이득:
- 연구문제로부터 키워드, 동의어, 불리언 검색 문자열을 생성하여 인공지능 지원으로 스캐닝 범위를 계획하는 기능
- 인공지능을 소스 검색 도구가 아닌 전략 생성 도구로 포지셔닝하고 실제 데이터베이스(Google Scholar, Scopus, Web of Science, PubMed)에서 찾은 모든 소스를 확인할 수 있습니다.
- 조작된 소스와 가짜 통계를 제공하는 인공 지능의 위험성을 이해하고 문헌의 차이를 판단할 때 모든 인용을 확인하는 반사 능력을 확보하는 능력.
모든 연구는 문헌 검토로 시작됩니다. 귀하의 주제에 대해 이전에 어떤 일이 이루어졌는지, 어떤 질문에 대한 답변이 있었는지, 어디에 공백이 있는지 확인하지 않고는 독창적인 기여를 할 수 없습니다. 그러나 문헌은 엄청납니다. 매년 수백만 개의 기사가 출판됩니다. AI는 훌륭한 가속기이지만 경계선이 매우 뚜렷합니다. 이 단원의 가장 중요한 문장은 다음과 같습니다. AI는 문헌 검토에서 소스 데이터베이스가 아닌 검색 전략가로 사용됩니다. AI는 실제 기사를 찾아주지 않기 때문입니다. 가능한 것처럼 보이는 기사 작성자 이름을 생성하며 그 중 일부는 조작되었습니다.
이 단원에서는 연구 질문에서 체계적인 검색 계획을 도출하고, AI를 사용하여 해당 계획을 강화하고, 찾은 각 소스를 실제 데이터베이스와 비교하여 검증하는 방법을 배웁니다.
문헌 검토의 뼈대
좋은 스캔에는 세 단계가 있습니다. 먼저 개념을 분류합니다. 즉, 연구 질문을 주요 구성 요소로 분류합니다. 예를 들어, "원격교육에서 피드백이 학생 동기에 미치는 영향"이라는 질문에는 원격교육, 피드백, 동기부여라는 세 가지 개념이 있습니다. 그런 다음 동의어, 분야 전문 용어, 영어 등가물(원격 교육 → 원격 교육, 온라인 학습, e-러닝, 원격 학습) 등 각 개념에 대한 용어 풀을 만듭니다. 마지막으로 이러한 용어를 부울 연산자와 결합합니다.
부울 연산자는 검색 엔진에 용어 결합 방법을 알려주는 논리적 접속사입니다. 세 가지 기본 연산자가 있습니다. AND(두 용어 모두 발생 - 범위 축소), OR(모든 용어 - 범위 확장, 동의어 수집) 및 NOT(용어 제외). 또한 "..."를 인용하면 완전한 문구를 찾을 수 있습니다. 별표 *는 어근 축소형입니다(동기 부여* → 동기 부여, 동기 부여). 검색 문자열은 일반적으로 다음과 같습니다.
("원격 교육" 또는 "온라인 학습" 또는 e-러닝)AND (피드백 또는 "형성 평가")AND (동기 부여 또는 참여 또는 "자기 효능감")
AI는 이러한 문자열을 생성하고, 동의어를 완성하고, 이를 다양한 데이터베이스의 구문에 적용하는 데 탁월합니다(Scopus, PubMed, Web of Science에는 다른 철자가 필요함). 그러나 AI는 문자열을 실행하는 곳이 아닙니다. 실제 데이터베이스: Google Scholar(대형, 무료), Scopus 및 Web of Science(큐레이트, 인용 색인화), PubMed(의학/생명과학), 현장 데이터베이스(ERIC 교육, PsycINFO 심리학, IEEE Xplore 엔지니어링).
주의: AI 채팅 도구에 "이 주제에 관한 기사 20개 목록"을 요청하면 실제처럼 보이지만 일부는 꾸며낸 제목이 반환됩니다. 이것은 선별이 아니라 위험입니다. AI를 사용하여 문자열을 생성하고 데이터베이스에서 기사를 찾습니다.
범위, 포함 및 격차 분석
좋은 스캔 한계를 알고 있습니다. 포함/제외 기준에 따라 검색 범위(연도 범위, 언어, 연구 유형(실험, 검토), 컨텍스트)가 결정됩니다. AI는 이러한 기준을 초안 형태로 제안할 수 있으며, 귀하는 해당 분야에 따라 이를 구체화할 수 있습니다. 체계적 검토를 수행하는 경우 PRISMA(체계적 검토를 위한 보고 표준) 흐름을 AI에 상기시키고 크롤링 로그 템플릿을 생성하도록 할 수 있습니다.
문헌 격차는 아직 적절하게 탐구되지 않은 질문이나 맥락입니다. 귀하의 원래 기여가 공백을 메우는 경우가 많습니다. AI는 읽은 요약을 기반으로 가능한 격차를 명명하는 데 도움을 줍니다. 하지만 이를 가설이 아니라 검증해야 할 주장으로 받아들입니다. AI는 "X는 이 분야에서 연구되지 않았습니다"라고 말할 수 있습니다. 그러나 연구되었을 수도 있지만 AI가 모르는 것일 뿐이다. 실제 스캔으로 차이를 확인하기만 하면 됩니다.
눈덩이 방법과 회색 문헌
키워드 검색만으로는 충분하지 않습니다. 좋은 스캔은 눈덩이처럼 깊어집니다. 눈덩이처럼 불어서, 당신이 찾는 열쇠는 기사의 참고문헌을 훑어보고 그 이전의 기사를 찾는 것입니다. 눈덩이처럼 불어나는 것은 누가 해당 기사를 인용했는지(Google Scholar의 '인용' 링크) 추적하고 후속 연구에 도달하는 것입니다. 이 방법을 사용하면 해당 분야의 핵심이지만 키워드로 포착할 수 없는 연구를 찾을 수 있습니다. 기사의 참고문헌을 제공하면 AI는 질문에 가장 가까운 참고문헌의 우선순위를 정하는 데 도움을 줄 수 있습니다. 하지만 다시 한번 말씀드리지만, 기사를 찾아 읽는 것은 여러분의 몫입니다.
또한 학술 데이터베이스가 모든 것을 다루지는 않습니다. 논문, 기관 보고서, 학회 논문집, 사전 인쇄 등 회색 문헌은 일부 분야에서 매우 중요하며 출판 편향(긍정적인 결과만 출판하려는 경향)을 상쇄합니다. AI는 검색해야 할 회색 문헌 소스(ProQuest 논문, 기관 저장소, arXiv/SSRN과 같은 사전 인쇄 서버)를 제안할 수 있습니다. 체계적 리뷰에서는 범위를 저널 기사에만 국한하지 않는 것이 종종 필수적입니다.
세 개의 미니 케이스
사례 1 - 문자열 확장. 교육 연구원이 Scopus에서 "역방향 교실"을 검색했을 때 300개의 결과를 얻었지만 동의어가 누락되었다고 느꼈습니다. 그는 AI가 용어 풀을 생성하도록 했습니다. 그는 "역전된 교실"과 "역진행 학습"과 같은 등가물을 추가했습니다. 새 문자열을 사용하면 결과가 300에서 470으로 증가했습니다. 초기 검색에서 관련 기사 40개가 누락되었습니다. AI는 기사를 찾은 것이 아니라 기사를 찾을 수 있도록 문자열을 구성했습니다.
사례 2 - 구성된 목록에서 반환됩니다. 한 대학원생은 스캔할 '상위 15개 소스'를 AI에게 직접 요청하고 그 목록을 자신의 논문에 붙여넣었습니다. 컨설턴트의 통제 하에 Web of Science에서 4개의 인용을 찾을 수 없었고, 2개의 DOI가 올바르지 않았습니다. 학생은 처음부터 다시 시작했습니다. 이번에는 AI에서 라인을 가져와 Scopus에서 60개의 실제 결과를 찾은 다음 제목 초록을 살펴보고 18개를 선택했습니다. 이 18개는 모두 실제였습니다.
사례 3 - 범위 명확화. 한 건강 연구자는 자신이 검색한 내용이 너무 광범위해서 2,000개의 결과가 너무 많다는 사실을 깨달았습니다. AI 포함/제외 기준 초안 작성: 지난 10년, 영어, 성인 샘플, 무작위 대조 시험. 그는 자신의 정보와 함께 '병원 환경만' 필터를 추가했습니다. 결과는 2,000에서 180으로 떨어졌습니다. 스캔 가능한 클러스터가 형성되었습니다.
복사 가능한 템플릿
1) 개념 분리 및 용어 풀:
귀하의 역할: 정보 전문가(연구 사서). 내 연구 질문은 "[질문 작성]"입니다. 이 질문을 주요 개념으로 분류하세요. 각 개념에 대한 영어 동의어, 분야 전문 용어 및 대체 철자의 용어 풀을 생성합니다. 표에 담아주세요. 기사는 가짜입니다.
2) 부울 검색 문자열 생성:
다음 용어 풀을 사용하여 Scopus에 대한 부울 검색 문자열을 구성합니다. OR 개념 내의 용어, AND 개념 사이, 인용 문구, 적절한 경우 *를 사용합니다. Web of Science 및 PubMed 구문에 동일한 문자열을 적용합니다. 풀: [붙여넣기]
3) 초안 포함/제외 기준:
저는 "[주제]"에 대한 문헌 검토를 하고 있습니다. 연도 범위, 언어, 연구 유형, 표본, 맥락이라는 제목 아래에 포함/제외 기준 초안을 제안해 주세요. 이는 제안 사항입니다. 내 분야에 따라 바꾸겠습니다. 이유를 간략하게 적어주세요.
4) 공석 후보자 조회 (검증 예정) :
아래는 제가 스캔한 10개의 기사를 요약한 것입니다. 공통 주제를 도출하고 어떤 질문이 덜 다루어지는지에 대해 후보자들에게 차이를 제안합니다. 이것을 절대적인 진실이 아닌 내가 검증할 가설로 제시하십시오. 요약: [붙여넣기]
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
인공지능과 교육에 관한 자료 목록을 알려주세요.
AI는 가짜 ID를 생성합니다. 주제도 너무 광범위하다.
강력한 프롬프트:
귀하의 역할: 정보 전문가. 주제: "게이미피케이션이 초등학교 수학 불안에 미치는 영향". 나에게 출처 목록을 제공하지 마십시오. 대신:(1) 3가지 개념을 구문 분석하고, (2) 각 개념에 대한 영어 동의어 저장소를 생성하고, (3) Scopus에 대한 부울 문자열, (4) 적용 가능한 포함/제외 기준 초안을 작성합니다. 기사제목은 가짜입니다.
목적
AI를 사용하다
확인 위치
용어 풀 확장
응, 강해
도메인 지식을 바탕으로 검토
부울 문자열 구성
응, 강해
데이터베이스에서 테스트
범위/기준 개요
예
영역별로 선명하게 하기
기사 찾기
아니
학자/Scopus/WoS/PubMed
클리어런스 커밋
부분적으로
실제 스캐닝은 필수입니다
일반적인 실수
- AI를 데이터베이스로 착각합니다. 논문 인용을 요청하면 가짜 인용이 생성됩니다. 이것은 가장 흔하고 위험한 실수입니다.
- 동의어를 건너뜁니다. 단일 용어로 검색하면 많은 문헌이 누락됩니다.
- 범위를 불분명하게 둡니다. 연도, 언어, 장르 필터가 없으면 수천 개의 결과에 압도될 것입니다.
- 확인하지 않고 공허함을 주장합니다. 실제 검진을 받지 않고 "공부한 사람이 없다"고 말하는 것은 위험합니다.
- 단일 데이터베이스에 의존합니다. 다양한 지수는 다르게 적용됩니다. 여러 개를 함께 사용하세요.
팁: 검색을 재현 가능하게 하려면 사용한 문자열, 데이터베이스, 날짜 및 결과 수를 테이블에 기록하십시오. 이 저널은 체계적 검토에 필수입니다. 이는 모든 연구에서 좋은 습관입니다.
요약하면
문헌 검토는 개념 추출, 용어 풀, 부울 문자열, 적용 범위 기준 등 체계적인 작업입니다. AI는 이러한 전략적 단계에서 강력한 조력자입니다. 동의어를 생성하고, 문자열을 구성하고, 기준을 설명합니다. 하지만 AI가 아닌 실제 데이터베이스에서 기사를 찾아 각 작성자를 확인합니다. 간단한 경험 법칙: AI의 전략, 데이터베이스의 소스, 사용자의 검증.
응용과제
자신만의 연구 질문을 얻으세요. AI로 개념을 구문 분석하고 용어 풀과 부울 문자열을 생성합니다. 실제 데이터베이스(Scholar 또는 액세스할 수 있는 색인)에 대해 이 문자열을 실행하세요. 상위 10개 결과를 기록하고 이를 AI가 직접 요청했을 때 이전에 제안한 작성자(있는 경우)와 비교합니다. 실제로 얼마나 많이 존재하는지 표시해 보세요.
체크리스트
- [ ] 연구 질문을 개념별로 세분화했습니까?
- [ ] 각 개념에 대한 동의어/영어 용어 풀을 만들었나요?
- [ ] 실제 데이터베이스에서 부울 문자열을 테스트했습니까?
- [ ] 포함/제외 기준을 명확히 했습니까?
- [ ] 내가 찾은 모든 리소스가 실제로 존재하는지 확인했습니까?