Ieguvumi:
- Spēja plānot skenēšanas apjomu ar mākslīgā intelekta atbalstu, ģenerējot atslēgvārdus, sinonīmus un Būla meklēšanas virknes no pētījuma jautājuma
- Mākslīgā intelekta pozicionēšana kā stratēģijas ģenerēšanas rīks, nevis avota meklēšanas rīks, un iespēja pārbaudīt katru avotu, kas atrodams reālās datubāzēs (Google Scholar, Scopus, Web of Science, PubMed).
- Spēja izprast risku, ko rada mākslīgais intelekts, nodrošinot izdomātus avotus un viltus statistiku, un apgūt refleksu, lai pārbaudītu katru citātu, nosakot nepilnības literatūrā.
Katrs pētījums sākas ar literatūras apskatu: jūs nevarat sniegt oriģinālu ieguldījumu, neredzot, kas iepriekš ir darīts par jūsu tēmu, kādi jautājumi ir atbildēti un kur ir nepilnības. Bet literatūra ir milzīga; Katru gadu tiek publicēti miljoniem rakstu. Šeit AI ir lielisks paātrinātājs, taču ar ļoti izteiktu demarkācijas līniju. Šīs vienības svarīgākais teikums ir šāds: AI tiek izmantots literatūras apskatā kā meklēšanas stratēģis, nevis kā avotu datubāze. Jo AI neatrod jums īstus rakstus; Tas veido iespējami izskatīgu rakstu rindiņas, no kurām dažas ir izgatavotas.
Šajā nodaļā mēs iemācīsimies iegūt sistemātisku meklēšanas plānu no jūsu pētījuma jautājuma, izmantot AI, lai bagātinātu šo plānu, un pārbaudīt katru atrasto avotu, salīdzinot ar reālām datu bāzēm.
Literatūras apskata skelets
Labai skenēšanai ir trīs posmi. Vispirms jūs sadalāt jēdzienus: jūs sadalāt savu pētījuma jautājumu tā galvenajās sastāvdaļās. Piemēram, jautājumā "Atgriezeniskās saites ietekme uz skolēnu motivāciju tālmācībā" ir trīs jēdzieni: tālmācība, atgriezeniskā saite, motivācija. Pēc tam katram jēdzienam izveidojat terminu kopu: sinonīmus, lauka žargonu, angļu valodas ekvivalentus (tālmācība → tālmācība, tiešsaistes mācības, e-apmācība, tālmācība). Visbeidzot, jūs apvienojat šos terminus ar Būla operatoriem.
Būla operatori ir loģiski savienojumi, kas meklētājprogrammām norāda, kā apvienot terminus. Ir trīs pamata operatori: AND (abu terminu rašanās rezultātā — sašaurina darbības jomu), VAI (jebkurš no terminiem — paplašina darbības jomu, apkopo sinonīmus) un NOT (izslēdz terminu). Arī citātos "..." meklējiet pilnīgas frāzes, zvaigznīte * ir saknes saraušanās (motivat* → motivācija, motivācija). Meklēšanas virkne parasti izskatās šādi:
("tālmācība" VAI "tiešsaistes mācības" VAI e-apmācība) UN (atsauksmes VAI "formatīvā vērtēšana") UN (motivācija VAI iesaistīšanās VAI "pašefektivitāte")
AI lieliski spēj ģenerēt šīs virknes, pabeigt sinonīmus un pielāgot tos dažādu datu bāzu sintaksei (Scopus, PubMed, Web of Science ir nepieciešamas dažādas rakstības). Bet AI nav vieta, kur jūs vadāt virkni; reālas datu bāzes: Google Scholar (liela, bezmaksas), Scopus un Web of Science (kuratora, citēšanas indeksa), PubMed (medicīnas/dzīvības zinātnes), lauka datu bāzes (ERIC izglītība, PsycINFO psiholoģija, IEEE Xplore inženierija).
Uzmanību: ja AI tērzēšanas rīkam pajautāsit “norādiet 20 rakstus par šo tēmu”, tas atgriezīs nosaukumus, kas izskatās īsti, taču daži no tiem ir izdomāti. Tā nav skrīnings, bet gan briesmas. Izmantojiet AI, lai ģenerētu virkni, atrodiet rakstu datubāzē.
Darbības joma, iekļaušana un trūkumu analīze
Zina labas skenēšanas robežas. Iekļaušanas/izslēgšanas kritēriji nosaka jūsu meklēšanas jomu: kurš gadu diapazons, kuras valodas, kādi studiju veidi (eksperimentāls, pārskats), kāds konteksts. AI var ieteikt šos kritērijus melnraksta formā, un jūs varat tos uzlabot atbilstoši savai jomai. Ja veicat sistemātisku pārskatīšanu, varat atgādināt PRISMA (sistemātisku pārskatu ziņošanas standarts) plūsmu AI un likt tai izveidot rāpuļprogrammas žurnāla veidni.
Literatūras robs ir jautājums vai konteksts, kas vēl nav pietiekami izpētīts; Jūsu sākotnējais ieguldījums bieži aizpilda nepilnības. AI palīdz nosaukt iespējamās nepilnības, pamatojoties uz izlasītajiem kopsavilkumiem, taču uztveriet to kā apgalvojumu, kas ir jāpārbauda, nevis kā hipotēzi. AI var teikt: "X šajā jomā nav pētīts"; Tomēr tas, iespējams, ir pētīts, tikai AI nezina. Jūs apstiprināt atstarpi tikai ar savu faktisko skenēšanu.
Sniega bumbas metode un pelēkā literatūra
Ar atslēgvārdu meklēšanu vien nepietiek; Laba skenēšana padziļina ar sniega bumbu. Sniedzot atpakaļ, galvenais, ko atrodat, ir skenēt raksta bibliogrāfiju un atrast tos, kas atrodas pirms tā; Sniega bumbas uz priekšu izseko, kurš citēja šo rakstu (saite “Citēja” pakalpojumā Google Scholar), un nonāk pie turpmākajiem pētījumiem. Šī metode ļauj atrast pētījumus, kuriem ir galvenā nozīme šajā jomā, bet kurus nevar iegūt ar atslēgvārdiem. Kad sniedzat raksta bibliogrāfiju, AI var palīdzēt noteikt prioritāti, kuras atsauces ir vistuvākās jūsu jautājumam; Bet atkal raksta atrašana un izlasīšana ir jūsu ziņā.
Turklāt akadēmiskās datu bāzes neaptver visu. Pelēkā literatūra — disertācijas, institūciju ziņojumi, konferenču rakstu materiāli, pirmiespiedumi — ir kritiska dažās jomās un kompensē publikāciju aizspriedumus (tendenci publicēt tikai pozitīvus rezultātus). AI var ieteikt, kuros pelēkās literatūras avotos (ProQuest disertācijas, iestāžu repozitorijas, pirmsdrukas serveri, piemēram, arXiv/SSRN) jums vajadzētu meklēt; Sistemātiskajos apskatos bieži vien ir obligāti jāierobežo tikai žurnālu raksti.
trīs mini futrāļi
1. gadījums — stīgas paplašināšana. Kad izglītības pētniece vietnē Scopus meklēja “apgriezta klase”, viņa saņēma 300 rezultātu, taču uzskatīja, ka viņai trūkst sinonīmu. Viņš lika AI izveidot terminu kopu; Viņš pievienoja tādus ekvivalentus kā "apgrieztā klase" un "apgrieztā mācīšanās". Ar jauno virkni rezultāts palielinājās no 300 līdz 470; Sākotnējā meklēšanā tika izlaisti 40 attiecīgie raksti. AI neatrada rakstus, bet izveidoja virkni, kas padarīja tos atrodamus.
2. gadījums — atgriešanās no sastādītā saraksta. Viens maģistrants tieši prasīja AI skenēšanai "15 populārākos avotus" un ielīmēja sarakstu savā disertācijā. Konsultanta kontrolē Web of Science nevarēja atrast 4 citātus, un 2 DOI bija nepareizi. Students sāka no jauna: šoreiz viņš pārņēma AI līniju, Scopus atrada 60 reālus rezultātus, izsijāja virsraksta kopsavilkumu un atlasīja 18. Šie 18 visi bija īsti.
3. gadījums — darbības jomas precizējums. Veselības pētnieks saprata, ka viņa meklējumi bija tik plaši, ka viņu pārsteidza 2000 rezultātu. Bija sagatavots AI iekļaušanas/izslēgšanas kritēriju projekts: pēdējie 10 gadi, angļu valoda, pieaugušo izlase, randomizēti kontrolēti pētījumi. Viņš pievienoja filtru "tikai slimnīcas vide" ar savu informāciju. Rezultāts samazinājās no 2000 līdz 180; Tika izveidots skenējams klasteris.
Kopējamas veidnes
1) Jēdzienu atdalīšana un terminu kopums:
Jūsu loma: informācijas speciālists (pētnieciskais bibliotekārs). Mans pētījuma jautājums ir: "[uzrakstiet jautājumu]". Sadaliet šo jautājumu tā galvenajos jēdzienos. Katram jēdzienam izveidojiet angļu sinonīmu, lauka žargona un alternatīvas pareizrakstības terminu kopu. Norādiet to tabulā. Raksts ir FAKE.
2) Būla meklēšanas virknes ģenerēšana:
Izveidojiet Būla meklēšanas virkni Scopus, izmantojot šādu terminu kopu: VAI termini jēdzienos, UN starp jēdzieniem, citātu frāzes, kur nepieciešams, izmantojiet *. Pielāgojiet to pašu virkni Web of Science un PubMed sintaksei. Baseins: [ielīmēt]
3) Iekļaušanas/izslēgšanas kritēriju projekts:
Es veicu literatūras apskatu par tēmu "[tēma]". Iesakiet man iekļaušanas/izslēgšanas kritēriju projektu: zem virsrakstiem gadu diapazons, valoda, studiju veids, izlase, konteksts. Tie ir ieteikumi; Es tos mainīšu atbilstoši savai jomai. Īsi uzrakstiet iemeslus.
4) vakanču kandidātu aptauja (jāpārbauda):
Tālāk ir sniegti kopsavilkumi par 10 skenētajiem rakstiem. Uzzīmējiet to kopīgās tēmas un iesakiet nepilnības KANDIDĀTUS, KURI JAUTĀJUMI IR MAZĀK UZRĀTI. Izklāstiet tās kā hipotēzes, kuras es pārbaudīšu, nevis absolūtu patiesību. Kopsavilkumi: [ielīmēt]
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Sniedziet man mākslīgā intelekta un izglītības resursu sarakstu.
AI rada viltotus ID; Arī tēma ir pārāk plaša.
Spēcīga uzvedne:
Jūsu loma: informācijas speciālists. Temats: "Spēlmaņu ietekme uz matemātikas trauksmi sākumskolā". NEDODIET MAN AVOTU SARAKSTU. Tā vietā: (1) analizējiet 3 jēdzienus, (2) ģenerējiet katra jēdziena angļu valodas sinonīmu krātuvi, (3) Scopus Būla virkni, (4) piemērojamo iekļaušanas/izslēgšanas kritēriju projektu. Raksta virsraksts ir viltots.
Mērķis
izmantot AI
verifikācijas vieta
Termiņu baseina paplašināšana
Jā, stiprs
Pārskatiet ar domēna zināšanām
Būla stīgu konstrukcija
Jā, stiprs
Tests datu bāzē
Darbības joma/kritēriju izklāsts
Jā
Asināt pēc apgabala
Atrodi rakstu
nē
Scholar/Scopus/WoS/PubMed
Klīrensa apņemšanās
daļēji
Reāla skenēšana ir obligāta
Biežas kļūdas
- AI sajaukt ar datu bāzi. Pieprasot raksta citātu, tiek radīti nepatiesi citāti; Šī ir visizplatītākā un bīstamākā kļūda.
- Sinonīmu izlaišana. Meklējot vienu terminu, tiek izlaista liela daļa literatūras.
- Atstājot darbības jomu neskaidru. Bez gada, valodas un žanra filtriem jūs būsiet satriekti ar tūkstošiem rezultātu.
- Apgalvot tukšumu, to nepārbaudot. Teikt "neviens nav pētījis" bez faktiskas skrīninga ir riskanti.
- Paļaušanās uz vienu datu bāzi. Dažādi indeksi aptver atšķirīgi; izmantot vairākus kopā.
Padoms. Lai padarītu meklēšanu reproducējamu, ierakstiet tabulā izmantoto virkni, datu bāzi, datumu un rezultātu skaitu. Šis žurnāls ir obligāts sistemātiskā pārskatā; Tas ir labs ieradums katrā pētījumā.
Rezumējot
Literatūras apskats ir sistemātisks uzdevums: koncepcijas destilācija, terminu kopums, Būla virkne, pārklājuma kritērijs. AI ir spēcīgs palīgs šajos stratēģiskajos soļos; rada sinonīmus, konstruē virknes, iezīmē kritērijus. Bet jūs atrodat rakstus no reālām datu bāzēm, nevis no AI, un pārbaudiet katru rindiņu. Īss īkšķis: stratēģija no AI, avots no datu bāzes, apstiprināšana no jums.
Lietojumprogrammas uzdevums
Saņemiet savu izpētes jautājumu. Parsējiet jēdzienus ar AI un izveidojiet terminu kopu un Būla virkni. Palaidiet šo virkni pret reālu datu bāzi (Scholar vai indeksu, kuram jums ir piekļuve). Ņemiet vērā 10 labākos rezultātus un salīdziniet tos ar rindiņām (ja tādas ir), kuras AI ir iepriekš ieteicis, kad tas tika tieši jautāts; Atzīmējiet, cik daudz patiesībā pastāv.
kontrolsaraksts
- [ ] Vai esmu sadalījis savu pētījuma jautājumu jēdzienos?
- [ ] Vai esmu izveidojis sinonīmu/angļu terminu kopu katram jēdzienam?
- [ ] Vai esmu pārbaudījis Būla virkni reālajā datu bāzē?
- [ ] Vai esmu precizējis savus iekļaušanas/izslēgšanas kritērijus?
- [ ] Vai esmu pārbaudījis, vai katrs atrastais resurss patiešām pastāv?