Zyski:
- Możliwość planowania zakresu skanowania przy wsparciu sztucznej inteligencji poprzez generowanie słów kluczowych, synonimów i logicznych ciągów wyszukiwania z pytania badawczego
- Pozycjonowanie sztucznej inteligencji jako narzędzia do generowania strategii, a nie narzędzia do wyszukiwania źródeł i możliwość weryfikacji każdego źródła znalezionego w rzeczywistych bazach danych (Google Scholar, Scopus, Web of Science, PubMed).
- Umiejętność zrozumienia ryzyka, jakie niesie ze sobą dostarczanie przez sztuczną inteligencję sfabrykowanych źródeł i fałszywych statystyk oraz wyrobienie w sobie odruchu weryfikacji każdego cytatu przy wykrywaniu luki w literaturze.
Każde badanie rozpoczyna się od przeglądu literatury: nie można wnieść oryginalnego wkładu, nie sprawdzając, co już zrobiono na dany temat, na jakie pytania udzielono odpowiedzi i gdzie są luki. Ale literatura jest ogromna; Co roku publikuje się miliony artykułów. W tym przypadku sztuczna inteligencja jest świetnym akceleratorem – ale z bardzo wyraźną linią demarkacyjną. Najważniejsze zdanie tej jednostki brzmi: AI jest wykorzystywana w przeglądzie literatury jako strateg wyszukiwania, a nie jako źródłowa baza danych. Ponieważ sztuczna inteligencja nie znajduje prawdziwych artykułów; Tworzy potencjalnie wyglądające nagłówki artykułów, z których część jest sfabrykowana.
W tej części dowiemy się, jak wyprowadzić plan systematycznego wyszukiwania na podstawie pytania badawczego, wykorzystać sztuczną inteligencję do wzbogacenia tego planu i zweryfikować każde znalezione źródło w rzeczywistych bazach danych.
Szkielet przeglądu literatury
Dobry skan ma trzy etapy. Najpierw rozkładasz pojęcia: rozkładasz pytanie badawcze na główne elementy. Przykładowo w pytaniu „Wpływ informacji zwrotnej na motywację uczniów w kształceniu na odległość” pojawiają się trzy pojęcia: kształcenie na odległość, informacja zwrotna, motywacja. Następnie dla każdego pojęcia tworzysz pulę terminów: synonimy, żargon terenowy, angielskie odpowiedniki (edukacja na odległość → edukacja na odległość, nauka online, e-learning, nauka na odległość). Na koniec łączysz te terminy z operatorami boolowskimi.
Operatory logiczne to spójniki logiczne, które informują wyszukiwarki, jak łączyć terminy. Istnieją trzy podstawowe operatory: AND (powoduje wystąpienie obu terminów – zawęża zakres), OR (dowolny z terminów – rozszerza zakres, zbiera synonimy) oraz NOT (wyklucza termin). Cytuje również „...” szukaj pełnych wyrażeń, gwiazdka * to skrót rdzenia (motyw* → motywacja, motywacja). Wyszukiwany ciąg zwykle wygląda następująco:
(„kształcenie na odległość” LUB „nauka online” LUB e-learning) ORAZ (informacja zwrotna LUB „ocena kształtująca”) ORAZ (motywacja LUB zaangażowanie LUB „poczucie własnej skuteczności”)
AI doskonale radzi sobie z generowaniem tych ciągów, uzupełnianiem synonimów i dostosowywaniem ich do składni różnych baz danych (Scopus, PubMed, Web of Science wymagają innej pisowni). Ale sztuczna inteligencja nie jest miejscem, w którym uruchamiasz ciąg znaków; prawdziwe bazy danych: Google Scholar (duże, bezpłatne), Scopus i Web of Science (wyselekcjonowane, indeksowane cytowania), PubMed (medycyna/nauki przyrodnicze), terenowe bazy danych (edukacja ERIC, psychologia PsycINFO, inżynieria IEEE Xplore).
Uwaga: jeśli poprosisz narzędzie czatu AI o „wylistowanie 20 artykułów na ten temat”, zwróci tytuły, które wyglądają na prawdziwe, ale niektóre z nich są wymyślone. To nie jest kontrola, ale zagrożenie. Użyj AI do wygenerowania ciągu znaków, znajdź artykuł w bazie danych.
Analiza zakresu, włączenia i luk
Zna dobre granice skanowania. Kryteria włączenia/wyłączenia określają zakres wyszukiwania: który zakres lat, jakie języki, jakie rodzaje badań (eksperymentalne, przeglądowe), jaki kontekst. Sztuczna inteligencja może zasugerować te kryteria w formie roboczej, a Ty możesz je zaostrzyć w zależności od swojej dziedziny. Jeśli przeprowadzasz przegląd systematyczny, możesz przypomnieć AI o przepływie PRISMA (standard raportowania dla przeglądów systematycznych) i poprosić o utworzenie szablonu dziennika indeksowania.
Luka w literaturze to kwestia lub kontekst, który nie został jeszcze odpowiednio zbadany; Twój oryginalny wkład często wypełnia lukę. Sztuczna inteligencja pomaga wskazać możliwe luki na podstawie przeczytanych podsumowań – ale należy to traktować jako stwierdzenie do sprawdzenia, a nie hipotezę. AI może powiedzieć „X nie był badany w tej dziedzinie”; Być może jednak zostało to zbadane, po prostu sztuczna inteligencja nie wie. Lukę potwierdzasz jedynie rzeczywistym skanowaniem.
Metoda kuli śnieżnej i szara literatura
Samo wyszukiwanie słów kluczowych nie wystarczy; Dobry skan pogłębia się wraz z kulą śnieżną. Idąc wstecz, kluczem do znalezienia jest przeskanowanie bibliografii artykułu i znalezienie poprzedzających go; Późnym krokiem jest śledzenie, kto zacytował ten artykuł (link „Cytowany przez” w Google Scholar) i dotarcie do kolejnych badań. Ta metoda pozwala znaleźć badania, które są kluczowe dla danej dziedziny, ale których nie można ująć za pomocą słów kluczowych. Gdy podasz bibliografię artykułu, sztuczna inteligencja może pomóc Ci ustalić priorytety, które odniesienia są najbliżej Twojego pytania; Ale znowu Twoim zadaniem jest znalezienie i przeczytanie artykułu.
Ponadto akademickie bazy danych nie obejmują wszystkiego. Szara literatura – rozprawy, raporty instytucjonalne, materiały konferencyjne, preprinty – ma kluczowe znaczenie w niektórych dziedzinach i równoważy stronniczość publikacyjną (tendencję do publikowania wyłącznie pozytywnych wyników). Sztuczna inteligencja może zasugerować, które źródła szarej literatury (rozprawy ProQuest, repozytoria instytucjonalne, serwery preprintów, takie jak arXiv/SSRN) należy przeszukać; W przypadku przeglądów systematycznych często konieczne jest, aby nie ograniczać zakresu jedynie do artykułów z czasopism.
trzy mini etui
Przypadek 1 — rozwinięcie ciągu. Kiedy badaczka zajmująca się edukacją szukała w serwisie Scopus hasła „odwrócona klasa”, otrzymała 300 wyników, ale czuła, że brakuje jej synonimów. Polecił AI stworzyć pulę terminów; Dodał odpowiedniki, takie jak „odwrócona klasa” i „odwrócone nauczanie”. Dzięki nowemu ciągowi wynik wzrósł z 300 do 470; W początkowym wyszukiwaniu pominięto 40 odpowiednich artykułów. Sztuczna inteligencja nie znalazła artykułów, ale skonstruowała ciąg znaków, który umożliwił ich znalezienie.
Przypadek 2 – Powrót z sporządzonej listy. Jeden z absolwentów poprosił sztuczną inteligencję bezpośrednio o „15 najlepszych źródeł” do przeskanowania i wkleił tę listę do swojej pracy magisterskiej. Pod kontrolą konsultanta w Web of Science nie udało się znaleźć 4 cytatów, a 2 DOI były nieprawidłowe. Uczeń zaczął od nowa: tym razem wziął linię z AI, znalazł 60 rzeczywistych wyników w Scopusie, przejrzał streszczenie tytułu i wybrał 18. Wszystkie 18 były prawdziwe.
Przypadek 3 – Wyjaśnienie zakresu. Pewien badacz zajmujący się zdrowiem zdał sobie sprawę, że jego poszukiwania były tak szerokie, że przytłoczyło go 2000 wyników. Czy sporządzono projekt kryteriów włączenia/wyłączenia sztucznej inteligencji: ostatnie 10 lat, język angielski, próba dla dorosłych, randomizowane badania kontrolowane. Dodał filtr „tylko środowisko szpitalne” z własnymi informacjami. Wynik spadł z 2000 do 180; Utworzono klaster możliwy do skanowania.
Szablony do kopiowania
1) Rozdzielenie pojęć i pula terminów:
Twoja rola: specjalista ds. informacji (bibliotekarz badawczy). Moje pytanie badawcze brzmi: „[napisz pytanie]”. Podziel to pytanie na główne koncepcje. Wygeneruj pulę terminów zawierającą angielskie synonimy, żargon terenowy i alternatywną pisownię dla każdego pojęcia. Podaj to w tabeli. Artykuł jest FAŁSZYWY.
2) Generowanie ciągu wyszukiwania logicznego:
Utwórz logiczny ciąg wyszukiwania dla Scopusa, korzystając z następującej puli terminów: terminy OR w obrębie pojęć ORAZ pomiędzy pojęciami, cytuj frazy, użyj * tam, gdzie to konieczne. Dostosuj ten sam ciąg do składni Web of Science i PubMed. Basen: [wklej]
3) Projekt kryteriów włączenia/wyłączenia:
Robię przegląd literatury na temat „[temat]”. Zaproponuj mi projekt kryteriów włączenia/wyłączenia: pod nagłówkami obejmującymi zakres lat, język, rodzaj badania, próbę, kontekst. To są sugestie; Zmienię je zgodnie z moją dziedziną. Napisz krótko powody.
4) Zapytanie kandydatów na wolne stanowisko (do weryfikacji):
Poniżej znajdują się streszczenia 10 artykułów, które zeskanowałem. Narysuj ich wspólne tematy i zasugeruj KANDYDATOM lukę, KTÓRE PYTANIA SĄ MNIEJ ROZWIĄZANE. Przedstaw je jako hipotezy, które będę weryfikował, a nie prawdę absolutną. Streszczenia: [wklej]
Słaba zachęta/silna zachęta
Słaba zachęta:
Podaj mi listę zasobów na temat sztucznej inteligencji i edukacji.
AI tworzy fałszywe identyfikatory; Temat też jest zbyt szeroki.
Potężny monit:
Twoja rola: specjalista ds. informacji. Temat: "Wpływ grywalizacji na lęk przed matematyką w szkole podstawowej". NIE PODAWAJ MI LISTY ŹRÓDEŁ. Zamiast tego: (1) przeanalizuj 3 pojęcia, (2) wygeneruj repozytorium angielskich synonimów dla każdego pojęcia, (3) ciąg logiczny dla Scopus, (4) projekt odpowiednich kryteriów włączenia/wykluczenia. Tytuł artykułu jest fałszywy.
Cel
użyj sztucznej inteligencji
miejsce weryfikacji
Rozszerzanie puli terminów
Tak, silny
Recenzja ze znajomością domeny
Konstrukcja łańcucha logicznego
Tak, silny
Testuj w bazie danych
Zarys zakresu/kryteriów
Tak
Wyostrz według obszaru
Znajdź artykuł
nie
Scholar/Scopus/WoS/PubMed
Zatwierdzenie rozliczenia
częściowo
Prawdziwe skanowanie jest koniecznością
Typowe błędy
- Mylenie sztucznej inteligencji z bazą danych. Żądanie cytowania artykułu skutkuje fałszywymi cytatami; To najczęstszy i najbardziej niebezpieczny błąd.
- Pomijanie synonimów. Wyszukiwanie jednego hasła powoduje pominięcie dużej części literatury.
- Pozostawiając zakres niejasny. Bez filtrów roku, języka i gatunku będziesz przytłoczony tysiącami wyników.
- Twierdzenie o pustce bez jej weryfikacji. Twierdzenie, że „nikt nie studiował” bez przeprowadzenia faktycznych badań przesiewowych, jest ryzykowne.
- Opieranie się na jednej bazie danych. Różne indeksy obejmują inaczej; użyj kilku razem.
Wskazówka: aby wyszukiwanie było powtarzalne, zapisz w tabeli użyty ciąg znaków, bazę danych, datę i liczbę wyników. To czasopismo jest obowiązkowe w przeglądzie systematycznym; Jest to dobry nawyk przy każdym badaniu.
Podsumowując
Przegląd literatury jest zadaniem systematycznym: destylacja koncepcji, pula terminów, ciąg boolowski, kryterium pokrycia. Sztuczna inteligencja jest potężnym asystentem w tych strategicznych krokach; tworzy synonimy, konstruuje ciągi znaków, określa kryteria. Ale znajdujesz artykuły z prawdziwych baz danych, a nie z AI, i weryfikujesz każdy wiersz. Krótka zasada: strategia od AI, źródło z bazy danych, weryfikacja od Ciebie.
Zadanie aplikacji
Uzyskaj własne pytanie badawcze. Analizuj koncepcje za pomocą sztucznej inteligencji i twórz pulę terminów oraz ciąg logiczny. Uruchom ten ciąg w prawdziwej bazie danych (Scholar lub indeks, do którego masz dostęp). Zanotuj 10 najlepszych wyników i porównaj je z podpisami (jeśli istnieją), które sztuczna inteligencja wcześniej zasugerowała, gdy została o to bezpośrednio zapytana; Zaznacz, ile faktycznie istnieje.
lista kontrolna
- [ ] Czy podzieliłem moje pytanie badawcze na koncepcje?
- [ ] Czy dla każdego pojęcia utworzyłem grupę synonimów/terminów angielskich?
- [ ] Czy przetestowałem ciąg boolowski w prawdziwej bazie danych?
- [ ] Czy wyjaśniłem kryteria włączenia/wyłączenia?
- [ ] Czy sprawdziłem, że każdy znaleziony przeze mnie zasób faktycznie istnieje?