Dobici:
- Sposobnost planiranja opsega skeniranja uz podršku umjetne inteligencije generiranjem ključnih riječi, sinonima i Booleovih nizova za pretraživanje iz istraživačkog pitanja
- Pozicioniranje umjetne inteligencije kao alata za generiranje strategije, a ne alata za pronalaženje izvora, te mogućnost provjere svakog izvora pronađenog u stvarnim bazama podataka (Google Scholar, Scopus, Web of Science, PubMed).
- Sposobnost razumijevanja rizika od umjetne inteligencije koja pruža izmišljene izvore i lažne statistike i stjecanja refleksa za provjeru svakog citata prilikom utvrđivanja praznine u literaturi.
Svako istraživanje počinje pregledom literature: ne možete dati originalan doprinos bez da vidite što je prije učinjeno na vašoj temi, na koja pitanja je odgovoreno i gdje postoje praznine. Ali literatura je golema; Godišnje se objavljuju milijuni članaka. Ovdje je AI izvrstan akcelerator — ali s vrlo jasnom linijom razgraničenja. Najvažnija rečenica ove jedinice je sljedeća: AI se koristi u pregledu literature kao strateg pretraživanja, a ne kao izvorna baza podataka. Budući da AI ne pronalazi stvarne članke; Proizvodi autorske redove članaka koji izgledaju moguće, od kojih su neki izmišljeni.
U ovoj jedinici naučit ćemo kako izvesti sustavni plan pretraživanja iz vašeg istraživačkog pitanja, upotrijebiti umjetnu inteligenciju da obogatimo taj plan i potvrditi svaki izvor koji pronađete u odnosu na stvarne baze podataka.
Kostur pregleda literature
Dobro skeniranje ima tri faze. Prvo rastavljate koncepte: rastavljate svoje istraživačko pitanje na glavne komponente. Na primjer, u pitanju "Učinak povratne informacije na motivaciju učenika u obrazovanju na daljinu" postoje tri pojma: obrazovanje na daljinu, povratna informacija, motivacija. Zatim stvarate skup pojmova za svaki koncept: sinonime, terenski žargon, engleske ekvivalente (obrazovanje na daljinu → obrazovanje na daljinu, online učenje, e-učenje, učenje na daljinu). Na kraju, kombinirate ove izraze s Booleovim operatorima.
Booleovi operatori su logičke konjunkcije koje tražilicama govore kako kombinirati pojmove. Postoje tri osnovna operatora: I (rezultira pojavljivanjem oba pojma — sužava opseg), ILI (bilo koji od pojmova — proširuje opseg, skuplja sinonime) i NE (isključuje pojam). Također navodnici "..." traže potpune fraze, zvjezdica * je korijenska kontrakcija (motivat* → motivacija, motivacijski). Niz za pretraživanje obično izgleda ovako:
("obrazovanje na daljinu" ILI "mrežno učenje" ILI e-učenje) I (povratna informacija ILI "formativno ocjenjivanje") I (motivacija ILI angažman ILI "samoučinkovitost")
AI je izvrstan u generiranju tih nizova, dovršavanju sinonima i njihovoj prilagodbi sintaksi različitih baza podataka (Scopus, PubMed, Web of Science zahtijevaju različito pisanje). Ali AI nije mjesto gdje pokrećete niz; prave baze podataka: Google Scholar (velika, besplatna), Scopus i Web of Science (kurirane, indeksirane citatima), PubMed (medicinske/životne znanosti), terenske baze podataka (ERIC obrazovanje, PsycINFO psihologija, IEEE Xplore inženjerstvo).
Pažnja: ako tražite od AI alata za chat "popis 20 članaka o ovoj temi", vratit će naslove koji izgledaju stvarni, ali neki od njih su izmišljeni. Ovo nije skrining nego opasnost. Koristite AI za generiranje niza, pronađite članak u bazi podataka.
Analiza opsega, uključenosti i nedostataka
Poznaje dobra ograničenja skeniranja. Kriteriji uključivanja/isključivanja određuju opseg vašeg pretraživanja: raspon godina, koji jezici, koje vrste studija (eksperimentalni, pregledni), koji kontekst. AI može predložiti ove kriterije u obliku nacrta, a vi ih možete izoštriti prema svom području. Ako radite sustavni pregled, možete podsjetiti PRISMA (standard izvješćivanja za sustavne preglede) tijek AI-u i dati mu da proizvede predložak dnevnika indeksiranja.
Književni jaz je pitanje ili kontekst koji još nije dovoljno istražen; Vaš izvorni doprinos često popunjava prazninu. AI vam pomaže da imenujete moguće nedostatke na temelju sažetaka koje čitate — ali to shvatite kao tvrdnju koju treba provjeriti, a ne kao hipotezu. AI može reći "X nije proučavan u ovom području"; Međutim, možda je proučavano, samo AI ne zna. Prazninu samo potvrđujete stvarnim skeniranjem.
Metoda grudve snijega i siva književnost
Samo pretraživanje ključnih riječi nije dovoljno; Dobro skeniranje produbljuje se grudvanjem snijega. Vraćajući se unatrag, ključ koji ćete pronaći jest skenirati bibliografiju članka i pronaći one prije njega; Snowball forward prati tko je citirao taj članak ("Cited by" veza u Google Scholar) i dolazi do kasnijih studija. Ova vam metoda omogućuje pronalaženje studija koje su središnje za područje, ali koje ne možete obuhvatiti svojim ključnim riječima. Kada navedete bibliografiju članka, AI vam može pomoći da odredite prioritete koje su reference najbliže vašem pitanju; Ali opet, na vama je da pronađete i pročitate članak.
Osim toga, akademske baze podataka ne pokrivaju sve. Siva literatura — disertacije, institucionalna izvješća, zbornici radova s konferencija, predispisi — kritična je u nekim područjima i nadoknađuje pristranost objavljivanja (tendencija objavljivanja samo pozitivnih rezultata). AI može predložiti koje izvore sive literature (ProQuest disertacije, institucionalni repozitoriji, poslužitelji za preprint kao što je arXiv/SSRN) trebate pretraživati; Često je imperativ u sustavnim pregledima ne ograničiti svoj opseg samo na članke iz časopisa.
tri mini kućišta
Slučaj 1 — Proširenje niza. Kada je istraživačica obrazovanja tražila "okrenutu učionicu" na Scopusu, dobila je 300 rezultata, ali smatrala je da joj nedostaju sinonimi. Dao je umjetnoj inteligenciji da proizvede skup termina; Dodao je ekvivalente kao što su "izokrenuta učionica" i "okrenuto učenje". S novim nizom rezultat se povećao s 300 na 470; 40 relevantnih članaka propušteno je u početnoj pretrazi. AI nije pronašao članke, ali je konstruirao niz koji ih je učinio dostupnima.
Slučaj 2 — Povratak s gotove liste. Jedan diplomirani student izravno je od AI-ja zatražio "najboljih 15 izvora" za skeniranje i zalijepio popis u svoju tezu. Pod kontrolom konzultanta, 4 citata nisu mogla biti pronađena u Web of Science, a 2 DOI-ja su bila netočna. Student je krenuo ispočetka: ovaj put je uzeo liniju iz umjetne inteligencije, pronašao 60 stvarnih rezultata u Scopusu, probrao naslovni sažetak i odabrao 18. Tih 18 je bilo stvarnih.
Slučaj 3 — Pojašnjenje opsega. Zdravstveni istraživač shvatio je da je njegova potraga toliko široka da ga je zatrpalo 2000 rezultata. Izrađen nacrt AI kriterija za uključivanje/isključivanje: posljednjih 10 godina, engleski, uzorak odraslih, randomizirana kontrolirana ispitivanja. Dodao je filter "samo bolničko okruženje" sa svojim podacima. Rezultat je pao s 2000 na 180; Formiran je klaster koji se može skenirati.
Predlošci koji se mogu kopirati
1) Razdvajanje pojmova i skup pojmova:
Vaša uloga: informacijski stručnjak (znanstveni knjižničar). Moje istraživačko pitanje je: "[napišite pitanje]". Rastavite ovo pitanje na glavne koncepte. Generirajte skup pojmova engleskih sinonima, terenskog žargona i alternativnih načina pisanja za svaki koncept. Dajte to u tablici. Članak je LAŽAN.
2) Booleovo generiranje niza za pretraživanje:
Konstruirajte Booleov niz za pretraživanje za Scopus koristeći sljedeći skup pojmova: ILI pojmovi unutar pojmova, I između pojmova, citirajte fraze, koristite * gdje je to prikladno. Prilagodite isti niz sintaksi Web of Science i PubMed. Bazen: [zalijepi]
3) Nacrt kriterija za uključivanje/isključivanje:
Radim pregled literature o "[temi]". Predložite mi nacrt kriterija za uključivanje/isključivanje: pod naslovima raspon godina, jezik, vrsta studija, uzorak, kontekst. Ovo su prijedlozi; Promijenit ću ih u skladu sa svojim područjem. Napiši ukratko razloge.
4) Ispitivanje kandidata za slobodna radna mjesta (treba provjeriti):
Ispod su sažeci 10 članaka koje sam skenirao. Nacrtajte njihove zajedničke teme i predložite KANDIDATE za praznine u pogledu toga KOJA SU PITANJA MANJE OBRAĐENA. Predstavi ovo kao hipotezu koju ću ja provjeriti, a ne kao apsolutnu istinu. Sažeci: [zalijepi]
Slab upit / Jak upit
Slab upit:
Daj mi popis izvora o umjetnoj inteligenciji i obrazovanju.
AI stvara lažne osobne iskaznice; Tema je također preširoka.
Snažan upit:
Vaša uloga: informatičar. Tema: "Utjecaj gamifikacije na matematičku anksioznost u osnovnoj školi". NEMOJTE MI DATI POPIS IZVORA. Umjesto toga: (1) raščlanite 3 koncepta, (2) generirajte repozitorij engleskih sinonima za svaki koncept, (3) Booleov niz za Scopus, (4) nacrtajte primjenjive kriterije uključivanja/isključivanja. Naslov članka je lažan.
Svrha
koristiti AI
mjesto provjere
Proširenje terminskog skupa
Da, jaka
Pregled sa poznavanjem domene
Konstrukcija Booleovog niza
Da, jaka
Testirajte u bazi podataka
Pregled opsega/kriterija
da
Izoštravanje prema području
Pronađite članak
br
Znanstvenik/Scopus/WoS/PubMed
Obveza čišćenja
djelomično
Pravo skeniranje je neophodno
Uobičajene greške
- Zamijeniti AI s bazom podataka. Zahtjev za citiranje članka proizvodi lažne citate; Ovo je najčešća i najopasnija greška.
- Preskakanje sinonima. Pretraživanje jednog pojma propušta velik dio literature.
- Ostavljajući opseg nejasnim. Bez filtera za godinu, jezik i žanr, bit ćete zatrpani tisućama rezultata.
- Tvrđenje praznine bez provjere. Rizično je reći da "nitko nije proučavao" bez stvarnog pregleda.
- Oslanjanje na jednu bazu podataka. Različiti indeksi različito pokrivaju; koristiti nekoliko zajedno.
Savjet: kako bi vaše pretraživanje bilo ponovljivo, zabilježite niz koji ste koristili, bazu podataka, datum i broj rezultata u tablicu. Ovaj je časopis obvezan u sustavnom pregledu; To je dobra navika u svakom istraživanju.
Ukratko
Pregled literature je sustavan zadatak: destilacija pojmova, skup pojmova, Booleov niz, kriterij pokrivenosti. AI je moćan pomoćnik u ovim strateškim koracima; proizvodi sinonime, konstruira nizove, ocrtava kriterije. Ali možete pronaći članke iz pravih baza podataka, a ne iz umjetne inteligencije, i provjeriti svaki autorski red. Kratko pravilo: strategija iz umjetne inteligencije, izvor iz baze podataka, provjera valjanosti od vas.
Zadatak aplikacije
Zatražite vlastito istraživačko pitanje. Raščlanite koncepte pomoću umjetne inteligencije i proizvedite skup termina i Booleov niz. Usporedite ovaj niz sa stvarnom bazom podataka (Scholar ili indeks kojem imate pristup). Zabilježite prvih 10 rezultata i usporedite ih s autorskim stihovima (ako ih ima) koje je AI prethodno predložio na izravno pitanje; Označite koliko ih zapravo postoji.
popis za provjeru
- [ ] Jesam li raščlanio svoje istraživačko pitanje na pojmove?
- [ ] Jesam li stvorio skup sinonima/engleskog izraza za svaki koncept?
- [ ] Jesam li testirao Booleov niz na stvarnoj bazi podataka?
- [ ] Jesam li razjasnio svoje kriterije za uključivanje/isključivanje?
- [ ] Jesam li potvrdio da svaki izvor koji sam pronašao stvarno postoji?