Hagnaður:
- Geta til að skipuleggja skönnunarumfangið með stuðningi við gervigreind með því að búa til leitarorð, samheiti og Boolean leitarstrengi úr rannsóknarspurningunni
- Að staðsetja gervigreind sem verkfæri til að búa til stefnu, ekki heimildaleitartæki, og vera fær um að sannreyna allar heimildir sem finnast í raunverulegum gagnagrunnum (Google Scholar, Scopus, Web of Science, PubMed).
- Hæfni til að skilja hættuna á gervigreind sem veitir tilbúnar heimildir og falsa tölfræði og öðlast viðbragð til að sannreyna hverja tilvitnun þegar ákvarðað er gjá í bókmenntum.
Sérhver rannsókn byrjar með ritrýni: þú getur ekki lagt frumlegt framlag án þess að sjá hvað hefur verið gert áður um efnið þitt, hvaða spurningum hefur verið svarað og hvar eru eyður. En bókmenntirnar eru risastórar; Milljónir greina eru birtar árlega. Þetta er þar sem gervigreind er frábær hraðall – en með mjög áberandi afmörkun. Mikilvægasta setningin í þessari einingu er þessi: gervigreind er notuð í bókmenntaskoðun sem leitartæknifræðingur, ekki sem heimildagagnagrunnur. Vegna þess að gervigreind finnur þér ekki alvöru greinar; Það framleiðir mögulega útlit greinabylines, sem sumar eru tilbúnar.
Í þessari einingu munum við læra hvernig á að draga kerfisbundna leitaráætlun út frá rannsóknarspurningunni þinni, nota gervigreind til að auðga þá áætlun og sannreyna hverja heimild sem þú finnur gegn raunverulegum gagnagrunnum.
Beinagrind bókmenntarannsóknarinnar
Góð skönnun hefur þrjú stig. Fyrst þú sundurliðar hugtökin: þú sundurliðar rannsóknarspurningunni þinni í helstu þætti hennar. Sem dæmi má nefna að í spurningunni „Áhrif endurgjöf á hvatningu nemenda í fjarkennslu“ eru þrjú hugtök: fjarkennsla, endurgjöf, hvatning. Síðan býrðu til hugtakapott fyrir hvert hugtak: samheiti, fagmálshögg, jafngildi ensku (fjarkennsla → fjarkennsla, netnám, rafrænt nám, fjarnám). Að lokum sameinarðu þessi hugtök við Boolean rekstraraðila.
Boolean rekstraraðilar eru rökréttar samtengingar sem segja leitarvélum hvernig á að sameina hugtök. Það eru þrír grunnvirkjar: OG (leiðir til þess að bæði hugtökin koma fyrir - þrengir umfangið), EÐA (einhver hugtaka sem er - stækkar umfangið, safnar samheitum) og EKKI (útilokar hugtak). Einnig tilvitnanir í "..." leita að heilum orðasamböndum, stjörnu * er rótarsamdráttur (motivat* → hvatning, hvatning). Leitarstrengur lítur venjulega svona út:
("fjarkennsla" EÐA "netnám" EÐA rafrænt nám)OG (viðbrögð EÐA "mótandi mat") OG (hvatning EÐA þátttöku EÐA "sjálfsvirkni")
Gervigreind er frábær í að búa til þessa strengi, klára samheiti og laga þau að setningafræði mismunandi gagnagrunna (Scopus, PubMed, Web of Science krefjast mismunandi stafsetningar). En gervigreind er ekki þar sem þú keyrir strenginn; Raunverulegir gagnagrunnar: Google Scholar (stórir, ókeypis), Scopus og Web of Science (safnaðir, tilvitnunartryggðir), PubMed (læknisfræði/lífvísindi), vettvangsgagnagrunnar (ERIC menntun, PsycINFO sálfræði, IEEE Xplore verkfræði).
Athugið: Ef þú spyrð gervigreindarspjallverkfæri að „lista 20 greinar um þetta efni“ mun það skila titlum sem líta út fyrir að vera raunverulegir, en sumir þeirra eru tilbúnir. Þetta er ekki skimun heldur hætta. Notaðu gervigreind til að búa til streng, finndu greinina í gagnagrunni.
Umfang, aðlögun og gjágreining
Kann góð skönnunarmörk. Inntöku-/útilokunarviðmið ákvarða umfang leitarinnar þinnar: hvaða árabil, hvaða tungumál, hvaða námstegundir (tilraunir, endurskoðun), hvaða samhengi. AI getur stungið upp á þessum viðmiðum í drögum og þú getur skerpt á þeim eftir þínu sviði. Ef þú ert að gera kerfisbundna endurskoðun geturðu minnt PRISMA (skýrslustaðall fyrir kerfisbundnar umsagnir) á flæðið til gervigreindarinnar og látið það framleiða skriðskrársniðmát.
Bókmenntabil er spurning eða samhengi sem enn hefur ekki verið kannað nægilega vel; Upprunalega framlag þitt fyllir oft skarð. Gervigreind hjálpar þér að nefna hugsanlegar eyður út frá samantektunum sem þú lest - en taktu það sem fullyrðingu sem á að sannreyna, ekki tilgátu. AI gæti sagt "X hefur ekki verið rannsakað á þessu sviði"; Hins vegar gæti það hafa verið rannsakað, það er bara að gervigreindin veit það ekki. Þú staðfestir aðeins bilið með raunverulegri skönnun þinni.
Snjóboltaaðferð og gráar bókmenntir
Leitarorðaleit ein og sér er ekki nóg; Góð skönnun dýpkar með snjóbolta. Snjóbolti afturábak, lykillinn sem þú finnur er að skanna heimildaskrá greinar og finna þær á undan henni; Snjóbolti fram á við er að fylgjast með hver vitnaði í þá grein ("Tilvitnuð af" hlekkur í Google Scholar) og koma til síðari rannsókna. Þessi aðferð gerir þér kleift að finna rannsóknir sem eru miðlægar á sviðinu en sem þú getur ekki náð með leitarorðum þínum. Þegar þú gefur upp heimildaskrá yfir grein getur gervigreind hjálpað þér að forgangsraða hvaða tilvísanir eru næst spurningunni þinni; En aftur, það er undir þér komið að finna og lesa greinina.
Að auki ná fræðilegir gagnagrunnar ekki yfir allt. Gráar bókmenntir - ritgerðir, stofnanaskýrslur, ráðstefnurit, forprentanir - eru mikilvægar á sumum sviðum og vega upp á móti útgáfuhlutdrægni (tilhneigingin til að birta aðeins jákvæðar niðurstöður). Gervigreind getur stungið upp á því hvaða gráu bókmenntaheimildir (ProQuest-ritgerðir, stofnanageymslur, forprentþjónar eins og arXiv/SSRN) þú ættir að leita í; Það er oft brýnt í kerfisbundnum umsögnum að takmarka ekki umfang þitt við tímaritsgreinar eingöngu.
þrjú smámál
Mál 1 - Stækkun strengja. Þegar menntunarfræðingur leitaði að „flipped classroom“ á Scopus fékk hún 300 niðurstöður en fannst vanta samheiti. Hann lét gervigreind framleiða hugtakapott; Hann bætti við jafngildum eins og „öfugum kennslustofum“ og „flippað nám“. Með nýja strengnum jókst útkoman úr 300 í 470; 40 viðeigandi greinar var saknað í fyrstu leit. Gervigreindin fann ekki greinarnar, en smíðaði strenginn sem gerði þær aðgengilegar.
Mál 2 — Til baka af tilbúnum lista. Einn útskriftarnemi bað AI beint um „top 15 heimildirnar“ til að skanna og límdi listann inn í ritgerðina sína. Undir stjórn ráðgjafans var ekki hægt að finna 4 tilvitnanir í Web of Science og 2 DOI voru rangar. Nemandinn byrjaði upp á nýtt: í þetta skiptið tók hann línuna frá gervigreindinni, fann 60 raunverulegar niðurstöður í Scopus, sigtaði í gegnum titilútdráttinn og valdi 18. Þessar 18 voru allar raunverulegar.
Mál 3 — Gildissvið skýringar. Heilbrigðisfræðingur áttaði sig á því að leit hans var svo víðtæk að hann var gagntekinn af 2.000 niðurstöðum. Fékk drög að gervigreindarviðmiðum fyrir skráningu/útilokun: síðustu 10 ár, enska, fullorðinsúrtak, slembiraðaðar samanburðarrannsóknir. Hann bætti við „aðeins sjúkrahúsumhverfi“ síu með eigin upplýsingum. Niðurstaðan féll úr 2.000 í 180; Skannanlegur klasi var myndaður.
Afritanleg sniðmát
1) Hugmyndaaðskilnaður og tímahópur:
Þitt hlutverk: upplýsingasérfræðingur (rannsóknarbókavörður). Rannsóknarspurningin mín er: "[skrifaðu spurninguna]". Skiptu þessari spurningu niður í helstu hugtök hennar. Búðu til hugtakasafn af enskum samheitum, sviðsmáli og öðrum stafsetningu fyrir hvert hugtak. Gefðu það í töflu. Greinin er FAKE.
2) Boolean leitarstrengjagerð:
Búðu til Boolean leitarstreng fyrir Scopus með því að nota eftirfarandi hugtakasafn: OR hugtök innan hugtaka, OG á milli hugtaka, tilvitnunarsetningar, notaðu * þar sem við á. Aðlaga sama streng að Web of Science og PubMed setningafræði. Laug: [líma]
3) Drög að skilyrðum fyrir skráningu/útilokun:
Ég er að gera ritdóm um „[efni]“. Stingdu mér á drögum að inntöku-/útilokunarviðmiðum: undir fyrirsögnum árabil, tungumál, námstegund, úrtak, samhengi. Þetta eru tillögur; Ég mun breyta þeim eftir mínu sviði. Skrifaðu ástæðurnar stuttlega.
4) Spurning um laus störf (á að staðfesta):
Hér að neðan eru samantektir af þeim 10 greinum sem ég skannaði. Dragðu fram sameiginleg þemu þeirra og stingdu upp á milli umsækjenda um HVAÐA SPURNINGAR ER MINNAR STUÐAR. Settu þetta fram sem tilgátur sem ég mun sannreyna, ekki algjöran sannleika. Samantekt: [líma]
Veik kvaðning / Sterk kvaðning
Veik kvaðning:
Gefðu mér lista yfir auðlindir um gervigreind og menntun.
AI býr til fölsuð auðkenni; Viðfangsefnið er líka of víðtækt.
Öflug tilvitnun:
Þitt hlutverk: upplýsingasérfræðingur. Efni: „Áhrif gamification á stærðfræðikvíða í grunnskóla“. EKKI LEIFA MÉR LISTA OVER HEIMILDIR. Þess í stað: (1) greindu hugtökin 3, (2) búðu til safn af enskum samheitum fyrir hvert hugtak, (3) Boolean strengur fyrir Scopus, (4) drög að viðeigandi viðmiðum fyrir skráningu/útilokun. Titill greinarinnar er falsaður.
Tilgangur
nota gervigreind
staðfestingarstað
Stækkun laugartímabils
Já, sterkur
Skoðaðu með lénsþekkingu
Boolean strengjagerð
Já, sterkur
Próf í gagnagrunni
Yfirlit um gildissvið/viðmið
Já
Skerpið eftir svæðum
Finndu grein
nei
Fræðimaður/Scopus/WoS/PubMed
Úthreinsunarskuldbinding
að hluta
Raunveruleg skönnun er nauðsynleg
Algeng mistök
- Misskilja AI fyrir gagnagrunn. Að biðja um tilvitnun í grein framleiðir rangar tilvitnanir; Þetta eru algengustu og hættulegustu mistökin.
- Sleppa samheitum. Ein hugtaksleit missir mikið af bókmenntum.
- Skilja umfangið eftir óljóst. Án árs-, tungumála- og tegundasía verður þú óvart með þúsundir niðurstaðna.
- Að fullyrða um tómleika án þess að sannreyna það. Að segja „enginn rannsakaði“ án raunverulegrar skimunar er áhættusamt.
- Að treysta á einn gagnagrunn. Mismunandi vísitölur ná á mismunandi hátt; nota nokkra saman.
Ábending: Til að gera leitina endurtakaanlega skaltu skrá strenginn sem þú notaðir, gagnagrunn, dagsetningu og fjölda niðurstaðna í töflu. Þetta tímarit er skylda í kerfisbundinni yfirferð; Það er góður vani í öllum rannsóknum.
Í stuttu máli
Bókmenntarýni er kerfisbundið verkefni: hugtakaeiming, hugtakasafn, Boolean strengur, þekjuviðmið. AI er öflugur aðstoðarmaður í þessum stefnumótandi skrefum; framleiðir samheiti, smíðar strengi, útlistar viðmið. En þú finnur greinar úr raunverulegum gagnagrunnum, ekki frá gervigreind, og staðfestir hverja hliðarlínu. Stutt þumalputtaregla: stefna frá gervigreind, heimild úr gagnagrunni, staðfesting frá þér.
Umsóknarverkefni
Fáðu þína eigin rannsóknarspurningu. Þjálfa hugtök með gervigreind og búðu til hugtakssafn og Boolean streng. Keyrðu þennan streng á móti raunverulegum gagnagrunni (fræðimaður eða vísir sem þú hefur aðgang að). Taktu eftir efstu 10 niðurstöðunum og berðu þær saman við hliðlínurnar (ef einhverjar eru) sem gervigreindin hefur áður lagt til þegar spurt var beint; Merktu við hversu margir eru raunverulega til.
gátlisti
- [ ] Hef ég sundurliðað rannsóknarspurningu minni í hugtök?
- [ ] Hef ég búið til samheiti/enska hugtakapottinn fyrir hvert hugtak?
- [ ] Hef ég prófað boolean strenginn á alvöru gagnagrunninum?
- [ ] Hef ég útskýrt skilyrði fyrir inntöku/útilokun?
- [ ] Hef ég sannreynt að allar auðlindir sem ég fann séu í raun til?