Gevinster:
- Evne til å planlegge skanningsomfanget med støtte for kunstig intelligens ved å generere nøkkelord, synonymer og boolske søkestrenger fra forskningsspørsmålet
- Plassering av kunstig intelligens som et strategigenereringsverktøy, ikke et kildesøkingsverktøy, og være i stand til å verifisere hver kilde som finnes i ekte databaser (Google Scholar, Scopus, Web of Science, PubMed).
- Evne til å forstå risikoen ved at kunstig intelligens gir oppdiktede kilder og falsk statistikk og tilegne seg refleksen til å verifisere hver sitering når man skal fastslå et gap i litteraturen.
Hver forskning begynner med en litteraturgjennomgang: du kan ikke gi et originalt bidrag uten å se hva som er gjort før om emnet ditt, hvilke spørsmål som har blitt besvart, og hvor det er hull. Men litteraturen er enorm; Millioner av artikler publiseres årlig. Det er her AI er en stor akselerator - men med en veldig distinkt grenselinje. Den viktigste setningen i denne enheten er denne: AI brukes i litteraturgjennomgang som en søkestrateg, ikke som en kildedatabase. Fordi AI ikke finner deg ekte artikler; Den produserer mulig-utseende artikkelbylines, hvorav noen er fabrikkerte.
I denne enheten lærer vi hvordan du kan utlede en systematisk søkeplan fra forskningsspørsmålet ditt, bruke AI for å berike planen og validere hver kilde du finner mot ekte databaser.
Skjelett av litteraturgjennomgangen
En god skanning har tre stadier. Først bryter du ned konseptene: du bryter ned forskningsspørsmålet ditt i hovedkomponentene. For eksempel i spørsmålet «Effekten av tilbakemelding på studentmotivasjon i fjernundervisning» er det tre begreper: fjernundervisning, tilbakemelding, motivasjon. Deretter lager du en terminpool for hvert konsept: synonymer, feltsjargong, engelske ekvivalenter (fjernundervisning → fjernundervisning, nettbasert læring, e-læring, fjernundervisning). Til slutt kombinerer du disse termene med boolske operatorer.
Boolske operatorer er logiske konjunksjoner som forteller søkemotorer hvordan de skal kombinere termer. Det er tre grunnleggende operatorer: AND (resulterer i forekomst av begge begrepene - begrenser omfanget), OR (hvilken som helst av begrepene - utvider omfanget, samler inn synonymer) og NOT (ekskluderer et begrep). Også sitater "..." ser etter fullstendige fraser, stjerne * er rotsammentrekningen (motivat* → motivasjon, motiverende). En søkestreng ser vanligvis slik ut:
("fjernundervisning" ELLER "nettbasert læring" ELLER e-læring) OG (tilbakemelding ELLER "formativ vurdering") OG (motivasjon ELLER engasjement ELLER "selveffektivitet")
AI er utmerket til å generere disse strengene, fullføre synonymer og tilpasse dem til syntaksen til forskjellige databaser (Scopus, PubMed, Web of Science krever forskjellige stavemåter). Men AI er ikke der du kjører strengen; ekte databaser: Google Scholar (store, gratis), Scopus og Web of Science (kuratert, siteringsindeksert), PubMed (medisinsk/life sciences), feltdatabaser (ERIC utdanning, PsycINFO psykologi, IEEE Xplore engineering).
Oppmerksomhet: Hvis du spør et AI-chatteverktøy "liste opp 20 artikler om dette emnet", vil det returnere titler som ser ekte ut, men noen av dem er oppdiktet. Dette er ikke screening, men fare. Bruk AI til å generere streng, finn artikkelen i databasen.
Omfang, inkludering og gapanalyse
Kjenner gode skannegrenser. Inkluderings-/ekskluderingskriterier bestemmer omfanget av søket ditt: hvilket årsområde, hvilke språk, hvilke studietyper (eksperimentell, gjennomgang), hvilken kontekst. AI kan foreslå disse kriteriene i utkastform, og du kan skjerpe dem i henhold til ditt felt. Hvis du gjør en systematisk gjennomgang, kan du minne PRISMA-strømmen (rapporteringsstandard for systematiske vurderinger) til AI og få den til å produsere en gjennomgangsloggmal.
Et litteraturgap er et spørsmål eller kontekst som ennå ikke er tilstrekkelig utforsket; Ditt opprinnelige bidrag fyller ofte et tomrom. AI hjelper deg å navngi mulige hull basert på sammendragene du leser - men ta det som en påstand som skal verifiseres, ikke en hypotese. AI kan si "X har ikke blitt studert i dette området"; Imidlertid kan det ha blitt studert, det er bare det at AI ikke vet. Du bekrefter kun gapet med den faktiske skanningen.
Snøballmetode og grå litteratur
Nøkkelordsøk alene er ikke nok; En god skanning blir dypere med snøballing. Snøball bakover, nøkkelen du finner er å skanne bibliografien til en artikkel og finne de før den; Snøball fremover er å spore hvem som siterte den artikkelen («Sitert av»-lenke i Google Scholar) og komme frem til påfølgende studier. Denne metoden lar deg finne studier som er sentrale i feltet, men som du ikke kan fange med søkeordene dine. Når du gir en bibliografi over en artikkel, kan AI hjelpe deg med å prioritere hvilke referanser som er nærmest spørsmålet ditt; Men igjen, det er opp til deg å finne og lese artikkelen.
I tillegg dekker ikke akademiske databaser alt. Grå litteratur - avhandlinger, institusjonelle rapporter, konferansehandlinger, preprints - er kritisk på noen felt og oppveier publikasjonsskjevhet (tendensen til kun å publisere positive resultater). AI kan foreslå hvilke grå litteraturkilder (ProQuest-avhandlinger, institusjonelle arkiver, preprint-servere som arXiv/SSRN) du bør søke i; Det er ofte viktig i systematiske oversikter å ikke begrense omfanget til kun tidsskriftartikler.
tre minisaker
Tilfelle 1 — Strengeutvidelse. Da en utdanningsforsker søkte etter «flipped classroom» på Scopus, fikk hun 300 resultater, men følte at hun manglet synonymer. Han fikk AI til å produsere en termpool; Han la til ekvivalenter som "omvendt klasserom" og "flipped learning". Med den nye strengen økte resultatet fra 300 til 470; 40 relevante artikler ble savnet i det første søket. AI fant ikke artiklene, men konstruerte strengen som gjorde at de kunne finnes.
Tilfelle 2 — Retur fra oppsatt liste. En doktorgradsstudent spurte AI direkte om de "topp 15 kildene" for skanning og limte listen inn i oppgaven sin. Under konsulentens kontroll kunne 4 sitater ikke bli funnet i Web of Science, og 2 DOI-er var feil. Eleven startet på nytt: denne gangen tok han linjen fra AI, fant 60 reelle resultater i Scopus, så gjennom tittel-abstrakten og valgte 18. Disse 18 var alle ekte.
Sak 3 — Avklaring av omfang. En helseforsker innså at søket hans var så bredt at han ble overveldet av 2000 resultater. Fikk utarbeidet utkast til AI-inkluderings-/eksklusjonskriterier: siste 10 år, engelsk, voksenprøve, randomiserte kontrollerte studier. Han la til filteret «bare sykehusmiljø» med sin egen informasjon. Resultatet falt fra 2000 til 180; En skannbar klynge ble dannet.
Kopierbare maler
1) Konseptseparasjon og termpool:
Din rolle: en informasjonsspesialist (forskningsbibliotekar). Forskningsspørsmålet mitt er: "[skriv spørsmålet]". Bryt dette spørsmålet ned i hovedkonseptene. Generer en termpool med engelske synonymer, feltsjargong og alternative stavemåter for hvert konsept. Gi det i en tabell. Artikkelen er FAKE.
2) Generering av boolske søkestrenger:
Konstruer en boolsk søkestreng for Scopus ved å bruke følgende termpool: ELLER termer innenfor konsepter, OG mellom konsepter, sitatfraser, bruk * der det er aktuelt. Tilpass den samme strengen til Web of Science og PubMed-syntaks. Basseng: [lim inn]
3) Utkast til inkluderings-/ekskluderingskriterier:
Jeg gjør en litteraturgjennomgang om "[emne]". Foreslå meg et utkast til inklusjons-/ekskluderingskriterier: under overskriftene årsområde, språk, studietype, utvalg, kontekst. Dette er forslag; Jeg vil endre dem i henhold til mitt felt. Skriv kort begrunnelsen.
4) Spørre ledige stillingskandidater (skal verifiseres):
Nedenfor er sammendrag av de 10 artiklene jeg skannet. Tegn ut deres vanlige temaer og foreslå gapskandidater om HVILKE SPØRSMÅL ER MINDRE RETTERT. Presenter disse som hypoteser som jeg vil bekrefte, ikke absolutt sannhet. Sammendrag: [lim inn]
Svak forespørsel / Sterk forespørsel
Svak melding:
Gi meg en liste over ressurser om kunstig intelligens og utdanning.
AI lager falske IDer; Temaet er også for bredt.
Kraftig ledetekst:
Din rolle: informasjonsspesialist. Emne: "Effekten av gamification på matematikkangst i grunnskolen". IKKE GI MEG EN LISTE OVER KILDER. I stedet: (1) analyser de 3 konseptene, (2) generer et arkiv med engelske synonymer for hvert konsept, (3) boolsk streng for Scopus, (4) utkast til gjeldende inkluderings-/ekskluderingskriterier. Artikkeltittelen er falsk.
Formål
bruk AI
bekreftelsessted
Term pool utvidelse
Ja, sterk
Gjennomgå med domenekunnskap
Boolsk strengkonstruksjon
Ja, sterk
Test i database
Omfang/kriterieoversikt
Ja
Skjerp etter område
Finn en artikkel
nei
Scholar/Scopus/WoS/PubMed
Klareringsforpliktelse
delvis
Ekte skanning er et must
Vanlige feil
- Tar feil av AI for en database. Å be om en artikkelsitering produserer falske sitater; Dette er den vanligste og farligste feilen.
- Hopp over synonymer. Et enkelt begrepssøk savner mye av litteraturen.
- La omfanget være uklart. Uten år-, språk- og sjangerfiltre vil du bli overveldet med tusenvis av resultater.
- Å hevde tomhet uten å bekrefte det. Å si "ingen studerte" uten faktisk screening er risikabelt.
- Stoler på en enkelt database. Ulike indekser dekker forskjellig; bruke flere sammen.
Tips: For å gjøre søket ditt reproduserbart, registrer strengen du brukte, database, dato og antall resultater i en tabell. Dette tidsskriftet er obligatorisk i systematisk gjennomgang; Det er en god vane i all forskning.
Oppsummert
Litteraturgjennomgang er en systematisk oppgave: konseptdestillasjon, termpool, boolsk streng, dekningskriterium. AI er en kraftig assistent i disse strategiske trinnene; produserer synonymer, konstruerer strenger, skisserer kriterier. Men du finner artikler fra ekte databaser, ikke fra AI, og verifiserer hver sidelinje. Kort tommelfingerregel: strategi fra AI, kilde fra database, validering fra deg.
Søknadsoppgave
Få ditt eget forskningsspørsmål. Analyser konsepter med AI og lag en termpool og en boolsk streng. Kjør denne strengen mot en ekte database (Scholar eller en indeks du har tilgang til). Legg merke til de 10 beste resultatene og sammenlign dem med bylines (hvis noen) som AI har tidligere foreslått når du blir spurt direkte; Merk hvor mange som faktisk finnes.
sjekkliste
- [ ] Har jeg brutt ned forskningsspørsmålet mitt i begreper?
- [ ] Har jeg opprettet en synonym/engelsk termpool for hvert konsept?
- [ ] Har jeg testet den boolske strengen på den virkelige databasen?
- [ ] Har jeg avklart mine inkluderings-/ekskluderingskriterier?
- [ ] Har jeg bekreftet at hver ressurs jeg fant faktisk eksisterer?