સાહિત્ય શોધ વ્યૂહરચના: કીવર્ડ, બુલિયન શોધ અને અવકાશ

નફો:

• સંશોધન પ્રશ્નમાંથી કીવર્ડ્સ, સમાનાર્થી અને બુલિયન શોધ શબ્દમાળાઓ જનરેટ કરીને આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે સ્કેનિંગ સ્કોપની યોજના કરવાની ક્ષમતા
• કૃત્રિમ બુદ્ધિને વ્યૂહરચના જનરેશન ટૂલ તરીકે સ્થાન આપવું, સ્ત્રોત શોધવાના સાધન તરીકે નહીં, અને વાસ્તવિક ડેટાબેસેસ (Google સ્કોલર, સ્કોપસ, વેબ ઓફ સાયન્સ, પબમેડ) માં મળેલા દરેક સ્ત્રોતને ચકાસવામાં સક્ષમ બનવું.
• બનાવટી સ્ત્રોતો અને બનાવટી આંકડાઓ પ્રદાન કરતી કૃત્રિમ બુદ્ધિના જોખમને સમજવાની ક્ષમતા અને સાહિત્યમાં અંતર નક્કી કરતી વખતે દરેક અવતરણને ચકાસવા માટે રીફ્લેક્સ પ્રાપ્ત કરવાની ક્ષમતા.

દરેક સંશોધન સાહિત્યની સમીક્ષાથી શરૂ થાય છે: તમારા વિષય પર પહેલાં શું કરવામાં આવ્યું છે, કયા પ્રશ્નોના જવાબો આપવામાં આવ્યા છે અને ક્યાં ગાબડાં છે તે જોયા વિના તમે મૂળ યોગદાન આપી શકતા નથી. પણ સાહિત્ય વિશાળ છે; વાર્ષિક લાખો લેખો પ્રકાશિત થાય છે. આ તે છે જ્યાં AI એક મહાન પ્રવેગક છે — પરંતુ સીમાંકનની ખૂબ જ અલગ રેખા સાથે. આ એકમનું સૌથી મહત્ત્વનું વાક્ય આ છે: AI નો ઉપયોગ સર્ચ વ્યૂહરચનાકાર તરીકે સાહિત્ય સમીક્ષામાં થાય છે, સ્ત્રોત ડેટાબેઝ તરીકે નહીં. કારણ કે AI તમને વાસ્તવિક લેખો શોધી શકતું નથી; તે શક્ય દેખાતા લેખની બાયલાઈન બનાવે છે, જેમાંથી કેટલાક બનાવટી છે.

આ એકમમાં, અમે તમારા સંશોધન પ્રશ્નમાંથી વ્યવસ્થિત શોધ યોજના કેવી રીતે મેળવવી તે શીખીશું, તે યોજનાને સમૃદ્ધ બનાવવા માટે AI નો ઉપયોગ કરો અને વાસ્તવિક ડેટાબેઝ સામે તમને મળેલા દરેક સ્ત્રોતને માન્ય કરો.

સાહિત્ય સમીક્ષાનું હાડપિંજર

સારા સ્કેનનાં ત્રણ તબક્કા હોય છે. પ્રથમ તમે વિભાવનાઓને તોડી નાખો: તમે તમારા સંશોધન પ્રશ્નને તેના મુખ્ય ઘટકોમાં તોડી નાખો. ઉદાહરણ તરીકે, "અંતર શિક્ષણમાં વિદ્યાર્થીની પ્રેરણા પર પ્રતિસાદની અસર" પ્રશ્નમાં ત્રણ વિભાવનાઓ છે: અંતર શિક્ષણ, પ્રતિસાદ, પ્રેરણા. પછી તમે દરેક ખ્યાલ માટે ટર્મ પૂલ બનાવો: સમાનાર્થી, ફીલ્ડ જાર્ગન, અંગ્રેજી સમકક્ષ (અંતર શિક્ષણ → અંતર શિક્ષણ, ઓનલાઈન શિક્ષણ, ઈ-લર્નિંગ, અંતર શિક્ષણ). છેલ્લે, તમે આ શરતોને બુલિયન ઓપરેટરો સાથે જોડો છો.

બુલિયન ઓપરેટરો એ તાર્કિક જોડાણો છે જે શોધ એન્જિનને શબ્દોને કેવી રીતે જોડવા તે જણાવે છે. ત્યાં ત્રણ મૂળભૂત ઓપરેટરો છે: AND (બંને શબ્દોની ઘટનાના પરિણામો - અવકાશને સાંકડી કરે છે), અથવા (કોઈપણ પદ - અવકાશને વિસ્તૃત કરે છે, સમાનાર્થી એકત્રિત કરે છે), અને નહીં (એક શબ્દને બાકાત રાખે છે). અવતરણ પણ "..." સંપૂર્ણ શબ્દસમૂહો માટે જુઓ, ફૂદડી * એ મૂળ સંકોચન છે (પ્રેરણા* → પ્રેરણા, પ્રેરક). શોધ શબ્દમાળા સામાન્ય રીતે આના જેવી દેખાય છે:

("અંતર શિક્ષણ" અથવા "ઓનલાઈન શિક્ષણ" અથવા ઈ-લર્નિંગ)અને (પ્રતિસાદ અથવા "રચનાત્મક મૂલ્યાંકન")અને (પ્રેરણા અથવા જોડાણ અથવા "સ્વ-અસરકારકતા")

AI આ શબ્દમાળાઓ જનરેટ કરવામાં, સમાનાર્થી પૂર્ણ કરવા અને વિવિધ ડેટાબેઝ (સ્કોપસ, પબમેડ, વેબ ઓફ સાયન્સને અલગ-અલગ જોડણીની જરૂર હોય છે)ના વાક્યરચના સાથે અનુકૂલન કરવામાં ઉત્તમ છે. પરંતુ AI એ નથી જ્યાં તમે સ્ટ્રિંગ ચલાવો છો; વાસ્તવિક ડેટાબેસેસ: ગૂગલ સ્કોલર (મોટા, મફત), સ્કોપસ અને વેબ ઓફ સાયન્સ (ક્યુરેટેડ, ટાંકણ-અનુક્રમિત), પબમેડ (મેડિકલ/લાઇફ સાયન્સ), ફિલ્ડ ડેટાબેસેસ (ERIC એજ્યુકેશન, PsycINFO સાયકોલોજી, IEEE Xplore એન્જિનિયરિંગ).

ધ્યાન આપો: જો તમે AI ચેટ ટૂલને "આ વિષય પર 20 લેખોની સૂચિ" પૂછો છો, તો તે વાસ્તવિક લાગે તેવા શીર્ષકો આપશે, પરંતુ તેમાંથી કેટલાક બનેલા છે. આ સ્ક્રીનીંગ નથી પરંતુ જોખમ છે. સ્ટ્રિંગ જનરેટ કરવા માટે AI નો ઉપયોગ કરો, ડેટાબેઝમાં લેખ શોધો.

અવકાશ, સમાવેશ અને અંતર વિશ્લેષણ

સારી સ્કેનિંગ મર્યાદા જાણે છે. સમાવેશ/બાકાત માપદંડ તમારી શોધનો અવકાશ નક્કી કરે છે: કઈ વર્ષ શ્રેણી, કઈ ભાષાઓ, કઈ અભ્યાસ પ્રકારો (પ્રાયોગિક, સમીક્ષા), કયો સંદર્ભ. AI આ માપદંડોને ડ્રાફ્ટ સ્વરૂપમાં સૂચવી શકે છે, અને તમે તેને તમારા ક્ષેત્ર અનુસાર શાર્પન કરી શકો છો. જો તમે વ્યવસ્થિત સમીક્ષા કરી રહ્યાં છો, તો તમે PRISMA (વ્યવસ્થિત સમીક્ષાઓ માટે રિપોર્ટિંગ સ્ટાન્ડર્ડ) ફ્લોને યાદ અપાવી શકો છો અને તેને ક્રોલ લોગ ટેમ્પલેટ ઉત્પન્ન કરી શકો છો.

સાહિત્યનું અંતર એ એક પ્રશ્ન અથવા સંદર્ભ છે જેનું હજુ સુધી પર્યાપ્ત રીતે સંશોધન કરવામાં આવ્યું નથી; તમારું મૂળ યોગદાન ઘણીવાર અંતરને ભરે છે. AI તમને તમે વાંચેલા સારાંશના આધારે સંભવિત ગાબડાઓને નામ આપવામાં મદદ કરે છે — પરંતુ તેને ચકાસવા માટેના નિવેદન તરીકે લો, કોઈ પૂર્વધારણા તરીકે નહીં. AI કહી શકે છે કે "આ વિસ્તારમાં X નો અભ્યાસ કરવામાં આવ્યો નથી"; જો કે, તેનો અભ્યાસ કરવામાં આવ્યો હોઈ શકે છે, તે ફક્ત એઆઈને ખબર નથી. તમે તમારા વાસ્તવિક સ્કેનથી જ ગેપની પુષ્ટિ કરો છો.

સ્નોબોલ પદ્ધતિ અને ગ્રે સાહિત્ય

એકલા કીવર્ડ શોધ પૂરતી નથી; સ્નોબોલિંગ સાથે સારી સ્કેન વધુ ઊંડી થાય છે. પાછળની તરફ સ્નોબોલિંગ, તમને જે ચાવી મળે છે તે છે લેખની ગ્રંથસૂચિને સ્કેન કરવી અને તેની પહેલાની શોધ કરવી; સ્નોબોલિંગ ફોરવર્ડ એ ટ્રૅક કરી રહ્યું છે કે તે લેખ કોણે ટાંક્યો છે (Google સ્કોલરમાં "સિસ્ટેડ બાય" લિંક) અને પછીના અભ્યાસમાં પહોંચે છે. આ પદ્ધતિ તમને એવા અભ્યાસો શોધવાની મંજૂરી આપે છે જે ક્ષેત્રના કેન્દ્રમાં છે પરંતુ તમે તમારા કીવર્ડ્સ સાથે કેપ્ચર કરી શકતા નથી. જ્યારે તમે કોઈ લેખની ગ્રંથસૂચિ પ્રદાન કરો છો, ત્યારે AI તમને તમારા પ્રશ્નની સૌથી નજીકના સંદર્ભો નક્કી કરવામાં મદદ કરી શકે છે; પરંતુ ફરીથી, લેખ શોધવા અને વાંચવાનું તમારા પર છે.

વધુમાં, શૈક્ષણિક ડેટાબેઝ બધું આવરી લેતા નથી. ગ્રે સાહિત્ય — નિબંધો, સંસ્થાકીય અહેવાલો, પરિષદની કાર્યવાહી, પ્રીપ્રિન્ટ્સ — કેટલાક ક્ષેત્રોમાં મહત્વપૂર્ણ છે અને પ્રકાશન પૂર્વગ્રહને ઑફસેટ્સ કરે છે (ફક્ત હકારાત્મક પરિણામો પ્રકાશિત કરવાની વૃત્તિ). AI સૂચવી શકે છે કે તમારે કયા ગ્રે સાહિત્યના સ્ત્રોતો (પ્રોક્વેસ્ટ નિબંધો, સંસ્થાકીય ભંડાર, પ્રીપ્રિન્ટ સર્વર્સ જેમ કે arXiv/SSRN) તમારે શોધવું જોઈએ; તમારા કાર્યક્ષેત્રને ફક્ત જર્નલ લેખો સુધી મર્યાદિત ન કરવા માટે વ્યવસ્થિત સમીક્ષાઓમાં તે ઘણીવાર આવશ્યક છે.

ત્રણ નાના કેસો

કેસ 1 — સ્ટ્રિંગ વિસ્તરણ. જ્યારે એક શિક્ષણ સંશોધકે સ્કોપસ પર "ફ્લિપ્ડ ક્લાસરૂમ" માટે શોધ કરી, ત્યારે તેણીને 300 પરિણામો મળ્યા, પરંતુ લાગ્યું કે તેણીને સમાનાર્થી ખૂટે છે. તેની પાસે AI એક ટર્મ પૂલનું ઉત્પાદન હતું; તેણે "ઈનવર્ટેડ ક્લાસરૂમ" અને "ફ્લિપ્ડ લર્નિંગ" જેવા સમકક્ષ ઉમેર્યા. નવા શબ્દમાળા સાથે પરિણામ 300 થી વધીને 470 થયું; પ્રારંભિક શોધમાં 40 સંબંધિત લેખો ચૂકી ગયા હતા. AI એ લેખો શોધી શક્યા નથી, પરંતુ તે સ્ટ્રિંગ બનાવ્યાં છે જેણે તેમને શોધી શકાય તેવું બનાવ્યું હતું.

કેસ 2 - બનાવેલી સૂચિમાંથી પાછા ફરો. એક સ્નાતક વિદ્યાર્થીએ AI ને સીધા જ સ્કેનિંગ માટે "ટોચના 15 સ્ત્રોતો" માટે પૂછ્યું અને તેના થીસીસમાં સૂચિ પેસ્ટ કરી. કન્સલ્ટન્ટના નિયંત્રણ હેઠળ, વિજ્ઞાનના વેબમાં 4 ટાંકણા મળી શક્યા નથી, અને 2 DOI ખોટા હતા. વિદ્યાર્થીએ ફરી શરૂઆત કરી: આ વખતે તેણે AI માંથી લાઇન લીધી, સ્કોપસમાં 60 વાસ્તવિક પરિણામો મળ્યાં, શીર્ષક-અમૂર્તમાંથી ચકાસ્યા અને 18 પસંદ કર્યા. આ 18 બધા વાસ્તવિક હતા.

કેસ 3 - અવકાશ સ્પષ્ટતા. એક આરોગ્ય સંશોધકને સમજાયું કે તેની શોધ એટલી વ્યાપક હતી કે તે 2,000 પરિણામોથી અભિભૂત થઈ ગયો. AI સમાવેશ/બાકાત માપદંડનો ડ્રાફ્ટ તૈયાર કર્યો હતો: છેલ્લા 10 વર્ષ, અંગ્રેજી, પુખ્ત નમૂના, રેન્ડમાઇઝ્ડ કન્ટ્રોલ્ડ ટ્રાયલ્સ. તેણે પોતાની માહિતી સાથે "ફક્ત હોસ્પિટલનું વાતાવરણ" ફિલ્ટર ઉમેર્યું. પરિણામ 2,000 થી ઘટીને 180 થયું; સ્કેન કરી શકાય તેવું ક્લસ્ટર બનાવવામાં આવ્યું હતું.

નકલ કરી શકાય તેવા નમૂનાઓ

1) વિભાવના અલગ અને ટર્મ પૂલ:

તમારી ભૂમિકા: માહિતી નિષ્ણાત (સંશોધન ગ્રંથપાલ). મારો સંશોધન પ્રશ્ન છે:"[પ્રશ્ન લખો]". આ પ્રશ્નને તેના મુખ્ય ખ્યાલોમાં વિભાજીત કરો. દરેક ખ્યાલ માટે અંગ્રેજી સમાનાર્થી, ફીલ્ડ જાર્ગન અને વૈકલ્પિક જોડણીનો ટર્મ પૂલ બનાવો. તેને ટેબલમાં આપો. લેખ નકલી છે.

2) બુલિયન સર્ચ સ્ટ્રિંગ જનરેશન:

નીચેના શબ્દ પૂલનો ઉપયોગ કરીને સ્કોપસ માટે બુલિયન સર્ચસ્ટ્રિંગ બનાવો: અથવા વિભાવનાઓની અંદરના શબ્દો, અને ખ્યાલો વચ્ચે, અવતરણ શબ્દસમૂહો, જ્યાં યોગ્ય હોય ત્યાં * નો ઉપયોગ કરો. વેબ ઓફ સાયન્સ અને પબમેડ સિન્ટેક્સમાં સમાન સ્ટ્રિંગને અનુકૂલિત કરો. પૂલ: [પેસ્ટ]

3) ડ્રાફ્ટ સમાવેશ/બાકાત માપદંડ:

હું "[વિષય]" પર સાહિત્ય સમીક્ષા કરી રહ્યો છું. મને સમાવેશ/બાકાત માપદંડનો ડ્રાફ્ટ સૂચવો: વર્ષ શ્રેણી, ભાષા, અભ્યાસ પ્રકાર, નમૂના, સંદર્ભના શીર્ષકો હેઠળ. આ સૂચનો છે; હું તેમને મારા ક્ષેત્ર પ્રમાણે બદલીશ. કારણો ટૂંકમાં લખો.

4) ખાલી જગ્યાના ઉમેદવારોની પૂછપરછ (ચકાસણી કરવી):

નીચે મેં સ્કેન કરેલા 10 લેખોના સારાંશ છે. તેમની સામાન્ય થીમ્સ દોરો અને કયા પ્રશ્નો ઓછા સંબોધવામાં આવ્યા છે તે માટે ગેપ ઉમેદવારો સૂચવો. આને પૂર્વધારણાઓ તરીકે રજૂ કરો કે હું ચકાસીશ, સંપૂર્ણ સત્ય નહીં. સારાંશ: [પેસ્ટ]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મને આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને શિક્ષણ પરના સંસાધનોની સૂચિ આપો.

AI નકલી ID બનાવે છે; વિષય પણ ખૂબ વ્યાપક છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: માહિતી નિષ્ણાત. વિષય: "પ્રાથમિક શાળામાં ગણિતની ચિંતા પર ગેમિફિકેશનની અસર". મને સ્ત્રોતોની સૂચિ આપશો નહીં. તેના બદલે: (1) 3 વિભાવનાઓને પાર્સ કરો, (2) દરેક ખ્યાલ માટે અંગ્રેજી સમાનાર્થીનો ભંડાર બનાવો, (3) સ્કોપસ માટે બુલિયન સ્ટ્રિંગ, (4) લાગુ પડતા સમાવેશ/બાકાત માપદંડનો ડ્રાફ્ટ. લેખનું શીર્ષક બનાવટી છે.

હેતુ

AI નો ઉપયોગ કરો

ચકાસણી સ્થાન

ટર્મ પૂલ વિસ્તરણ

હા, મજબૂત

ડોમેન જ્ઞાન સાથે સમીક્ષા

બુલિયન સ્ટ્રિંગ બાંધકામ

હા, મજબૂત

ડેટાબેઝમાં પરીક્ષણ કરો

અવકાશ/માપદંડની રૂપરેખા

હા

વિસ્તાર દ્વારા શાર્પ કરો

એક લેખ શોધો

ના

વિદ્વાન/સ્કોપસ/WoS/PubMed

ક્લિયરન્સ કમિટ

આંશિક રીતે

વાસ્તવિક સ્કેનિંગ આવશ્યક છે

સામાન્ય ભૂલો

• ડેટાબેઝ માટે AI ભૂલ કરવી. લેખના સંદર્ભની વિનંતી કરવાથી નકલી ટાંકણો ઉત્પન્ન થાય છે; આ સૌથી સામાન્ય અને ખતરનાક ભૂલ છે.
• સમાનાર્થી છોડવું. એક શબ્દની શોધમાં મોટા ભાગનું સાહિત્ય ચૂકી જાય છે.
• અવકાશ અસ્પષ્ટ છોડીને. વર્ષ, ભાષા અને શૈલી ફિલ્ટર્સ વિના, તમે હજારો પરિણામોથી અભિભૂત થઈ જશો.
• તેની ચકાસણી કર્યા વિના ખાલીપણું ભારપૂર્વક જણાવવું. વાસ્તવિક સ્ક્રીનીંગ વિના "કોઈએ અભ્યાસ કર્યો નથી" એમ કહેવું જોખમી છે.
• એક ડેટાબેઝ પર આધાર રાખવો. વિવિધ અનુક્રમણિકાઓ અલગ રીતે આવરી લે છે; એકસાથે અનેકનો ઉપયોગ કરો.

ટીપ: તમારી શોધને પુનઃઉત્પાદનક્ષમ બનાવવા માટે, તમે ઉપયોગમાં લીધેલ શબ્દમાળા, ડેટાબેઝ, તારીખ અને પરિણામોની સંખ્યા કોષ્ટકમાં રેકોર્ડ કરો. આ જર્નલ પદ્ધતિસરની સમીક્ષામાં ફરજિયાત છે; દરેક સંશોધનમાં તે એક સારી આદત છે.

સારાંશમાં

સાહિત્ય સમીક્ષા એ એક વ્યવસ્થિત કાર્ય છે: કન્સેપ્ટ ડિસ્ટિલેશન, ટર્મ પૂલ, બુલિયન સ્ટ્રિંગ, કવરેજ માપદંડ. આ વ્યૂહાત્મક પગલાઓમાં AI એક શક્તિશાળી સહાયક છે; સમાનાર્થી બનાવે છે, શબ્દમાળાઓ બનાવે છે, માપદંડની રૂપરેખા બનાવે છે. પરંતુ તમે વાસ્તવિક ડેટાબેઝમાંથી લેખો મેળવો છો, AI માંથી નહીં, અને દરેક બાયલાઇનને ચકાસો. અંગૂઠાનો ટૂંકો નિયમ: AI તરફથી વ્યૂહરચના, ડેટાબેઝમાંથી સ્ત્રોત, તમારા તરફથી માન્યતા.

એપ્લિકેશન કાર્ય

તમારા પોતાના સંશોધન પ્રશ્ન મેળવો. AI સાથે વિભાવનાઓનું વિશ્લેષણ કરો અને ટર્મ પૂલ અને બુલિયન સ્ટ્રિંગ બનાવો. આ સ્ટ્રિંગને વાસ્તવિક ડેટાબેઝ સામે ચલાવો (વિદ્વાન અથવા તમને જેની ઍક્સેસ હોય તે અનુક્રમણિકા). ટોચના 10 પરિણામોની નોંધ લો અને તેમને બાયલાઈન (જો કોઈ હોય તો) સાથે સરખાવો કે જે AI એ જ્યારે સીધું પૂછવામાં આવે ત્યારે અગાઉ સૂચવ્યું છે; ખરેખર કેટલા અસ્તિત્વમાં છે તે માર્ક કરો.

ચેકલિસ્ટ

• [ ] શું મેં મારા સંશોધન પ્રશ્નને વિભાવનાઓમાં વિભાજિત કર્યો છે?
• [ ] શું મેં દરેક ખ્યાલ માટે સમાનાર્થી/અંગ્રેજી શબ્દ પૂલ બનાવ્યો છે?
• [ ] શું મેં વાસ્તવિક ડેટાબેઝ પર બુલિયન સ્ટ્રિંગનું પરીક્ષણ કર્યું છે?
• [ ] શું મેં મારા સમાવેશ/બાકાત માપદંડની સ્પષ્ટતા કરી છે?
• [ ] શું મેં ચકાસ્યું છે કે મને મળેલ દરેક સંસાધન ખરેખર અસ્તિત્વમાં છે?