineerida. Põhilisi operaatoreid on kolm: JA (tulemuseks on mõlema termini esinemine – kitsendab ulatust), VÕI (ükskõik milline termin – laiendab ulatust, kogub sünonüüme) ja NOT (välistab termini). Ka tsitaadid "..." otsige täielikke fraase, tärn * on juure kokkutõmbumine (motivat* → motivatsioon, motivatsioon). Tavaliselt näeb otsingustring välja selline:
("kaugõpe" VÕI "veebiõpe" VÕI e-õpe) JA (tagasiside VÕI "kujunev hindamine") JA (motivatsioon VÕI kaasatus VÕI "enesetõhusus")
AI on suurepärane nende stringide genereerimisel, sünonüümide täiendamisel ja erinevate andmebaaside süntaksiga kohandamisel (Scopus, PubMed, Web of Science nõuavad erinevat kirjapilti). Kuid tehisintellekt ei ole see koht, kus te stringi juhite; reaalsed andmebaasid: Google Scholar (suur, tasuta), Scopus ja Web of Science (kureeritud, tsitaatide indekseeritud), PubMed (meditsiin/bioteadused), valdkonnaandmebaasid (ERIC haridus, PsycINFO psühholoogia, IEEE Xplore insener).
Tähelepanu: kui küsite tehisintellekti vestlustööriistal "loetlege sellel teemal 20 artiklit", tagastab see pealkirjad, mis näevad välja tõelised, kuid mõned neist on väljamõeldud. See ei ole sõelumine, vaid oht. Kasutage stringi genereerimiseks tehisintellekti, leidke artikkel andmebaasist.
Ulatus, kaasamine ja lünkade analüüs
Teab häid skaneerimise piiranguid. Kaasamise/välistamise kriteeriumid määravad teie otsingu ulatuse: milline aastavahemik, millised keeled, millised õppetüübid (katseline, ülevaade), milline kontekst. Tehisintellekt võib neid kriteeriume soovitada mustandi kujul ja saate neid vastavalt oma valdkonnale teravdada. Kui teete süstemaatilist ülevaatust, saate AI-le meelde tuletada PRISMA (süstemaatiliste ülevaatuste aruandlusstandard) voogu ja lasta sellel luua roomamislogi malli.
Kirjanduslünk on küsimus või kontekst, mida pole veel piisavalt uuritud; Teie algne panus täidab sageli tühimiku. AI aitab teil loetud kokkuvõtete põhjal võimalikke lünki nimetada, kuid võtke seda kui väidet, mida tuleb kontrollida, mitte kui hüpoteesi. AI võib öelda: "X-i pole selles valdkonnas uuritud"; Kuid seda võib olla uuritud, lihtsalt AI ei tea. Kinnitate lünka ainult tegeliku skannimisega.
Lumepallimeetod ja hall kirjandus
Märksõna otsingust üksi ei piisa; Hea skaneerimine süveneb lumepallidega. Lumepall tagurpidi liikudes on võti, mille leiate, on artikli bibliograafia skannimine ja sellele eelnevate leidmine; Snowballing edasi on jälgimine, kes seda artiklit tsiteeris (link „Tsiteerinud” Google Scholaris) ja jõuab järgmiste uuringuteni. See meetod võimaldab teil leida uuringuid, mis on valdkonna kesksed, kuid mida te ei saa oma märksõnadega tabada. Kui esitate artikli bibliograafia, aitab tehisintellekt teil prioriteediks seada, millised viited on teie küsimusele kõige lähemal; Kuid jällegi on teie ülesanne leida artikkel ja lugeda seda.
Lisaks ei hõlma akadeemilised andmebaasid kõike. Hall kirjandus – väitekirjad, institutsioonide aruanded, konverentside materjalid, eeltrükid – on mõnes valdkonnas kriitilise tähtsusega ja tasakaalustab avaldamiskallutatust (kalduvus avaldada ainult positiivseid tulemusi). Tehisintellekt võib soovitada, millistest hallidest kirjandusallikatest (ProQuesti väitekirjad, institutsionaalsed hoidlad, trükieelsed serverid nagu arXiv/SSRN) otsida; Süstemaatiliste ülevaadete puhul on sageli hädavajalik mitte piirata oma ulatust ainult ajakirjade artiklitega.
kolm minikarpi
Juhtum 1 – stringi laiendamine. Kui haridusteadlane otsis Scopuse kohta sõna "pööratud klassiruum", sai ta 300 tulemust, kuid tundis, et tal puuduvad sünonüümid. Ta lasi tehisintellektil koostada terminikogumi; Ta lisas ekvivalendid nagu "ümberpööratud klassiruum" ja "pööratud õpe". Uue stringiga tõusis tulemus 300-lt 470-le; Esialgsel otsingul jäi vahele 40 asjakohast artiklit. AI ei leidnud artikleid, vaid koostas stringi, mis tegi need leitavaks.
Juhtum 2 – naasmine koostatud nimekirjast. Üks kraadiõppur küsis tehisintellektist otse skannimiseks 15 parimat allikat ja kleepis selle nimekirja oma lõputöösse. Konsultandi kontrolli all ei leitud Web of Science'ist 4 tsitaati ja 2 DOI-d olid valed. Üliõpilane alustas otsast peale: seekord võttis ta joone AI-st, leidis Scopusest 60 reaalset tulemust, sõelu läbi pealkirja abstrakti ja valis välja 18. Need 18 olid kõik tõelised.
3. juhtum – reguleerimisala selgitamine. Terviseuurija mõistis, et tema otsingud olid nii laiaulatuslikud, et ta rabas 2000 tulemuse üle. Lasin koostada tehisintellekti kaasamise/välistamise kriteeriumide kavandi: viimased 10 aastat, inglise keel, täiskasvanute valim, randomiseeritud kontrollitud uuringud. Ta lisas oma teabega filtri "ainult haiglakeskkond". Tulemus langes 2000-lt 180-le; Moodustati skaneeritav klaster.
Kopeeritavad mallid
1) Mõistete eraldamine ja terminite kogum:
Sinu roll: infospetsialist (teadusraamatukoguhoidja). Minu uurimisküsimus on: "[kirjutage küsimus]". Jagage see küsimus põhimõisteteks. Looge iga mõiste jaoks ingliskeelsete sünonüümide, väljade žargooni ja alternatiivsete kirjaviiside terminikogum. Andke see tabelisse. Artikkel on VÕLTS.
2) Boole'i otsingustringi genereerimine:
Looge Scopuse jaoks Boole'i otsingustring, kasutades järgmist terminite kogumit: VÕI terminid mõistete sees, JA mõistete vahel, tsitaatide fraasid, kasutage vajaduse korral *. Kohandage sama string Web of Science'i ja PubMedi süntaksiga. Bassein: [kleebi]
3) Kaasamise/välistamise kriteeriumide eelnõu:
Teen kirjanduse ülevaate teemal "[teema]". Soovitage mulle kaasamis-/välistamiskriteeriumide kavandit: aastavahemiku, keele, õppetüübi, valimi, konteksti pealkirjade all. Need on soovitused; Muudan neid vastavalt oma erialale. Kirjutage lühidalt põhjused.
4) Vabade töökohtade kandidaatide päring (kontrollitakse):
Allpool on kokkuvõtted 10 skannitud artiklist. Joonistage välja nende ühised teemad ja soovitage lünki KANDIDAATE, MILLISED KÜSIMUSED ON VÄHEM Adresseeritud. Esitage need hüpoteesidena, mida ma kontrollin, mitte absoluutse tõena. Kokkuvõtted: [kleebi]
Nõrk viip / Tugev viip
Nõrk viip:
Andke mulle tehisintellekti ja -hariduse ressursside loend.
AI loob võltsitud ID-sid; Teema on ka liiga lai.
Võimas viip:
Sinu roll: infospetsialist. Teema: "Mängistamise mõju matemaatikaärevusele algkoolis". ÄRGE ANDKE MULLE ALLIKATE LOETELU. Selle asemel toimige järgmiselt. (1) sõeluge 3 mõistet, (2) looge iga mõiste jaoks ingliskeelsete sünonüümide hoidla, (3) Scopuse Boole'i string, (4) kavandage kohaldatavad kaasamise/välistamise kriteeriumid. Artikli pealkiri on võlts.
Eesmärk
kasuta AI-d
kinnituskoht
Tähtajalise basseini laiendamine
Jah, tugev
Vaadake üle domeeniteadmistega
Boolean stringi ehitus
Jah, tugev
Test andmebaasis
Reguleerimisala/kriteeriumide ülevaade
Jah
Teritada piirkonna järgi
Otsige üles artikkel
ei
Scholar/Scopus/WoS/PubMed
Tühistamiskohustus
osaliselt
Tõeline skaneerimine on kohustuslik
Levinud vead
- AI segamine andmebaasiga. Artikli tsitaadi taotlemine tekitab võltsinguid; See on kõige levinum ja ohtlikum viga.
- Sünonüümide vahelejätmine. Ühe termini otsing jätab suure osa kirjandusest märkamata.
- Jättes ulatuse ebaselgeks. Ilma aasta-, keele- ja žanrifiltriteta rabatakse teid tuhandete tulemustega.
- Tühjuse väitmine ilma seda kontrollimata. Öelda "keegi ei õppinud" ilma tegeliku sõeluuringuta on riskantne.
- Tuginedes ühele andmebaasile. Erinevad indeksid katavad erinevalt; kasutage mitut koos.
Näpunäide. Otsingu reprodutseeritavaks muutmiseks salvestage tabelisse kasutatud string, andmebaas, kuupäev ja tulemuste arv. See ajakiri on süstemaatilise ülevaate korral kohustuslik; See on hea harjumus igas uuringus.
Kokkuvõttes
Kirjanduse ülevaade on süstemaatiline ülesanne: mõiste destilleerimine, terminite kogum, Boole'i string, katvuse kriteerium. AI on nendes strateegilistes sammudes võimas abiline; toodab sünonüüme, konstrueerib stringe, visandab kriteeriume. Kuid leiate artikleid tõelistest andmebaasidest, mitte tehisintellektist, ja kontrollite iga autori rida. Lühike rusikareegel: AI strateegia, allikas andmebaasist, valideerimine sinult.
Rakenduse ülesanne
Esitage oma uurimisküsimus. Parsi kontseptsioone tehisintellektiga ja loo terminikogum ja Boole'i string. Käivitage see string tõelise andmebaasi (Scholar või indeks, millele teil on juurdepääs) vastu. Pange tähele 10 parimat tulemust ja võrrelge neid tekstidega (kui neid on), mida AI on varem otse küsimisel soovitanud; Märkige, kui palju neid tegelikult on.
kontrollnimekiri
- [ ] Kas ma olen oma uurimisküsimuse jaotanud mõisteteks?
- [ ] Kas olen loonud iga mõiste jaoks sünonüümi/ingliskeelse terminikogumi?
- [ ] Kas ma olen testinud tõeväärtuslikku stringi päris andmebaasis?
- [ ] Kas ma selgitasin oma kaasamise/välistamise kriteeriume?
- [ ] Kas ma olen kontrollinud, et kõik leitud ressursid on tegelikult olemas?