Keuntungan:
- Kemampuan untuk merencanakan ruang lingkup pemindaian dengan dukungan kecerdasan buatan dengan menghasilkan kata kunci, sinonim, dan string pencarian Boolean dari pertanyaan penelitian
- Memposisikan kecerdasan buatan sebagai alat penghasil strategi, bukan alat pencarian sumber, dan mampu memverifikasi setiap sumber yang ditemukan di database nyata (Google Scholar, Scopus, Web of Science, PubMed).
- Kemampuan untuk memahami risiko kecerdasan buatan yang menyediakan sumber palsu dan statistik palsu serta memperoleh refleks untuk memverifikasi setiap kutipan saat menentukan kesenjangan dalam literatur.
Setiap penelitian dimulai dengan tinjauan literatur: Anda tidak dapat memberikan kontribusi orisinal tanpa melihat apa yang telah dilakukan sebelumnya mengenai topik Anda, pertanyaan apa yang telah dijawab, dan di mana terdapat kesenjangan. Namun literaturnya sangat banyak; Jutaan artikel diterbitkan setiap tahunnya. Di sinilah AI menjadi akselerator yang hebat — namun dengan garis demarkasi yang sangat jelas. Kalimat terpenting dari unit ini adalah: AI digunakan dalam tinjauan literatur sebagai ahli strategi pencarian, bukan sebagai sumber database. Karena AI tidak menemukan artikel asli untuk Anda; Ini menghasilkan baris-baris artikel yang tampak mungkin, beberapa di antaranya dibuat-buat.
Dalam unit ini, kita akan mempelajari cara mendapatkan rencana pencarian sistematis dari pertanyaan penelitian Anda, menggunakan AI untuk memperkaya rencana tersebut, dan memvalidasi setiap sumber yang Anda temukan dengan database sebenarnya.
Kerangka tinjauan literatur
Pemindaian yang baik memiliki tiga tahap. Pertama, Anda memecah konsepnya: Anda memecah pertanyaan penelitian Anda menjadi komponen-komponen utamanya. Misalnya, dalam pertanyaan “Pengaruh umpan balik terhadap motivasi siswa dalam pendidikan jarak jauh”, terdapat tiga konsep: pendidikan jarak jauh, umpan balik, motivasi. Kemudian Anda membuat kumpulan istilah untuk setiap konsep: sinonim, jargon lapangan, padanan bahasa Inggris (pendidikan jarak jauh → pendidikan jarak jauh, pembelajaran online, e-learning, pembelajaran jarak jauh). Terakhir, Anda menggabungkan istilah-istilah ini dengan operator Boolean.
Operator Boolean adalah konjungsi logis yang memberi tahu mesin pencari cara menggabungkan istilah. Ada tiga operator dasar: AND (menghasilkan kemunculan kedua istilah — mempersempit cakupan), OR (istilah mana pun — memperluas cakupan, mengumpulkan sinonim), dan NOT (tidak termasuk istilah). Juga kutip "..." cari frasa lengkap, tanda bintang * adalah kontraksi akar (motivat* → motivasi, motivasi). String pencarian biasanya terlihat seperti ini:
("pendidikan jarak jauh" ATAU "pembelajaran online" ATAU e-learning)DAN (umpan balik ATAU "penilaian formatif") DAN (motivasi ATAU keterlibatan ATAU "kemanjuran diri")
AI sangat baik dalam menghasilkan string ini, melengkapi sinonim, dan mengadaptasinya ke sintaks database yang berbeda (Scopus, PubMed, Web of Science memerlukan ejaan yang berbeda). Namun AI bukanlah tempat Anda menjalankan string; database nyata: Google Cendekia (besar, gratis), Scopus dan Web of Science (dikurasi, diindeks kutipan), PubMed (ilmu kedokteran/kehidupan), database lapangan (pendidikan ERIC, psikologi PsycINFO, teknik IEEE Xplore).
Perhatian: Jika Anda meminta alat obrolan AI "daftarkan 20 artikel tentang topik ini", itu akan menghasilkan judul yang terlihat nyata, tetapi beberapa di antaranya dibuat-buat. Ini bukan penyaringan tapi bahaya. Gunakan AI untuk menghasilkan string, temukan artikel di database.
Cakupan, inklusi dan analisis kesenjangan
Mengetahui batas pemindaian yang baik. Kriteria inklusi/eksklusi menentukan cakupan pencarian Anda: rentang tahun apa, bahasa apa, jenis studi apa (eksperimental, review), konteks apa. AI dapat menyarankan kriteria tersebut dalam bentuk draf, dan Anda dapat mempertajamnya sesuai bidang Anda. Jika Anda melakukan tinjauan sistematis, Anda dapat mengingatkan alur PRISMA (standar pelaporan untuk tinjauan sistematis) ke AI dan memintanya menghasilkan templat log perayapan.
Kesenjangan literatur merupakan pertanyaan atau konteks yang belum dieksplorasi secara memadai; Kontribusi awal Anda sering kali mengisi kekosongan. AI membantu Anda menyebutkan kemungkinan kesenjangan berdasarkan ringkasan yang Anda baca — tetapi anggaplah hal tersebut sebagai pernyataan yang harus diverifikasi, bukan hipotesis. AI mungkin mengatakan "X belum dipelajari di bidang ini"; Namun mungkin sudah dipelajari, hanya saja AI tidak mengetahuinya. Anda hanya mengkonfirmasi kesenjangan dengan pemindaian Anda yang sebenarnya.
Metode bola salju dan literatur abu-abu
Pencarian kata kunci saja tidak cukup; Pemindaian yang bagus semakin dalam dengan semakin besarnya salju. Melihat ke belakang, kunci yang Anda temukan adalah memindai bibliografi sebuah artikel dan menemukan artikel sebelumnya; Snowballing forward melacak siapa yang mengutip artikel tersebut (tautan “Dikutip oleh” di Google Cendekia) dan sampai pada studi berikutnya. Metode ini memungkinkan Anda menemukan studi yang penting dalam bidang tersebut tetapi tidak dapat Anda tangkap dengan kata kunci Anda. Saat Anda memberikan bibliografi suatu artikel, AI dapat membantu Anda memprioritaskan referensi mana yang paling dekat dengan pertanyaan Anda; Namun sekali lagi, terserah Anda untuk mencari dan membaca artikel tersebut.
Selain itu, database akademis tidak mencakup semuanya. Literatur abu-abu – disertasi, laporan institusi, prosiding konferensi, pracetak – sangat penting dalam beberapa bidang dan mengimbangi bias publikasi (kecenderungan untuk hanya mempublikasikan hasil positif). AI dapat menyarankan sumber literatur abu-abu mana (disertasi ProQuest, repositori institusional, server pracetak seperti arXiv/SSRN) yang harus Anda cari; Seringkali penting dalam tinjauan sistematis untuk tidak membatasi ruang lingkup Anda hanya pada artikel jurnal.
tiga kasus mini
Kasus 1 — Ekspansi string. Ketika seorang peneliti pendidikan menelusuri "kelas terbalik" di Scopus, dia mendapatkan 300 hasil, namun merasa kehilangan sinonimnya. Dia meminta AI menghasilkan kumpulan istilah; Dia menambahkan padanannya seperti "kelas terbalik" dan "pembelajaran terbalik". Dengan string baru, hasilnya meningkat dari 300 menjadi 470; 40 artikel relevan terlewatkan dalam pencarian awal. AI tidak menemukan artikel tersebut, tetapi menyusun string yang membuatnya dapat ditemukan.
Kasus 2 — Kembali dari daftar yang dibuat-buat. Seorang mahasiswa pascasarjana bertanya langsung kepada AI tentang "15 sumber teratas" untuk dipindai dan menempelkan daftar tersebut ke dalam tesisnya. Di bawah kendali konsultan, 4 kutipan tidak dapat ditemukan di Web of Science, dan 2 DOI salah. Siswa memulai dari awal: kali ini dia mengambil garis dari AI, menemukan 60 hasil nyata di Scopus, menyaring judul-abstrak dan memilih 18. 18 ini semuanya nyata.
Kasus 3 — Klarifikasi ruang lingkup. Seorang peneliti kesehatan menyadari bahwa pencariannya begitu luas sehingga ia kewalahan dengan 2.000 hasil. Telah menghasilkan rancangan kriteria inklusi/eksklusi AI: 10 tahun terakhir, bahasa Inggris, sampel dewasa, uji coba terkontrol secara acak. Dia menambahkan filter "hanya lingkungan rumah sakit" dengan informasinya sendiri. Hasilnya turun dari 2.000 menjadi 180; Sebuah cluster yang dapat dipindai telah terbentuk.
Templat yang dapat disalin
1) Pemisahan konsep dan kumpulan istilah:
Peran Anda: spesialis informasi (pustakawan penelitian). Pertanyaan penelitian saya adalah:"[tulis pertanyaannya]". Pecahkan pertanyaan ini menjadi konsep-konsep utamanya. Hasilkan kumpulan istilah sinonim bahasa Inggris, jargon lapangan, dan ejaan alternatif untuk setiap konsep. Berikan dalam sebuah tabel. Artikel itu PALSU.
2) Pembuatan string pencarian Boolean:
Buat string pencarian Boolean untuk Scopus menggunakan kumpulan istilah berikut: ATAU istilah dalam konsep, DAN antar konsep, frasa kutipan, gunakan * jika perlu. Sesuaikan string yang sama ke sintaksis Web of Science dan PubMed. Kolam: [tempel]
3) Draf kriteria inklusi/eksklusi:
Saya sedang melakukan tinjauan literatur tentang "[topik]". Sarankan saya rancangan kriteria inklusi/eksklusi: dengan judul rentang tahun, bahasa, jenis studi, sampel, konteks. Ini adalah saran-saran; Saya akan mengubahnya sesuai dengan bidang saya. Tulis alasannya secara singkat.
4) Menanyakan kandidat lowongan (untuk diverifikasi):
Di bawah ini adalah ringkasan dari 10 artikel yang saya pindai. Gambarkan tema-tema umum mereka dan usulkan CALON-CALON yang ada kesenjangan mengenai PERTANYAAN MANA YANG KURANG DITAWARKAN. Sajikan ini sebagai hipotesis yang akan saya verifikasi, bukan kebenaran absolut. Ringkasan: [tempel]
Perintah lemah / Perintah kuat
Perintah yang lemah:
Beri saya daftar sumber daya tentang kecerdasan buatan dan pendidikan.
AI membuat ID palsu; Topiknya juga terlalu luas.
Perintah yang kuat:
Peran Anda: spesialis informasi. Pokok bahasan: “Pengaruh gamifikasi terhadap kecemasan matematika di sekolah dasar”. JANGAN BERI SAYA DAFTAR SUMBER. Sebagai gantinya: (1) mengurai 3 konsep, (2) menghasilkan gudang sinonim bahasa Inggris untuk setiap konsep, (3) string Boolean untuk Scopus, (4) menyusun kriteria inklusi/eksklusi yang berlaku. Judul artikelnya palsu.
Tujuan
menggunakan AI
lokasi verifikasi
Perluasan kumpulan istilah
Ya, kuat
Tinjau dengan pengetahuan domain
Konstruksi string Boolean
Ya, kuat
Uji dalam basis data
Garis besar ruang lingkup/kriteria
Ya
Pertajam berdasarkan area
Temukan artikel
tidak
Sarjana/Scopus/WoS/PubMed
Komitmen izin
sebagian
Pemindaian nyata adalah suatu keharusan
Kesalahan umum
- Salah mengira AI sebagai database. Meminta kutipan artikel menghasilkan kutipan palsu; Ini adalah kesalahan paling umum dan berbahaya.
- Melewatkan sinonim. Pencarian satu istilah saja tidak mencakup banyak literatur.
- Membiarkan ruang lingkupnya tidak jelas. Tanpa filter tahun, bahasa, dan genre, Anda akan kewalahan dengan ribuan hasil.
- Menegaskan kekosongan tanpa memverifikasinya. Mengatakan "tidak ada yang belajar" tanpa pemeriksaan sebenarnya adalah berisiko.
- Mengandalkan satu database. Indeks yang berbeda mencakup hal yang berbeda; gunakan beberapa secara bersamaan.
Tip: Agar pencarian Anda dapat direproduksi, catat string yang Anda gunakan, database, tanggal, dan jumlah hasil dalam sebuah tabel. Jurnal ini wajib di review sistematis; Ini adalah kebiasaan yang baik dalam setiap penelitian.
Singkatnya
Tinjauan literatur adalah tugas sistematis: penyulingan konsep, kumpulan istilah, string Boolean, kriteria cakupan. AI adalah asisten yang ampuh dalam langkah-langkah strategis ini; menghasilkan sinonim, menyusun string, menguraikan kriteria. Namun Anda menemukan artikel dari database nyata, bukan dari AI, dan memverifikasi setiap byline. Aturan praktisnya: strategi dari AI, sumber dari database, validasi dari Anda.
Tugas aplikasi
Dapatkan pertanyaan penelitian Anda sendiri. Parsing konsep dengan AI dan hasilkan kumpulan istilah dan string Boolean. Jalankan string ini pada database nyata (Cendekiawan atau indeks yang dapat Anda akses). Catat 10 hasil teratas dan bandingkan dengan byline (jika ada) yang sebelumnya disarankan AI ketika ditanya langsung; Tandai berapa banyak yang benar-benar ada.
daftar periksa
- [ ] Sudahkah saya membagi pertanyaan penelitian saya menjadi beberapa konsep?
- [ ] Sudahkah saya membuat kumpulan sinonim/istilah bahasa Inggris untuk setiap konsep?
- [ ] Sudahkah saya menguji string boolean pada database sebenarnya?
- [ ] Sudahkah saya memperjelas kriteria inklusi/eksklusi saya?
- [ ] Sudahkah saya memverifikasi bahwa setiap sumber daya yang saya temukan benar-benar ada?