Keuntungan:
- Keupayaan untuk merancang skop pengimbasan dengan sokongan kecerdasan buatan dengan menjana kata kunci, sinonim dan rentetan carian Boolean daripada soalan penyelidikan
- Meletakkan kecerdasan buatan sebagai alat penjanaan strategi, bukan alat mencari sumber dan dapat mengesahkan setiap sumber yang ditemui dalam pangkalan data sebenar (Google Scholar, Scopus, Web of Science, PubMed).
- Keupayaan untuk memahami risiko kecerdasan buatan yang menyediakan sumber rekaan dan statistik palsu dan memperoleh refleks untuk mengesahkan setiap petikan apabila menentukan jurang dalam kesusasteraan.
Setiap penyelidikan bermula dengan tinjauan literatur: anda tidak boleh membuat sumbangan asal tanpa melihat perkara yang telah dilakukan sebelum ini mengenai topik anda, apakah soalan yang telah dijawab, dan di mana terdapat jurang. Tetapi kesusasteraan adalah besar; Berjuta-juta artikel diterbitkan setiap tahun. Di sinilah AI adalah pemecut yang hebat — tetapi dengan garis persempadanan yang sangat berbeza. Ayat yang paling penting bagi unit ini ialah: AI digunakan dalam kajian literatur sebagai ahli strategi carian, bukan sebagai pangkalan data sumber. Kerana AI tidak menemui anda artikel sebenar; Ia menghasilkan garis kecil artikel yang kelihatan mungkin, beberapa daripadanya adalah rekaan.
Dalam unit ini, kami akan belajar cara mendapatkan pelan carian sistematik daripada soalan penyelidikan anda, menggunakan AI untuk memperkayakan rancangan itu dan mengesahkan setiap sumber yang anda temui terhadap pangkalan data sebenar.
Rangka kajian literatur
Imbasan yang baik mempunyai tiga peringkat. Mula-mula anda memecahkan konsep: anda memecahkan soalan penyelidikan anda kepada komponen utamanya. Sebagai contoh, dalam soalan "Kesan maklum balas terhadap motivasi pelajar dalam pendidikan jarak jauh", terdapat tiga konsep: pendidikan jarak jauh, maklum balas, motivasi. Kemudian anda mencipta kumpulan istilah untuk setiap konsep: sinonim, jargon medan, bahasa Inggeris yang setara (pendidikan jarak jauh → pendidikan jarak jauh, pembelajaran dalam talian, e-pembelajaran, pembelajaran jarak jauh). Akhir sekali, anda menggabungkan istilah ini dengan pengendali Boolean.
Operator Boolean ialah kata hubung logik yang memberitahu enjin carian cara menggabungkan istilah. Terdapat tiga pengendali asas: DAN (hasil berlakunya kedua-dua istilah — mengecilkan skop), ATAU (mana-mana istilah — mengembangkan skop, mengumpulkan sinonim) dan TIDAK (tidak termasuk istilah). Juga petikan "..." cari frasa lengkap, asterisk * ialah penguncupan akar (motivat* → motivation, motivational). Rentetan carian biasanya kelihatan seperti ini:
("pendidikan jarak jauh" ATAU "pembelajaran dalam talian" ATAU e-pembelajaran)DAN (maklum balas ATAU "penilaian formatif") DAN (motivasi ATAU penglibatan ATAU "kemampuan diri")
AI sangat baik dalam menjana rentetan ini, melengkapkan sinonim dan menyesuaikannya kepada sintaks pangkalan data yang berbeza (Scopus, PubMed, Web of Science memerlukan ejaan yang berbeza). Tetapi AI bukanlah tempat anda menjalankan rentetan; pangkalan data sebenar: Google Scholar (besar, percuma), Scopus dan Web of Science (disusun, diindeks petikan), PubMed (sains perubatan/kehidupan), pangkalan data lapangan (pendidikan ERIC, psikologi PsycINFO, kejuruteraan IEEE Xplore).
Perhatian: Jika anda meminta alat sembang AI "senarai 20 artikel tentang topik ini", ia akan mengembalikan tajuk yang kelihatan nyata, tetapi sebahagian daripadanya dibuat-buat. Ini bukan saringan tetapi bahaya. Gunakan AI untuk menjana rentetan, cari artikel dalam pangkalan data.
Skop, kemasukan dan analisis jurang
Mengetahui had pengimbasan yang baik. Kriteria kemasukan/pengecualian menentukan skop carian anda: julat tahun mana, bahasa mana, jenis kajian (percubaan, ulasan), konteks mana. AI boleh mencadangkan kriteria ini dalam bentuk draf, dan anda boleh menajamkannya mengikut bidang anda. Jika anda melakukan semakan sistematik, anda boleh mengingatkan aliran PRISMA (standard pelaporan untuk ulasan sistematik) kepada AI dan minta ia menghasilkan templat log rangkak.
Jurang literatur ialah persoalan atau konteks yang belum diterokai dengan secukupnya; Sumbangan asal anda sering mengisi jurang. AI membantu anda menamakan kemungkinan jurang berdasarkan ringkasan yang anda baca — tetapi anggap ia sebagai penegasan untuk disahkan, bukan hipotesis. AI mungkin berkata "X belum dipelajari dalam bidang ini"; Walau bagaimanapun, ia mungkin telah dikaji, cuma AI tidak tahu. Anda hanya mengesahkan jurang dengan imbasan sebenar anda.
Kaedah bola salji dan kesusasteraan kelabu
Carian kata kunci sahaja tidak mencukupi; Imbasan yang baik semakin mendalam dengan bola salji. Memundurkan salji ke belakang, kunci yang anda temui ialah mengimbas bibliografi artikel dan mencari yang sebelum itu; Bola salji ke hadapan menjejaki siapa yang memetik artikel tersebut ("Dipetik oleh" pautan dalam Google Scholar) dan tiba di kajian seterusnya. Kaedah ini membolehkan anda mencari kajian yang penting kepada bidang tersebut tetapi anda tidak dapat menangkap dengan kata kunci anda. Apabila anda menyediakan bibliografi artikel, AI boleh membantu anda mengutamakan rujukan mana yang paling hampir dengan soalan anda; Tetapi sekali lagi, terpulang kepada anda untuk mencari dan membaca artikel tersebut.
Selain itu, pangkalan data akademik tidak meliputi segala-galanya. Kesusasteraan kelabu — disertasi, laporan institusi, prosiding persidangan, pracetak — adalah kritikal dalam sesetengah bidang dan mengimbangi bias penerbitan (kecenderungan untuk menerbitkan hasil positif sahaja). AI boleh mencadangkan sumber literatur kelabu (disertasi ProQuest, repositori institusi, pelayan pracetak seperti arXiv/SSRN) yang perlu anda cari; Selalunya penting dalam semakan sistematik untuk tidak mengehadkan skop anda kepada artikel jurnal sahaja.
tiga kes mini
Kes 1 — Pengembangan rentetan. Apabila seorang penyelidik pendidikan mencari "bilik darjah terbalik" di Scopus, dia mendapat 300 keputusan, tetapi merasakan dia kehilangan sinonim. Dia mempunyai AI menghasilkan kumpulan istilah; Beliau menambah persamaan seperti "bilik darjah terbalik" dan "pembelajaran terbalik". Dengan rentetan baharu, hasilnya meningkat daripada 300 kepada 470; 40 artikel berkaitan telah terlepas dalam carian awal. AI tidak menjumpai artikel, tetapi membina rentetan yang menjadikannya mudah dicari.
Kes 2 — Kembali daripada senarai yang dibuat. Seorang pelajar siswazah meminta AI secara langsung untuk "15 sumber teratas" untuk mengimbas dan menampal senarai itu ke dalam tesisnya. Di bawah kawalan perunding, 4 petikan tidak dapat ditemui dalam Web of Science dan 2 DOI adalah salah. Pelajar itu memulakan semula: kali ini dia mengambil baris daripada AI, menemui 60 keputusan sebenar dalam Scopus, menapis tajuk-abstrak dan memilih 18. 18 ini semuanya nyata.
Kes 3 — Penjelasan skop. Seorang penyelidik kesihatan menyedari bahawa pencariannya sangat luas sehingga dia terharu dengan 2,000 keputusan. Mempunyai draf kriteria kemasukan/pengecualian AI yang dihasilkan: 10 tahun lepas, Bahasa Inggeris, sampel dewasa, percubaan terkawal rawak. Dia menambah penapis "persekitaran hospital sahaja" dengan maklumatnya sendiri. Keputusan jatuh daripada 2,000 kepada 180; Kelompok boleh imbasan telah terbentuk.
Templat yang boleh disalin
1) Pemisahan konsep dan kumpulan istilah:
Peranan anda: pakar maklumat (pustakawan penyelidikan). Soalan kajian saya ialah:"[tulis soalan]". Pecahkan soalan ini kepada konsep utamanya. Hasilkan kumpulan istilah sinonim bahasa Inggeris, jargon medan dan ejaan alternatif untuk setiap konsep. Berikan dalam jadual. Artikel tersebut adalah PALSU.
2) Penjanaan rentetan carian Boolean:
Bina rentetan carian Boolean untuk Scopus menggunakan kumpulan istilah berikut: ATAU istilah dalam konsep, DAN antara konsep, petikan frasa, gunakan * jika sesuai. Sesuaikan rentetan yang sama kepada sintaks Web of Science dan PubMed. Kolam: [tampal]
3) Draf kriteria kemasukan/pengecualian:
Saya sedang membuat tinjauan literatur tentang "[topik]". Cadangkan saya draf kriteria kemasukan/pengecualian: di bawah tajuk julat tahun, bahasa, jenis kajian, sampel, konteks. Ini adalah cadangan; Saya akan mengubahnya mengikut bidang saya. Tulis alasannya secara ringkas.
4) Menyoal calon kekosongan (untuk disahkan):
Di bawah adalah ringkasan 10 artikel yang saya imbas. Lukiskan tema bersama mereka dan cadangkan jurang CALON tentang SOALAN MANA YANG KURANG DIATASKAN. Kemukakan ini sebagai hipotesis yang akan saya sahkan, bukan kebenaran mutlak. Ringkasan: [tampal]
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Beri saya senarai sumber tentang kecerdasan buatan dan pendidikan.
AI mencipta ID palsu; Subjek juga terlalu luas.
Gesaan kuat:
Peranan anda: pakar maklumat. Subjek: "Kesan gamifikasi terhadap kebimbangan matematik di sekolah rendah". JANGAN BERI SAYA SENARAI SUMBER. Sebaliknya:(1) menghuraikan 3 konsep, (2) menjana repositori sinonim bahasa Inggeris untuk setiap konsep, (3) Rentetan Boolean untuk Scopus, (4) draf kriteria kemasukan/pengecualian yang berkenaan. Tajuk artikel adalah palsu.
Tujuan
gunakan AI
lokasi pengesahan
Perluasan kolam jangka
Ya, kuat
Semak dengan pengetahuan domain
Pembinaan rentetan Boolean
Ya, kuat
Uji dalam pangkalan data
Garis besar skop/kriteria
ya
Tajam mengikut kawasan
Cari artikel
tidak
Scholar/Scopus/WoS/PubMed
Komit pembersihan
sebahagiannya
Pengimbasan sebenar adalah satu kemestian
Kesilapan biasa
- Tersilap AI sebagai pangkalan data. Meminta petikan artikel menghasilkan petikan palsu; Ini adalah kesilapan yang paling biasa dan berbahaya.
- Melangkau sinonim. Carian istilah tunggal merindui banyak literatur.
- Meninggalkan skop tidak jelas. Tanpa penapisan tahun, bahasa dan genre, anda akan terharu dengan beribu-ribu hasil.
- Menegaskan kekosongan tanpa mengesahkannya. Mengatakan "tiada sesiapa yang belajar" tanpa pemeriksaan sebenar adalah berisiko.
- Bergantung pada satu pangkalan data. Indeks yang berbeza meliputi secara berbeza; gunakan beberapa bersama-sama.
Petua: Untuk menjadikan carian anda boleh dihasilkan semula, rekod rentetan yang anda gunakan, pangkalan data, tarikh dan bilangan hasil dalam jadual. Jurnal ini adalah wajib dalam semakan sistematik; Ia adalah tabiat yang baik dalam setiap penyelidikan.
Secara ringkasnya
Kajian literatur ialah tugas yang sistematik: penyulingan konsep, kumpulan istilah, rentetan Boolean, kriteria liputan. AI ialah pembantu yang berkuasa dalam langkah strategik ini; menghasilkan sinonim, membina rentetan, menggariskan kriteria. Tetapi anda menemui artikel daripada pangkalan data sebenar, bukan daripada AI, dan mengesahkan setiap baris kecil. Peraturan ringkas: strategi daripada AI, sumber daripada pangkalan data, pengesahan daripada anda.
Tugasan permohonan
Dapatkan soalan kajian anda sendiri. Menghuraikan konsep dengan AI dan menghasilkan kumpulan istilah dan rentetan Boolean. Jalankan rentetan ini terhadap pangkalan data sebenar (Scholar atau indeks yang anda ada akses). Perhatikan 10 keputusan teratas dan bandingkan dengan garis kecil (jika ada) yang sebelumnya telah dicadangkan oleh AI apabila ditanya secara langsung; Tandakan berapa banyak sebenarnya yang wujud.
senarai semak
- [ ] Adakah saya telah membahagikan soalan kajian saya kepada konsep?
- [ ] Adakah saya telah mencipta kumpulan istilah sinonim/Inggeris untuk setiap konsep?
- [ ] Adakah saya telah menguji rentetan boolean pada pangkalan data sebenar?
- [ ] Adakah saya telah menjelaskan kriteria kemasukan/pengecualian saya?
- [ ] Adakah saya telah mengesahkan bahawa setiap sumber yang saya temui sebenarnya wujud?