سود:
- امکان برنامه ریزی محدوده اسکن با پشتیبانی هوش مصنوعی با تولید کلمات کلیدی، مترادف ها و رشته های جستجوی بولی از سوال تحقیق
- قرار دادن هوش مصنوعی به عنوان یک ابزار تولید استراتژی، نه ابزار یافتن منبع، و توانایی تأیید هر منبعی که در پایگاههای داده واقعی (Google Scholar، Scopus، Web of Science، PubMed) یافت میشود.
- توانایی درک خطر هوش مصنوعی ارائه منابع ساختگی و آمار جعلی و به دست آوردن رفلکس برای تأیید هر نقل قول هنگام تعیین شکاف در ادبیات.
هر تحقیقی با مرور ادبیات شروع میشود: شما نمیتوانید بدون مشاهده آنچه قبلاً در مورد موضوع شما انجام شده است، به چه سؤالاتی پاسخ داده شده است و در کجا شکافها وجود دارد، مشارکت اصلی داشته باشید. اما ادبیات بسیار بزرگ است. سالانه میلیون ها مقاله منتشر می شود. اینجاست که هوش مصنوعی یک شتاب دهنده عالی است - اما با خط مرزی بسیار متمایز. مهمترین جمله این واحد این است: هوش مصنوعی در بررسی ادبیات به عنوان یک استراتژیست جستجو استفاده می شود نه به عنوان پایگاه داده منبع. زیرا هوش مصنوعی مقالات واقعی شما را پیدا نمی کند. خطوط فرعی مقاله با ظاهری ممکن را تولید می کند که برخی از آنها ساخته شده اند.
در این بخش، ما یاد خواهیم گرفت که چگونه یک طرح جستجوی سیستماتیک را از سؤال تحقیق خود استخراج کنیم، از هوش مصنوعی برای غنیسازی آن طرح استفاده کنیم و هر منبعی را که پیدا میکنید در برابر پایگاههای داده واقعی اعتبارسنجی کنیم.
اسکلت بررسی ادبیات
یک اسکن خوب سه مرحله دارد. ابتدا مفاهیم را تجزیه می کنید: سؤال تحقیق خود را به اجزای اصلی آن تقسیم می کنید. مثلاً در سؤال «تاثیر بازخورد بر انگیزه دانش آموزان در آموزش از راه دور» سه مفهوم آموزش از راه دور، بازخورد، انگیزش وجود دارد. سپس یک مخزن اصطلاح برای هر مفهوم ایجاد می کنید: مترادف ها، اصطلاحات تخصصی، معادل های انگلیسی (آموزش از راه دور → آموزش از راه دور، یادگیری آنلاین، آموزش الکترونیکی، آموزش از راه دور). در نهایت، شما این اصطلاحات را با عملگرهای بولی ترکیب می کنید.
عملگرهای بولی پیوندهای منطقی هستند که به موتورهای جستجو می گویند چگونه عبارات را ترکیب کنند. سه عملگر اصلی وجود دارد: AND (نتیجه وقوع هر دو عبارت - محدوده را محدود می کند)، OR (هر یک از اصطلاحات - دامنه را گسترش می دهد، مترادف ها را جمع آوری می کند) و NOT (یک اصطلاح را حذف می کند). همچنین نقل قول های "..." را برای عبارات کامل جستجو کنید، ستاره * انقباض ریشه است (motivat* → انگیزه، انگیزشی). یک رشته جستجو معمولاً به شکل زیر است:
("آموزش از راه دور" یا "یادگیری آنلاین" یا آموزش الکترونیکی) و (بازخورد یا "ارزیابی تکوینی") و (انگیزه یا مشارکت یا "خودکارآمدی")
هوش مصنوعی در تولید این رشته ها، تکمیل مترادف ها و تطبیق آنها با نحو پایگاه های داده های مختلف بسیار عالی است (Scopus، PubMed، Web of Science به املای متفاوتی نیاز دارند). اما هوش مصنوعی جایی نیست که شما رشته را اجرا کنید. پایگاههای اطلاعاتی واقعی: Google Scholar (بزرگ، رایگان)، Scopus و Web of Science (تکیهشده، فهرستشده با استناد)، PubMed (علوم پزشکی/زندگی)، پایگاههای اطلاعاتی میدانی (آموزش ERIC، روانشناسی PsycINFO، مهندسی IEEE Xplore).
توجه: اگر از یک ابزار چت هوش مصنوعی بپرسید "20 مقاله در مورد این موضوع فهرست کنید"، عناوینی را که واقعی به نظر می رسند، اما برخی از آنها ساختگی هستند، برمی گرداند. این غربالگری نیست بلکه خطر است. از هوش مصنوعی برای تولید رشته استفاده کنید، مقاله را در پایگاه داده پیدا کنید.
تحلیل دامنه، شمول و شکاف
محدودیت های اسکن خوبی را می داند. معیارهای گنجاندن/خروج دامنه جستجوی شما را تعیین می کند: کدام محدوده سال، کدام زبان، کدام نوع مطالعه (تجربی، مروری)، کدام زمینه. هوش مصنوعی میتواند این معیارها را به صورت پیشنویس پیشنهاد کند، و شما میتوانید آنها را با توجه به رشته خود تیز کنید. اگر یک بررسی سیستماتیک انجام میدهید، میتوانید جریان PRISMA (استاندارد گزارشدهی برای بررسیهای سیستماتیک) را به هوش مصنوعی یادآوری کنید و از آن بخواهید یک الگوی گزارش خزیدن ایجاد کند.
شکاف ادبی پرسش یا زمینه ای است که هنوز به اندازه کافی مورد بررسی قرار نگرفته است. مشارکت اصلی شما اغلب یک شکاف را پر می کند. هوش مصنوعی به شما کمک میکند شکافهای احتمالی را بر اساس خلاصههایی که میخوانید نامگذاری کنید - اما آن را به عنوان یک ادعا برای تأیید، نه یک فرضیه، در نظر بگیرید. هوش مصنوعی ممکن است بگوید "X در این زمینه مطالعه نشده است". با این حال، ممکن است مطالعه شده باشد، فقط هوش مصنوعی نمی داند. شما فقط با اسکن واقعی خود شکاف را تأیید می کنید.
روش گلوله برفی و ادبیات خاکستری
جستجوی کلمه کلیدی به تنهایی کافی نیست. یک اسکن خوب با گلوله برفی عمیق تر می شود. کلیدی که پیدا می کنید این است که کتابشناسی یک مقاله را اسکن کنید و مقالات قبل از آن را پیدا کنید. Snowballing forward به دنبال ردیابی افرادی است که به آن مقاله استناد کرده اند (پیوند "نقل شده توسط" در Google Scholar) و رسیدن به مطالعات بعدی. این روش به شما امکان می دهد مطالعاتی را بیابید که در این زمینه مرکزی هستند اما نمی توانید آنها را با کلمات کلیدی خود ضبط کنید. وقتی فهرستی از یک مقاله ارائه میکنید، هوش مصنوعی میتواند به شما کمک کند تا اولویت بندی کنید که کدام منابع به سؤال شما نزدیکتر هستند. اما باز هم به شما بستگی دارد که مقاله را بیابید و بخوانید.
علاوه بر این، پایگاه های اطلاعاتی دانشگاهی همه چیز را پوشش نمی دهد. ادبیات خاکستری - پایاننامهها، گزارشهای سازمانی، مجموعه مقالات کنفرانس، پیشچاپها - در برخی زمینهها حیاتی است و سوگیری انتشار (تمایل به انتشار فقط نتایج مثبت) را جبران میکند. هوش مصنوعی می تواند به شما پیشنهاد دهد که کدام منابع ادبیات خاکستری (پایان نامه های ProQuest، مخازن سازمانی، سرورهای پیش چاپ مانند arXiv/SSRN) را باید جستجو کنید. اغلب در مرورهای سیستماتیک ضروری است که دامنه خود را فقط به مقالات مجلات محدود نکنید.
سه کیف کوچک
مورد 1 - گسترش رشته. هنگامی که یک محقق آموزشی در Scopus برای "کلاس برگردانده شده" جستجو کرد، به 300 نتیجه رسید، اما احساس کرد مترادف هایش را از دست داده است. او از هوش مصنوعی یک مجموعه اصطلاحی تولید کرد. او معادل هایی مانند «کلاس درس معکوس» و «آموزش معکوس» را اضافه کرد. با رشته جدید، نتیجه از 300 به 470 افزایش یافت. 40 مقاله مرتبط در جستجوی اولیه از قلم افتاده است. هوش مصنوعی مقاله ها را پیدا نکرد، اما رشته ای را ساخت که آنها را قابل یافتن کرد.
مورد 2 - بازگشت از لیست ساخته شده. یک دانشجوی فارغ التحصیل مستقیماً از هوش مصنوعی "15 منبع برتر" را برای اسکن درخواست کرد و لیست را در پایان نامه خود قرار داد. تحت کنترل مشاور، 4 استناد در Web of Science یافت نشد و 2 DOI نادرست بود. دانش آموز دوباره شروع کرد: این بار او خط را از هوش مصنوعی گرفت، 60 نتیجه واقعی در Scopus پیدا کرد، چکیده عنوان را غربال کرد و 18 مورد را انتخاب کرد. این 18 مورد همه واقعی بودند.
مورد 3 - شفاف سازی محدوده. یک محقق بهداشتی متوجه شد که جستجوی او به قدری گسترده است که 2000 نتیجه او را غرق کرده است. پیشنویس معیارهای ورود/خروج هوش مصنوعی تهیه شده بود: 10 سال گذشته، انگلیسی، نمونه بزرگسالان، کارآزماییهای تصادفیسازی و کنترلشده. او فیلتر «فقط محیط بیمارستان» را با اطلاعات خودش اضافه کرد. نتیجه از 2000 به 180 کاهش یافت. یک خوشه قابل اسکن تشکیل شد.
قالب های قابل کپی
1) تفکیک مفهوم و مجموعه اصطلاح:
نقش شما: یک متخصص اطلاعات (کتابدار تحقیق). سوال تحقیق من این است: "[سوال را بنویس]". این سوال را به مفاهیم اصلی آن تقسیم کنید. یک مجموعه اصطلاحی از مترادفهای انگلیسی، اصطلاحات صنفی، و املای جایگزین برای هر مفهوم ایجاد کنید. آن را در یک جدول بدهید. مقاله جعلی است.
2) تولید رشته جستجوی بولی:
یک رشته جستجوی بولی برای Scopus با استفاده از عبارت Pool زیر بسازید: یا اصطلاحات درون مفاهیم، AND بین مفاهیم، عبارات نقل قول، در صورت لزوم از * استفاده کنید. همان رشته را با نحو Web of Science و PubMed تطبیق دهید. استخر: [رب]
3) پیش نویس معیارهای ورود/خروج:
من در حال انجام بررسی ادبیات در "[موضوع]" هستم. پیشنویس معیارهای ورود/خروج را به من پیشنهاد دهید: تحت عنوان محدوده سال، زبان، نوع مطالعه، نمونه، زمینه. اینها پیشنهادات هستند. با توجه به رشته ام آنها را تغییر خواهم داد. دلایل را به اختصار بنویسید.
4) استعلام از کاندیداهای خالی (برای تأیید):
در زیر خلاصه ای از 10 مقاله ای که اسکن کردم آورده شده است. مضامین مشترک آنها را ترسیم کنید و کاندیداهای خالی را پیشنهاد کنید که به کدام سؤالات کمتر پرداخته شده است. اینها را به عنوان فرضیه هایی مطرح کنید که من تأیید خواهم کرد، نه حقیقت مطلق. خلاصه: [چسباندن]
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
لیستی از منابع هوش مصنوعی و آموزش به من بدهید.
هوش مصنوعی شناسه های جعلی ایجاد می کند. موضوع نیز بسیار گسترده است.
اعلان قدرتمند:
نقش شما: متخصص اطلاعات. موضوع: "تاثیر گیمیفیکیشن بر اضطراب ریاضی در مقطع ابتدایی". فهرستی از منابع را به من ندهید. در عوض: (1) 3 مفهوم را تجزیه کنید، (2) یک مخزن از مترادف های انگلیسی برای هر مفهوم ایجاد کنید، (3) رشته بولی برای Scopus، (4) پیش نویس معیارهای گنجاندن / حذف قابل اجرا را ایجاد کنید. عنوان مقاله جعلی است
هدف
از هوش مصنوعی استفاده کنید
مکان تأیید
گسترش استخر ترم
بله قوی
بررسی با دانش دامنه
ساخت رشته بولی
بله قوی
تست در پایگاه داده
طرح کلی محدوده/ معیارها
بله
بر اساس منطقه تیز کنید
یک مقاله پیدا کنید
نه
Scholar/Scopus/WoS/PubMed
تعهد ترخیص
تا حدی
اسکن واقعی ضروری است
اشتباهات رایج
- اشتباه گرفتن هوش مصنوعی با پایگاه داده درخواست استناد به مقاله استنادهای جعلی تولید می کند. این رایج ترین و خطرناک ترین اشتباه است.
- پرش از مترادف ها جستجوی یک عبارت، بسیاری از ادبیات را از دست می دهد.
- نامشخص گذاشتن محدوده بدون فیلترهای سال، زبان و ژانر، با هزاران نتیجه غرق خواهید شد.
- ادعای پوچی بدون تأیید آن. گفتن "هیچکس مطالعه نکرده" بدون غربالگری واقعی خطرناک است.
- تکیه بر یک پایگاه داده واحد. شاخص های مختلف به طور متفاوتی پوشش می دهند. از چند تا با هم استفاده کن
نکته: برای اینکه جستجوی شما قابل تکرار باشد، رشته مورد استفاده، پایگاه داده، تاریخ و تعداد نتایج را در جدول ثبت کنید. این مجله در بررسی سیستماتیک اجباری است. این یک عادت خوب در هر تحقیقی است.
به طور خلاصه
بررسی ادبیات یک کار سیستماتیک است: تقطیر مفهومی، مخزن اصطلاح، رشته بولی، معیار پوشش. هوش مصنوعی یک دستیار قدرتمند در این مراحل استراتژیک است. مترادف ها را تولید می کند، رشته ها را می سازد، معیارها را ترسیم می کند. اما شما مقالاتی را از پایگاههای اطلاعاتی واقعی پیدا میکنید، نه از هوش مصنوعی، و هر خط را تأیید میکنید. قانون سرانگشتی کوتاه: استراتژی از هوش مصنوعی، منبع از پایگاه داده، اعتبارسنجی از شما.
وظیفه کاربردی
سوال تحقیقی خود را دریافت کنید. مفاهیم را با هوش مصنوعی تجزیه کنید و یک اصطلاح Pool و یک رشته Boolean تولید کنید. این رشته را در مقابل یک پایگاه داده واقعی (Scholar یا شاخصی که به آن دسترسی دارید) اجرا کنید. به 10 نتیجه برتر توجه کنید و آنها را با خطوط فرعی (در صورت وجود) مقایسه کنید که هوش مصنوعی قبلاً در صورت درخواست مستقیم، پیشنهاد داده است. تعداد واقعی آنها را علامت بزنید.
چک لیست
- [ ] آیا سوال تحقیقم را به مفاهیم تقسیم کرده ام؟
- [ ] آیا برای هر مفهوم یک مترادف/مخاطب اصطلاح انگلیسی ایجاد کرده ام؟
- [ ] آیا رشته بولی را روی پایگاه داده واقعی آزمایش کرده ام؟
- [ ] آیا معیارهای ورود/خروج خود را روشن کرده ام؟
- [ ] آیا تأیید کرده ام که هر منبعی که پیدا کردم واقعاً وجود دارد؟