Gains :
- Possibilité de planifier la portée de l'analyse avec le support de l'intelligence artificielle en générant des mots-clés, des synonymes et des chaînes de recherche booléennes à partir de la question de recherche
- Positionner l'intelligence artificielle comme un outil de génération de stratégie, et non comme un outil de recherche de sources, et être capable de vérifier chaque source trouvée dans des bases de données réelles (Google Scholar, Scopus, Web of Science, PubMed).
- Capacité à comprendre le risque que l'intelligence artificielle fournisse des sources fabriquées et de fausses statistiques et acquérir le réflexe de vérifier chaque citation lors de la détermination d'une lacune dans la littérature.
Toute recherche commence par une revue de la littérature : vous ne pouvez pas apporter une contribution originale sans voir ce qui a été fait auparavant sur votre sujet, quelles questions ont été répondues et où se trouvent les lacunes. Mais la littérature est immense ; Des millions d'articles sont publiés chaque année. C’est là que l’IA constitue un formidable accélérateur, mais avec une ligne de démarcation très nette. La phrase la plus importante de cette unité est la suivante : l’IA est utilisée dans la revue de la littérature en tant que stratège de recherche, et non en tant que base de données source. Parce que l’IA ne vous trouve pas de vrais articles ; Il produit des signatures d’articles d’apparence possible, dont certaines sont fabriquées.
Dans cette unité, nous apprendrons comment dériver un plan de recherche systématique à partir de votre question de recherche, utiliser l'IA pour enrichir ce plan et valider chaque source trouvée par rapport à des bases de données réelles.
Squelette de la revue de la littérature
Une bonne analyse comporte trois étapes. Vous décomposez d’abord les concepts : vous décomposez votre question de recherche en ses principales composantes. Par exemple, dans la question « L'effet du feedback sur la motivation des étudiants dans l'enseignement à distance », il y a trois concepts : enseignement à distance, feedback, motivation. Ensuite, vous créez un pool de termes pour chaque concept : synonymes, jargon de terrain, équivalents anglais (enseignement à distance → enseignement à distance, apprentissage en ligne, e-learning, enseignement à distance). Enfin, vous combinez ces termes avec des opérateurs booléens.
Les opérateurs booléens sont des conjonctions logiques qui indiquent aux moteurs de recherche comment combiner des termes. Il existe trois opérateurs de base : AND (entraîne l'apparition des deux termes – réduit la portée), OR (n'importe lequel des termes – étend la portée, collecte des synonymes) et NOT (exclut un terme). Cite également "..." recherchez des phrases complètes, l'astérisque * est la contraction de la racine (motivat* → motivation, motivationnel). Une chaîne de recherche ressemble généralement à ceci :
("enseignement à distance" OU "apprentissage en ligne" OU apprentissage en ligne) ET (retour d'information OU "évaluation formative") ET (motivation OU engagement OU "auto-efficacité")
L'IA est excellente pour générer ces chaînes, compléter les synonymes et les adapter à la syntaxe de différentes bases de données (Scopus, PubMed, Web of Science nécessitent des orthographes différentes). Mais l'IA n'est pas l'endroit où vous exécutez la chaîne ; bases de données réelles : Google Scholar (grande, gratuite), Scopus et Web of Science (organisées, indexées par des citations), PubMed (médecine/sciences de la vie), bases de données de terrain (éducation ERIC, psychologie PsycINFO, ingénierie IEEE Xplore).
Attention : si vous demandez à un outil de chat IA de « lister 20 articles sur ce sujet », il renverra des titres qui semblent réels, mais dont certains sont inventés. Ce n’est pas du dépistage mais du danger. Utilisez l'IA pour générer une chaîne, recherchez l'article dans la base de données.
Portée, inclusion et analyse des lacunes
Connaît de bonnes limites de numérisation. Les critères d'inclusion/exclusion déterminent la portée de votre recherche : quelle plage d'années, quelles langues, quels types d'études (expérimentales, de révision), quel contexte. L’IA peut vous proposer ces critères sous forme de brouillon, et vous pouvez les affiner en fonction de votre domaine. Si vous effectuez une revue systématique, vous pouvez rappeler le flux PRISMA (norme de reporting pour les revues systématiques) à l'IA et lui demander de produire un modèle de journal d'analyse.
Une lacune dans la littérature est une question ou un contexte qui n’a pas encore été suffisamment exploré ; Votre contribution originale comble souvent une lacune. L'IA vous aide à identifier les lacunes possibles en fonction des résumés que vous lisez, mais considérez-la comme une affirmation à vérifier et non comme une hypothèse. L'IA peut dire « X n'a pas été étudié dans ce domaine » ; Cependant, cela a peut-être été étudié, c'est juste que l'IA ne le sait pas. Vous confirmez uniquement l'écart avec votre analyse réelle.
Méthode boule de neige et littérature grise
La recherche par mot-clé seule ne suffit pas ; Une bonne analyse s’approfondit avec une boule de neige. En faisant boule de neige à l'envers, la clé que vous trouvez est de parcourir la bibliographie d'un article et de trouver ceux qui le précèdent ; Faire boule de neige consiste à suivre qui a cité cet article (lien « Cité par » dans Google Scholar) et à arriver aux études ultérieures. Cette méthode vous permet de retrouver des études qui sont centrales dans le domaine mais que vous ne pouvez pas capter avec vos mots-clés. Lorsque vous fournissez la bibliographie d'un article, l'IA peut vous aider à prioriser les références les plus proches de votre question ; Mais encore une fois, c'est à vous de trouver et de lire l'article.
De plus, les bases de données académiques ne couvrent pas tout. La littérature grise – thèses, rapports institutionnels, actes de conférences, prépublications – est essentielle dans certains domaines et compense le biais de publication (la tendance à publier uniquement des résultats positifs). L'IA peut suggérer quelles sources de littérature grise (thèses ProQuest, référentiels institutionnels, serveurs de préimpression tels que arXiv/SSRN) vous devriez rechercher ; Il est souvent impératif dans les revues systématiques de ne pas limiter votre portée aux seuls articles de revues.
trois mini-cases
Cas 1 — Expansion de chaîne. Lorsqu'une chercheuse en éducation a recherché « classe inversée » sur Scopus, elle a obtenu 300 résultats, mais a estimé qu'il lui manquait des synonymes. Il a demandé à l'IA de produire un pool de termes ; Il a ajouté des équivalents tels que « classe inversée » et « apprentissage inversé ». Avec la nouvelle corde, le résultat est passé de 300 à 470 ; 40 articles pertinents ont été manqués lors de la recherche initiale. L'IA n'a pas trouvé les articles, mais a construit la chaîne qui les rendait trouvables.
Cas 2 — Retour d'une liste constituée. Un étudiant diplômé a directement demandé à AI les « 15 principales sources » à numériser et a collé la liste dans sa thèse. Sous le contrôle du consultant, 4 citations n'ont pas pu être trouvées dans Web of Science, et 2 DOI étaient incorrects. L'étudiant a recommencé : cette fois, il a pris la ligne de l'IA, a trouvé 60 résultats réels dans Scopus, a passé au crible le titre-résumé et en a sélectionné 18. Ces 18 étaient tous réels.
Cas 3 — Clarification du champ d’application. Un chercheur en santé s'est rendu compte que sa recherche était si vaste qu'il s'est retrouvé submergé par 2 000 résultats. Une ébauche de critères d'inclusion/exclusion de l'IA a été produite : 10 dernières années, anglais, échantillon d'adultes, essais contrôlés randomisés. Il a ajouté le filtre « environnement hospitalier uniquement » avec ses propres informations. Le résultat est passé de 2 000 à 180 ; Un cluster analysable a été formé.
Modèles copiables
1) Séparation des concepts et pool de termes :
Votre rôle : un spécialiste de l'information (bibliothécaire de recherche). Ma question de recherche est : "[écrire la question]". Décomposez cette question en ses concepts principaux. Générez un pool de termes de synonymes anglais, de jargon de terrain et d'orthographe alternatives pour chaque concept. Donnez-le dans un tableau. L'article est FAUX.
2) Génération de chaîne de recherche booléenne :
Construisez une chaîne de recherche booléenne pour Scopus en utilisant le pool de termes suivant : OU des termes dans des concepts, ET entre des concepts, citez des expressions, utilisez * le cas échéant. Adaptez la même chaîne à la syntaxe Web of Science et PubMed. Piscine : [coller]
3) Projet de critères d’inclusion/exclusion :
Je fais une revue de littérature sur "[sujet]". Proposez-moi une ébauche de critères d'inclusion/exclusion : sous les rubriques tranche d'année, langue, type d'étude, échantillon, contexte. Ce sont des suggestions ; Je les changerai en fonction de mon domaine. Écrivez brièvement les raisons.
4) Interrogation des candidats aux postes vacants (à vérifier) :
Vous trouverez ci-dessous des résumés des 10 articles que j'ai numérisés. Faites ressortir leurs thèmes communs et suggérez des CANDIDATS écartés quant aux QUESTIONS LES MOINS ADRESSÉES. Présentez-les comme des hypothèses que je vérifierai, et non comme une vérité absolue. Résumés : [coller]
Invite faible/Invite forte
Invite faible :
Donnez-moi une liste de ressources sur l'intelligence artificielle et l'éducation.
L'IA crée de fausses pièces d'identité ; Le sujet est également trop vaste.
Invite puissante :
Votre rôle : spécialiste de l'information. Sujet : "L'effet de la gamification sur l'anxiété mathématique à l'école primaire". NE ME DONNEZ PAS DE LISTE DE SOURCES. Au lieu de cela : (1) analyser les 3 concepts, (2) générer un référentiel de synonymes anglais pour chaque concept, (3) une chaîne booléenne pour Scopus, (4) rédiger des critères d'inclusion/exclusion applicables. Le titre de l'article est faux.
Objectif
utiliser l'IA
lieu de vérification
Extension du pool de terme
Oui, fort
Réviser avec la connaissance du domaine
Construction de chaîne booléenne
Oui, fort
Test dans la base de données
Aperçu de la portée/des critères
Oui
Aiguiser par zone
Trouver un article
non
Érudit/Scopus/WoS/PubMed
Engagement de dédouanement
partiellement
Une véritable numérisation est indispensable
Erreurs courantes
- Confondre l’IA avec une base de données. Demander une citation d'article produit des citations fallacieuses ; C'est l'erreur la plus courante et la plus dangereuse.
- Sauter les synonymes. Une recherche par terme unique manque une grande partie de la littérature.
- Laissant la portée floue. Sans filtres d’année, de langue et de genre, vous serez submergé de milliers de résultats.
- Affirmer le vide sans le vérifier. Dire « personne n’a étudié » sans véritable dépistage est risqué.
- S'appuyer sur une seule base de données. Différents index couvrent différemment ; utilisez-en plusieurs ensemble.
Astuce : Pour rendre votre recherche reproductible, enregistrez la chaîne que vous avez utilisée, la base de données, la date et le nombre de résultats dans un tableau. Cette revue est obligatoire dans la revue systématique ; C'est une bonne habitude dans toute recherche.
En résumé
La revue de la littérature est une tâche systématique : distillation de concepts, pool de termes, chaîne booléenne, critère de couverture. L’IA est un assistant puissant dans ces étapes stratégiques ; produit des synonymes, construit des chaînes, décrit des critères. Mais vous trouvez des articles provenant de bases de données réelles, pas de l'IA, et vérifiez chaque signature. Règle générale : stratégie de l'IA, source de la base de données, validation de votre part.
Tâche de candidature
Obtenez votre propre question de recherche. Analysez les concepts avec l'IA et produisez un pool de termes et une chaîne booléenne. Exécutez cette chaîne sur une base de données réelle (Scholar ou un index auquel vous avez accès). Notez les 10 meilleurs résultats et comparez-les avec les signatures (le cas échéant) que l'IA a précédemment suggérées lorsqu'on lui a demandé directement ; Notez combien il y en a réellement.
liste de contrôle
- [ ] Ai-je décomposé ma question de recherche en concepts ?
- [ ] Ai-je créé un pool de synonymes/termes anglais pour chaque concept ?
- [ ] Ai-je testé la chaîne booléenne sur la vraie base de données ?
- [ ] Ai-je clarifié mes critères d’inclusion/exclusion ?
- [ ] Ai-je vérifié que chaque ressource que j'ai trouvée existe réellement ?