Guadagni:
- Possibilità di pianificare l'ambito di scansione con il supporto dell'intelligenza artificiale generando parole chiave, sinonimi e stringhe di ricerca booleane dalla domanda di ricerca
- Posizionare l'intelligenza artificiale come strumento di generazione di strategie, non come strumento di ricerca delle fonti, ed essere in grado di verificare ogni fonte trovata in database reali (Google Scholar, Scopus, Web of Science, PubMed).
- Capacità di comprendere il rischio che l'intelligenza artificiale fornisca fonti inventate e statistiche false e di acquisire la capacità di verificare ogni citazione quando si determina una lacuna nella letteratura.
Ogni ricerca inizia con una revisione della letteratura: non puoi dare un contributo originale senza vedere cosa è stato fatto prima sul tuo argomento, a quali domande è stata data risposta e dove ci sono lacune. Ma la letteratura è enorme; Milioni di articoli vengono pubblicati ogni anno. È qui che l’intelligenza artificiale rappresenta un grande acceleratore, ma con una linea di demarcazione molto netta. La frase più importante di questa unità è questa: l’intelligenza artificiale viene utilizzata nella revisione della letteratura come stratega di ricerca, non come database di fonti. Perché l'intelligenza artificiale non ti trova articoli reali; Produce sottotitoli di articoli dall'aspetto possibile, alcuni dei quali sono inventati.
In questa unità impareremo come ricavare un piano di ricerca sistematico dalla tua domanda di ricerca, utilizzare l'intelligenza artificiale per arricchire quel piano e convalidare ogni fonte che trovi confrontandola con database reali.
Scheletro della revisione della letteratura
Una buona scansione prevede tre fasi. Per prima cosa scomponi i concetti: scomponi la domanda di ricerca nelle sue componenti principali. Ad esempio, nella domanda "L'effetto del feedback sulla motivazione degli studenti nell'istruzione a distanza", ci sono tre concetti: istruzione a distanza, feedback, motivazione. Quindi crei un pool di termini per ciascun concetto: sinonimi, gergo di campo, equivalenti inglesi (istruzione a distanza → istruzione a distanza, apprendimento online, e-learning, apprendimento a distanza). Infine, combini questi termini con gli operatori booleani.
Gli operatori booleani sono congiunzioni logiche che indicano ai motori di ricerca come combinare i termini. Esistono tre operatori di base: AND (risulta la presenza di entrambi i termini — restringe l'ambito), OR (qualsiasi termine — espande l'ambito, raccoglie i sinonimi) e NOT (esclude un termine). Anche le virgolette "..." cercano frasi complete, l'asterisco * è la contrazione della radice (motivat* → motivazione, motivazionale). Una stringa di ricerca solitamente si presenta così:
("istruzione a distanza" O "apprendimento online" O e-learning) E (feedback O "valutazione formativa") E (motivazione O coinvolgimento O "autoefficacia")
L'intelligenza artificiale è eccellente nel generare queste stringhe, completare i sinonimi e adattarli alla sintassi di diversi database (Scopus, PubMed, Web of Science richiedono ortografie diverse). Ma l'intelligenza artificiale non è dove esegui la stringa; database reali: Google Scholar (grande, gratuito), Scopus e Web of Science (curati, indicizzati con citazioni), PubMed (scienze mediche/della vita), database sul campo (educazione ERIC, psicologia PsycINFO, ingegneria IEEE Xplore).
Attenzione: se chiedi a uno strumento di chat AI "elenca 20 articoli su questo argomento", restituirà titoli che sembrano reali, ma alcuni di essi sono inventati. Questo non è screening ma pericolo. Usa l'intelligenza artificiale per generare stringhe, trova l'articolo nel database.
Ambito, inclusione e analisi dei gap
Conosce buoni limiti di scansione. I criteri di inclusione/esclusione determinano l'ambito della tua ricerca: quale intervallo di anni, quali lingue, quali tipologie di studio (sperimentale, di ripasso), quale contesto. L'intelligenza artificiale può suggerire questi criteri sotto forma di bozza e tu puoi perfezionarli in base al tuo campo. Se stai eseguendo una revisione sistematica, puoi ricordare il flusso PRISMA (standard di reporting per le revisioni sistematiche) all'intelligenza artificiale e farle produrre un modello di registro di scansione.
Una lacuna nella letteratura è una domanda o un contesto che non è stato ancora adeguatamente esplorato; Il tuo contributo originale spesso colma una lacuna. L'intelligenza artificiale ti aiuta a nominare possibili lacune in base ai riepiloghi che leggi, ma prendila come un'affermazione da verificare, non come un'ipotesi. L'intelligenza artificiale potrebbe dire "X non è stato studiato in quest'area"; Potrebbe però essere stato studiato, solo che l’IA non lo sa. Confermi il divario solo con la scansione effettiva.
Metodo Snowball e letteratura grigia
La sola ricerca per parole chiave non è sufficiente; Una buona scansione si approfondisce con un effetto valanga. Facendo una valanga all'indietro, la chiave che trovi è scansionare la bibliografia di un articolo e trovare quelli precedenti; L’avanzamento a valanga sta monitorando chi ha citato quell’articolo (link “Citato da” in Google Scholar) e arrivando agli studi successivi. Questo metodo ti consente di trovare studi centrali nel settore ma che non puoi catturare con le tue parole chiave. Quando fornisci la bibliografia di un articolo, l'intelligenza artificiale può aiutarti a dare priorità ai riferimenti più vicini alla tua domanda; Ma ancora una volta, sta a te trovare e leggere l'articolo.
Inoltre, i database accademici non coprono tutto. La letteratura grigia – dissertazioni, rapporti istituzionali, atti di conferenze, preprint – è fondamentale in alcuni campi e compensa i bias di pubblicazione (la tendenza a pubblicare solo risultati positivi). L'intelligenza artificiale può suggerire quali fonti di letteratura grigia (dissertazioni ProQuest, archivi istituzionali, server di prestampa come arXiv/SSRN) dovresti cercare; Nelle revisioni sistematiche è spesso imperativo non limitare il proprio ambito ai soli articoli di riviste.
tre mini custodie
Caso 1 — Espansione delle stringhe. Quando una ricercatrice nel campo dell'istruzione ha cercato "classe capovolta" su Scopus, ha ottenuto 300 risultati, ma sentiva che le mancavano dei sinonimi. Ha chiesto all'IA di produrre un pool di termini; Ha aggiunto equivalenti come "aula invertita" e "apprendimento capovolto". Con la nuova corda il risultato passa da 300 a 470; Nella ricerca iniziale sono stati persi 40 articoli pertinenti. L’IA non ha trovato gli articoli, ma ha costruito la stringa che li ha resi ritrovabili.
Caso 2 — Ritorno da lista inventata. Uno studente laureato ha chiesto direttamente ad AI le "15 principali fonti" per la scansione e ha incollato l'elenco nella sua tesi. Sotto il controllo del consulente, non è stato possibile trovare 4 citazioni in Web of Science e 2 DOI erano errati. Lo studente ha ricominciato da capo: questa volta ha preso la linea dell'IA, ha trovato 60 risultati reali in Scopus, ha vagliato l'abstract del titolo e ne ha selezionati 18. Questi 18 erano tutti reali.
Caso 3 – Chiarimento dell’ambito. Un ricercatore sanitario si rese conto che la sua ricerca era così ampia da essere sopraffatto da 2.000 risultati. È stata prodotta una bozza di criteri di inclusione/esclusione dell'IA: ultimi 10 anni, inglese, campione di adulti, studi randomizzati e controllati. Ha aggiunto il filtro "Solo ambiente ospedaliero" con le proprie informazioni. Il risultato è sceso da 2.000 a 180; Si è formato un cluster scansionabile.
Modelli copiabili
1) Separazione dei concetti e pool di termini:
Il tuo ruolo: uno specialista dell'informazione (bibliotecario ricercatore). La mia domanda di ricerca è: "[scrivi la domanda]". Suddividi questa domanda nei suoi concetti principali. Genera un pool di termini composto da sinonimi inglesi, gergo di campo e ortografie alternative per ciascun concetto. Presentatelo in una tabella. L'articolo è FALSO.
2) Generazione di stringhe di ricerca booleane:
Costruisci una stringa di ricerca booleana per Scopus utilizzando il seguente pool di termini: OR termini all'interno di concetti, AND tra concetti, virgolette, utilizzare * dove appropriato. Adattare la stessa stringa alla sintassi di Web of Science e PubMed. Piscina: [incolla]
3) Progetto di criteri di inclusione/esclusione:
Sto facendo una revisione della letteratura su "[argomento]". Suggeriscimi una bozza di criteri di inclusione/esclusione: sotto le voci fascia di anno, lingua, tipo di studio, campione, contesto. Questi sono suggerimenti; Li cambierò in base al mio campo. Scrivi brevemente le ragioni.
4) Interrogazione candidati vacanti (da verificare):
Di seguito sono riportati i riepiloghi dei 10 articoli che ho scansionato. Evidenziare i loro temi comuni e suggerire CANDIDATI divario quanto a QUALI DOMANDE SONO MENO AFFRONTATE. Presentatele come ipotesi che verificherò, non come verità assoluta. Riepiloghi: [incolla]
Prompt debole / Prompt forte
Suggerimento debole:
Dammi un elenco di risorse sull'intelligenza artificiale e l'istruzione.
L'intelligenza artificiale crea documenti d'identità falsi; Anche il tema è troppo vasto.
Suggerimento potente:
Il tuo ruolo: specialista dell'informazione. Oggetto: "L'effetto della gamification sull'ansia matematica nella scuola primaria". NON DATEMI UN ELENCO DI FONTI. Invece: (1) analizzare i 3 concetti, (2) generare un repository di sinonimi inglesi per ciascun concetto, (3) stringa booleana per Scopus, (4) bozza di criteri di inclusione/esclusione applicabili. Il titolo dell'articolo è falso.
Scopo
utilizzare l'intelligenza artificiale
luogo di verifica
Espansione del pool di termini
Sì, forte
Revisione con conoscenza del dominio
Costruzione di stringhe booleane
Sì, forte
Prova nel database
Profilo dell'ambito/criteri
Sì
Affinare per area
Trova un articolo
no
Studioso/Scopus/WoS/PubMed
Impegno di liquidazione
parzialmente
La scansione reale è un must
Errori comuni
- Confondere l'intelligenza artificiale per un database. La richiesta di citazione di un articolo produce citazioni spurie; Questo è l'errore più comune e pericoloso.
- Saltare i sinonimi. Una ricerca con un singolo termine non consente di gran parte della letteratura.
- Lasciando il campo di applicazione poco chiaro. Senza filtri per anno, lingua e genere, sarai sopraffatto da migliaia di risultati.
- Affermare il vuoto senza verificarlo. Dire "nessuno ha studiato" senza un vero e proprio screening è rischioso.
- Affidarsi ad un unico database. Indici diversi coprono in modo diverso; usarne diversi insieme.
Suggerimento: per rendere riproducibile la ricerca, registra la stringa utilizzata, il database, la data e il numero di risultati in una tabella. Questa rivista è obbligatoria nella revisione sistematica; È una buona abitudine in ogni ricerca.
In sintesi
La revisione della letteratura è un compito sistematico: distillazione dei concetti, pool di termini, stringa booleana, criterio di copertura. L’intelligenza artificiale è un potente assistente in questi passaggi strategici; produce sinonimi, costruisce stringhe, delinea criteri. Ma trovi articoli da database reali, non dall'intelligenza artificiale, e verifichi ogni sottotitolo. Breve regola pratica: strategia dall'intelligenza artificiale, fonte dal database, convalida da parte tua.
Compito dell'applicazione
Ottieni la tua domanda di ricerca. Analizza i concetti con l'intelligenza artificiale e produci un pool di termini e una stringa booleana. Esegui questa stringa su un database reale (Scholar o un indice a cui hai accesso). Annotare i primi 10 risultati e confrontarli con i sottotitoli (se presenti) che l'IA ha precedentemente suggerito quando richiesto direttamente; Segna quanti ne esistono effettivamente.
lista di controllo
- [ ] Ho suddiviso la mia domanda di ricerca in concetti?
- [ ] Ho creato un pool di sinonimi/termini inglesi per ciascun concetto?
- [ ] Ho testato la stringa booleana sul database reale?
- [ ] Ho chiarito i miei criteri di inclusione/esclusione?
- [ ] Ho verificato che ogni risorsa che ho trovato esiste realmente?