Добивки:
- Способност за планирање на опсегот на скенирање со поддршка за вештачка интелигенција со генерирање клучни зборови, синоними и жици за пребарување Булова од истражувачкото прашање
- Позиционирање на вештачката интелигенција како алатка за генерирање стратегија, а не алатка за наоѓање извор и можност за проверка на секој извор пронајден во вистински бази на податоци (Google Scholar, Scopus, Web of Science, PubMed).
- Способност да се разбере ризикот од вештачката интелигенција што обезбедува фабрикувани извори и лажни статистики и да се стекне со рефлекс за да се потврди секој цитат при утврдување на празнина во литературата.
Секое истражување започнува со преглед на литература: не можете да дадете оригинален придонес без да видите што е направено претходно на вашата тема, кои прашања се одговорени и каде има празнини. Но, литературата е огромна; Годишно се објавуваат милиони статии. Ова е местото каде што вештачката интелигенција е одличен акцелератор - но со многу посебна линија на разграничување. Најважната реченица од оваа единица е оваа: ВИ се користи во прегледот на литературата како стратег за пребарување, а не како изворна база на податоци. Бидејќи вештачката интелигенција не ви наоѓа вистински статии; Создава рамни линии на написи со можен изглед, од кои некои се фабрикувани.
Во оваа единица, ќе научиме како да изведеме систематски план за пребарување од вашето прашање за истражување, да користиме вештачка интелигенција за да го збогатиме тој план и да го потврдиме секој извор што ќе го пронајдете според вистинските бази на податоци.
Скелет на литературен преглед
Доброто скенирање има три фази. Прво ги разложувате концептите: го разложувате вашето истражувачко прашање на неговите главни компоненти. На пример, во прашањето „Ефектот на повратната информација врз мотивацијата на учениците во образованието на далечина“, постојат три концепти: образование на далечина, повратна информација, мотивација. Потоа креирате група на термини за секој концепт: синоними, теренски жаргон, англиски еквиваленти (образование на далечина → образование на далечина, онлајн учење, е-учење, учење на далечина). Конечно, ги комбинирате овие термини со Буловите оператори.
Буловите оператори се логички сврзници кои им кажуваат на пребарувачите како да комбинираат термини. Постојат три основни оператори: И (резултати за појавување на двата поима - го стеснува опсегот), ИЛИ (кој било од поимите - го проширува опсегот, собира синоними) и НЕ (исклучува термин). Исто така, цитатите „...“ бараат целосни фрази, ѕвездичката * е контракција на коренот (мотив* → мотивација, мотивација). Низата за пребарување обично изгледа вака:
(„образование на далечина“ ИЛИ „онлајн учење“ ИЛИ е-учење) И (повратна информација ИЛИ „формативно оценување“) И (мотивација ИЛИ ангажирање ИЛИ „самоефикасност“)
Вештачката интелигенција е одлична во генерирање на овие низи, комплетирање синоними и нивно прилагодување на синтаксата на различни бази на податоци (Scopus, PubMed, Web of Science бараат различни правописи). Но, вештачката интелигенција не е местото каде што ја водите низата; вистински бази на податоци: Google Scholar (голем, бесплатен), Scopus и Web of Science (куриран, индексиран со цитати), PubMed (медицински/животни науки), теренски бази на податоци (ERIC образование, психологија PsycINFO, инженерство IEEE Xplore).
Внимание: Ако прашате алатка за разговор со вештачка интелигенција „наведете 20 статии на оваа тема“, таа ќе ви врати наслови што изгледаат реално, но некои од нив се измислени. Ова не е скрининг, туку опасност. Користете вештачка интелигенција за да генерирате низа, пронајдете ја статијата во базата на податоци.
Опсег, вклучување и анализа на јазот
Ги познава добрите граници за скенирање. Критериумите за вклучување/исклучување го одредуваат опсегот на вашето пребарување: кој годишен опсег, кои јазици, кои типови на студии (експериментални, прегледни), кој контекст. Вештачката интелигенција може да ги предложи овие критериуми во нацрт-форма, а вие да ги изострите според вашето поле. Ако правите систематски преглед, можете да го потсетите протокот на PRISMA (стандард за известување за систематски прегледи) до вештачката интелигенција и да ја дадете да произведе шаблон за дневник за индексирање.
Јазот во литературата е прашање или контекст што сè уште не е соодветно истражено; Вашиот оригинален придонес честопати пополнува празнина. Вештачката интелигенција ви помага да ги наведете можните празнини врз основа на резимеата што ги читате - но земете го како тврдење што треба да се потврди, а не како хипотеза. ВИ може да каже „Х не е проучен во оваа област“; Сепак, можеби е проучено, само што вештачката интелигенција не знае. Јазот го потврдувате само со вашето вистинско скенирање.
Метод на снежни топки и сива литература
Самото пребарување на клучни зборови не е доволно; Доброто скенирање се продлабочува со снежни топки. Снежни топки наназад, клучот што го наоѓате е да ја скенирате библиографијата на статијата и да ги пронајдете оние пред неа; Снегувањето напред е следење кој ја цитирал таа статија (линкот „Цитиран од“ во Google Scholar) и доаѓа до последователни студии. Овој метод ви овозможува да најдете студии кои се централни на теренот, но кои не можете да ги доловите со вашите клучни зборови. Кога обезбедувате библиографија на статија, вештачката интелигенција може да ви помогне да поставите приоритет кои референци се најблиску до вашето прашање; Но, повторно, на вас останува да ја пронајдете и прочитате статијата.
Дополнително, академските бази на податоци не покриваат сè. Сивата литература - дисертации, институционални извештаи, зборници од конференции, претпечатени материјали - е критична во некои области и ја неутрализира пристрасноста на објавувањето (тенденцијата да се објавуваат само позитивни резултати). Вештачката интелигенција може да предложи кои извори на сива литература (дисертации на ProQuest, институционални складишта, сервери за претходно печатење како што се arXiv/SSRN) треба да ги пребарувате; Честопати е императив во систематските прегледи да не се ограничува вашиот опсег само на статии во списанија.
три мини футроли
Случај 1 - Проширување на низата. Кога истражувач на образованието бараше „превртена училница“ на Scopus, таа доби 300 резултати, но почувствува дека и недостасуваат синоними. Тој имаше вештачка интелигенција произведе термин базен; Тој додаде еквиваленти како што се „превртена училница“ и „превртено учење“. Со новата низа резултатот се зголеми од 300 на 470; Во првичното пребарување беа пропуштени 40 релевантни написи. Вештачката интелигенција не ги пронајде статиите, туку ја конструираше низата што ги направи да се најдат.
Случај 2 - Враќање од составена листа. Еден дипломиран студент директно побара од вештачката интелигенција „топ 15 извори“ за скенирање и ја залепи листата во својата теза. Под контрола на консултантот, 4 цитати не можеа да се најдат во Web of Science, а 2 DOI беа неточни. Ученикот почна одново: овој пат ја зеде линијата од вештачката интелигенција, најде 60 вистински резултати во Scopus, го просејува насловот-апстракт и избра 18. Овие 18 беа сите реални.
Случај 3 - Појаснување на опсегот. Еден здравствен истражувач сфатил дека неговата потрага е толку широка што го преплавиле 2.000 резултати. Дали беа произведени нацрт критериуми за вклучување/исклучување на вештачката интелигенција: последните 10 години, англиски, примерок за возрасни, рандомизирани контролирани испитувања. Тој го додаде филтерот „само болничко опкружување“ со свои информации. Резултатот падна од 2.000 на 180; Формиран е кластер што може да се скенира.
Шаблони за копирање
1) Раздвојување на концепти и базен на термини:
Вашата улога: специјалист за информации (истражувачки библиотекар). Моето истражувачко прашање е: „[напиши го прашањето]“. Поделете го ова прашање на неговите главни концепти. Создадете група на термини од англиски синоними, теренски жаргон и алтернативни правописи за секој концепт. Дајте го во табела. Статијата е ЛАЖНА.
2) Генерирање на низа за пребарување Булова:
Конструирај булова низа за пребарување за Scopus користејќи го следниот поим базен: ИЛИ термини во концепти, И помеѓу концепти, цитирај фрази, користете * каде што е соодветно. Прилагодете ја истата низа на синтаксата на Web of Science и PubMed. Базен: [паста]
3) Нацрт критериуми за вклучување/исклучување:
Правам преглед на литература на „[тема]“. Предложете ми нацрт на критериуми за вклучување/исклучување: под насловите опсег на години, јазик, тип на студија, примерок, контекст. Ова се предлози; Ќе ги сменам според мојата област. Напишете ги накратко причините.
4) Барање кандидати за слободни работни места (да се проверат):
Подолу се дадени резимеа на 10-те статии што ги скенирав. Нацртајте ги нивните заеднички теми и предложете ги празнините КАНДИДАТИ КОИ ПРАШАЊА СЕ ПОМАЛКУ ОДРЕДЕНИ. Претстави ги како хипотези што јас ќе ги проверам, а не апсолутна вистина. Резиме: [залепи]
Слаб промпт / Силен промпт
Слаба навестување:
Дајте ми листа на ресурси за вештачка интелигенција и образование.
ВИ создава лажни лични карти; Темата е исто така премногу широка.
Моќен потсетник:
Вашата улога: специјалист за информации. Предмет: „Ефектот на гејмификацијата врз математичката анксиозност во основно училиште“. НЕ МИ ДАВАЈ ЛИСТА НА ИЗВОРИ. Наместо тоа: (1) анализирајте ги 3-те концепти, (2) генерирате складиште на англиски синоними за секој концепт, (3) Булова низа за Scopus, (4) нацрт применливи критериуми за вклучување/исклучување. Насловот на статијата е лажен.
Цел
користете вештачка интелигенција
локација за верификација
Проширување на терминскиот базен
Да, силно
Преглед со знаење домен
Булова конструкција на жици
Да, силно
Тест во базата на податоци
Опсег / преглед на критериуми
Да
Изострете по површина
Најдете статија
бр
Scholar/Scopus/WoS/PubMed
Обврска за расчистување
делумно
Вистинското скенирање е задолжително
Вообичаени грешки
- Грешка вештачката интелигенција за база на податоци. Барањето цитирање на статија произведува лажни цитати; Ова е најчеста и најопасна грешка.
- Прескокнување на синоними. Пребарувањето на еден термин пропушта голем дел од литературата.
- Оставајќи го опсегот нејасен. Без филтри за година, јазик и жанр, ќе бидете преоптоварени со илјадници резултати.
- Потврдување на празнината без да се потврди. Да се каже „никој не учел“ без вистински скрининг е ризично.
- Потпирајќи се на единствена база на податоци. Различни индекси покриваат различно; користете неколку заедно.
Совет: за да го направите вашето пребарување повторливо, запишете ја низата што сте ја користеле, базата на податоци, датумот и бројот на резултати во табела. Ова списание е задолжително во систематски преглед; Тоа е добра навика во секое истражување.
Сумирано
Прегледот на литературата е систематска задача: концепт дестилација, термин базен, Булова низа, критериум за покривање. ВИ е моќен асистент во овие стратешки чекори; произведува синоними, конструира жици, оцртува критериуми. Но, наоѓате статии од вистински бази на податоци, а не од вештачка интелигенција, и ја потврдувате секоја линија. Кратко правило: стратегија од вештачка интелигенција, извор од базата на податоци, валидација од вас.
Задача за апликација
Добијте сопствено истражувачко прашање. Анализирајте ги концептите со вештачка интелигенција и продуцирајте бензин на термини и булова низа. Извршете ја оваа низа против вистинска база на податоци (Scholar или индекс до кој имате пристап). Забележете ги првите 10 резултати и споредете ги со споредните линии (доколку ги има) што вештачката интелигенција претходно ги предложи кога директно се прашаа; Означете колку всушност постојат.
листа за проверка
- [ ] Дали го разложив моето истражувачко прашање на концепти?
- [ ] Дали создадов синоним/англиски термин базен за секој концепт?
- [ ] Дали ја тестирав буловата низа на вистинската база на податоци?
- [ ] Дали ги разјаснив моите критериуми за вклучување/исклучување?
- [ ] Дали потврдив дека секој ресурс што го најдов навистина постои?