Nyereség:
- Képes megtervezni a szkennelési hatókört mesterséges intelligencia támogatással kulcsszavak, szinonimák és logikai keresési karakterláncok generálásával a kutatási kérdésből
- A mesterséges intelligencia stratégiageneráló eszközként pozicionálása, nem forráskereső eszközként, és minden valódi adatbázisban (Google Scholar, Scopus, Web of Science, PubMed) található forrás ellenőrizhető.
- Képes megérteni a mesterséges intelligencia koholt forrásokat és hamis statisztikákat biztosító kockázatát, és elsajátítani azt a reflexet, hogy minden idézetet ellenőrizni lehessen, amikor a szakirodalomban hiányosságot állapítanak meg.
Minden kutatás szakirodalmi áttekintéssel kezdődik: nem lehet eredetileg hozzászólni anélkül, hogy ne látná, mi történt korábban a témával, milyen kérdésekre adtak választ, és hol vannak hiányosságok. De az irodalom hatalmas; Évente több millió cikk jelenik meg. Ez az a hely, ahol a mesterséges intelligencia nagyszerű gyorsító – de nagyon határozott határvonallal. Ennek az egységnek a legfontosabb mondata a következő: A mesterséges intelligencia az irodalom áttekintésében keresési stratégaként használatos, nem forrásadatbázisként. Mert a mesterséges intelligencia nem talál valódi cikkeket; Lehetséges megjelenésű cikksorokat hoz létre, amelyek közül néhányat gyártottak.
Ebben az egységben megtanuljuk, hogyan lehet szisztematikus keresési tervet levezetni a kutatási kérdésből, hogyan használhatjuk az AI-t a terv gazdagításához, és minden talált forrást valódi adatbázisokhoz hasonlíthatunk.
Az irodalmi áttekintés csontváza
Egy jó szkennelés három szakaszból áll. Először bontja a fogalmakat: a kutatási kérdést fő összetevőire bontja. Például a „Visszajelzés hatása a tanulói motivációra a távoktatásban” kérdésben három fogalom szerepel: távoktatás, visszajelzés, motiváció. Ezután minden fogalomhoz létrehoz egy kifejezéskészletet: szinonimák, szakzsargon, angol megfelelők (távoktatás → távoktatás, online tanulás, e-learning, távoktatás). Végül kombinálja ezeket a kifejezéseket logikai operátorokkal.
A logikai operátorok logikai kötőszók, amelyek megmondják a keresőmotoroknak, hogyan kell kombinálni a kifejezéseket. Három alapvető operátor létezik: AND (mindkét kifejezés előfordulását eredményezi – szűkíti a hatókört), OR (bármely kifejezés – kiterjeszti a hatókört, szinonimákat gyűjt) és NOT (kizár egy kifejezést). Szintén idézőjelek "..." keressen teljes kifejezéseket, a csillag * a gyökérösszehúzódás (motivat* → motiváció, motivációs). A keresési karakterlánc általában így néz ki:
("távoktatás" VAGY "online tanulás" VAGY e-learning) ÉS (visszacsatolás VAGY "fejlesztő értékelés") ÉS (motiváció VAGY elkötelezettség VAGY "önhatékonyság")
Az AI kiválóan képes ezeket a karakterláncokat generálni, szinonimákat kiegészíteni és a különböző adatbázisok szintaxisához igazítani (a Scopus, PubMed, Web of Science eltérő írásmódot igényel). De az AI nem az a hely, ahol a karakterláncot futtatod; valódi adatbázisok: Google Scholar (nagy, ingyenes), Scopus és Web of Science (kurátor, idézetindexelt), PubMed (orvosi/élettudományi), terepi adatbázisok (ERIC oktatás, PsycINFO pszichológia, IEEE Xplore mérnöki).
Figyelem: Ha egy mesterséges intelligencia csevegőeszközt kérdez: „soroljon fel 20 cikket ebben a témában”, akkor olyan címeket ad vissza, amelyek valódinak tűnnek, de ezek egy része kitalált. Ez nem szűrés, hanem veszély. Az AI segítségével generáljon karakterláncot, keresse meg a cikket az adatbázisban.
Terjedelem, befogadás és hiányelemzés
Ismeri a jó szkennelési határokat. A felvételi/kizárási feltételek határozzák meg a keresés hatókörét: melyik évszak, mely nyelvek, milyen tanulmánytípusok (kísérleti, áttekintés), milyen kontextusban. A mesterséges intelligencia ezeket a kritériumokat vázlat formájában is javasolhatja, és a szakterületének megfelelően élesítheti őket. Ha szisztematikus áttekintést végez, emlékeztetheti a PRISMA-folyamatot (a szisztematikus áttekintések jelentési szabványa) az AI-hoz, és készíthet egy feltérképezési naplósablont.
Az irodalmi hiányosság olyan kérdés vagy kontextus, amelyet még nem tártak fel kellőképpen; Az Ön eredeti hozzájárulása gyakran hiánypótló. A mesterséges intelligencia segít megnevezni a lehetséges hiányosságokat az olvasott összefoglalók alapján – de vedd ezt állításnak, amelyet ellenőrizni kell, nem hipotézisnek. A mesterséges intelligencia azt mondhatja, hogy „X-et nem vizsgáltak ezen a területen”; Azonban lehet, hogy tanulmányozták, csak az AI nem tudja. Csak a tényleges szkenneléssel erősíti meg a hiányt.
Hógolyó módszer és szürke irodalom
A kulcsszavas keresés önmagában nem elegendő; A jó szkennelés hógolyóval mélyül. Visszafelé hógolyózva a kulcs, amit megtalál, az az, hogy átvizsgálja egy cikk bibliográfiáját, és megkeresi az előtte lévőket; A Snowballing előre nyomon követi, hogy ki idézte ezt a cikket ("Idézett" link a Google Tudósban), és eljut a későbbi tanulmányokhoz. Ezzel a módszerrel olyan tanulmányokat találhat, amelyek központi jelentőségűek a területen, de nem rögzíthetők kulcsszavaival. Amikor megadja egy cikk bibliográfiáját, a mesterséges intelligencia segíthet abban, hogy prioritást állítson fel, mely hivatkozások állnak a legközelebb a kérdéséhez; De ismét csak Önön múlik, hogy megtalálja és elolvassa a cikket.
Ráadásul az akadémiai adatbázisok nem fednek le mindent. A szürke irodalom – disszertációk, intézményi beszámolók, konferencia-kiadványok, előnyomatok – kritikus fontosságú bizonyos területeken, és ellensúlyozza a publikációs torzítást (a pozitív eredmények közzétételének tendenciáját). A mesterséges intelligencia javasolhatja, hogy mely szürke szakirodalmi forrásokban (ProQuest disszertációk, intézményi adattárak, nyomtatás előtti szerverek, például arXiv/SSRN) érdemes keresni; A szisztematikus áttekintéseknél gyakran elengedhetetlen, hogy ne korlátozzuk a hatókört a folyóiratcikkekre.
három mini tok
1. eset – Húrkiterjesztés. Amikor egy oktatáskutató a Scopuson a „fordított osztályterem” kifejezésre keresett, 300 találatot kapott, de úgy érezte, hiányoznak a szinonimák. A mesterséges intelligenciával egy terminus-készletet készített; Olyan megfelelőket adott hozzá, mint a "fordított osztályterem" és a "fordított tanulás". Az új karakterlánccal az eredmény 300-ról 470-re nőtt; Az első keresés során 40 releváns cikk hiányzott. A mesterséges intelligencia nem találta meg a cikkeket, hanem összeállította azt a karakterláncot, amely lehetővé tette azokat megtalálni.
2. eset – Visszatérés az összeállított listáról. Az egyik végzős hallgató közvetlenül az MI-től kérte a "15 legjobb forrást" a szkenneléshez, és beillesztette a listát a szakdolgozatába. A tanácsadó irányítása alatt 4 hivatkozás nem található a Web of Science-ben, és 2 DOI hibás volt. A diák elölről kezdte: ezúttal átvette az MI-t, 60 valós eredményt talált a Scopusban, átszűrte a cím-absztraktot, és kiválasztott 18-at. Ez a 18 mind valódi volt.
3. eset – A hatály pontosítása. Egy egészségügyi kutató rájött, hogy keresése olyan széles körű volt, hogy 2000 találat lepte el. Készítették a mesterséges intelligencia befogadási/kizárási kritériumainak tervezetét: elmúlt 10 év, angol nyelvű, felnőtt minta, randomizált, kontrollált vizsgálatok. A "csak kórházi környezet" szűrőt saját információival egészítette ki. Az eredmény 2000-ről 180-ra esett; Egy szkennelhető klaszter jött létre.
Másolható sablonok
1) Fogalmak szétválasztása és kifejezéskészlet:
Feladata: információs szakember (kutató könyvtáros). A kutatási kérdésem a következő: "[írja meg a kérdést]". Bontsd le ezt a kérdést fő fogalmaira. Hozzon létre egy kifejezéskészletet angol szinonimákból, szakzsargonból és alternatív írásmódokból minden egyes fogalomhoz. Adja meg egy táblázatban. A cikk HAMIS.
2) Logikai keresési karakterlánc generálása:
Hozzon létre egy logikai keresési karakterláncot a Scopus számára a következő kifejezéskészlet használatával: VAGY kifejezések a fogalmakon belül, ÉS a fogalmak között, idézetek kifejezések, szükség esetén használja a *-t. Igazítsa ugyanazt a karakterláncot a Web of Science és a PubMed szintaxisához. Medence: [beillesztés]
3) Felvételi/kizárási kritériumok tervezete:
Irodalmi áttekintést készítek a „[téma]” témában. Javasoljon egy tervezetet a felvételi/kizárási kritériumokról: évfolyam, nyelv, tanulmánytípus, minta, kontextus címszó alatt. Ezek javaslatok; Kicserélem őket a szakterületemnek megfelelően. Írd le röviden az okokat!
4) Megüresedett jelöltek lekérdezése (ellenőrizendő):
Az alábbiakban összefoglaljuk az általam beszkennelt 10 cikket. Rajzolja fel a közös témáikat, és javasoljon hiányos JELÖLTEKET, hogy MELY KÉRDÉSEKET KEVESEBBEN MEGJEGYZÉSEK. Mutasd be ezeket hipotézisekként, amelyeket ellenőrizni fogok, ne abszolút igazságként. Összefoglalók: [beillesztés]
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Adjon egy listát a mesterséges intelligenciával és oktatással kapcsolatos forrásokról.
A mesterséges intelligencia hamis azonosítókat hoz létre; A téma is túl tág.
Erőteljes felszólítás:
Az Ön feladata: információs szakember. Tárgy: "A gamification hatása a matematikai szorongásra az általános iskolában". NE ADJ MEG A FORRÁSOK LISTÁJÁT. Ehelyett:(1) elemezze a 3 fogalmat, (2) generáljon angol szinonimák tárházát minden egyes fogalomhoz, (3) logikai karakterlánc a Scopushoz, (4) vonatkozó felvételi/kizárási feltételek tervezete. A cikk címe hamis.
Cél
használj AI-t
ellenőrzési hely
Term pool bővítés
Igen, erős
Tekintse át domain ismeretekkel
Logikai karakterlánc-konstrukció
Igen, erős
Teszt adatbázisban
Hatály/kritériumok vázlata
Igen
Élesítés terület szerint
Keressen egy cikket
nem
Scholar/Scopus/WoS/PubMed
Elszámolási kötelezettségvállalás
részben
A valódi szkennelés kötelező
Gyakori hibák
- Az AI összetévesztése adatbázissal. A cikk hivatkozásának kérése hamis idézeteket eredményez; Ez a leggyakoribb és legveszélyesebb hiba.
- Szinonimák kihagyása. Egyetlen kifejezésű keresés a szakirodalom nagy részét kihagyja.
- A hatályt tisztázatlanul hagyva. Évszám-, nyelv- és műfajszűrők nélkül több ezer találattal leszel elárasztva.
- Az üresség állítása annak ellenőrzése nélkül. Kockázatos azt mondani, hogy „senki sem tanult” tényleges szűrés nélkül.
- Egyetlen adatbázisra támaszkodva. A különböző indexek eltérően takarnak; használjon többet együtt.
Tipp: A keresés reprodukálhatóvá tételéhez rögzítse a használt karakterláncot, az adatbázist, a dátumot és az eredmények számát egy táblázatban. Ez a folyóirat kötelező a szisztematikus áttekintésben; Ez egy jó szokás minden kutatásban.
Összefoglalva
Az irodalom áttekintése szisztematikus feladat: fogalomlepárlás, terminus pool, Boole-karakterlánc, lefedettségi kritérium. Az AI hatékony asszisztens ezekben a stratégiai lépésekben; szinonimákat állít elő, karakterláncokat konstruál, kritériumokat vázol fel. De valódi adatbázisokból talál cikkeket, nem pedig mesterséges intelligenciából, és minden egyes szerzői sort ellenőriz. Rövid ökölszabály: stratégia az AI-tól, forrás adatbázisból, érvényesítés Öntől.
Pályázati feladat
Tedd fel saját kutatási kérdésedet. Elemezze a fogalmakat mesterséges intelligencia segítségével, és állítson elő egy kifejezéskészletet és egy logikai karakterláncot. Futtassa ezt a karakterláncot egy valós adatbázis (Scholar vagy egy index, amelyhez hozzáférése van) ellen. Jegyezze fel a 10 legjobb eredményt, és hasonlítsa össze azokat a szerzői sorokkal (ha vannak), amelyeket az AI korábban javasolt, amikor közvetlenül megkérdezték; Jelölje meg, hányan léteznek valójában.
ellenőrző lista
- [ ] Fogalmakra bontottam kutatási kérdésemet?
- [ ] Létrehoztam minden fogalomhoz egy szinonimát/angol kifejezéskészletet?
- [ ] Teszteltem a logikai karakterláncot a valódi adatbázison?
- [ ] Tisztáztam a felvételi/kizárási kritériumaimat?
- [ ] Ellenőriztem, hogy minden talált erőforrás valóban létezik?