Ganhos:
- Capacidade de planejar o escopo da varredura com suporte de inteligência artificial, gerando palavras-chave, sinônimos e strings de pesquisa booleanas a partir da questão de pesquisa
- Posicionar a inteligência artificial como uma ferramenta de geração de estratégia, não uma ferramenta de busca de fontes, e ser capaz de verificar todas as fontes encontradas em bancos de dados reais (Google Scholar, Scopus, Web of Science, PubMed).
- Capacidade de compreender o risco da inteligência artificial fornecer fontes fabricadas e estatísticas falsas e adquirir o reflexo para verificar cada citação ao determinar uma lacuna na literatura.
Toda pesquisa começa com uma revisão da literatura: você não pode fazer uma contribuição original sem ver o que foi feito antes sobre o seu tema, quais questões foram respondidas e onde existem lacunas. Mas a literatura é enorme; Milhões de artigos são publicados anualmente. É aqui que a IA é um grande acelerador – mas com uma linha de demarcação muito distinta. A frase mais importante desta unidade é esta: A IA é usada na revisão da literatura como estrategista de pesquisa, não como banco de dados fonte. Porque a IA não encontra artigos reais para você; Ele produz assinaturas de artigos com aparência possível, algumas das quais são fabricadas.
Nesta unidade, aprenderemos como derivar um plano de pesquisa sistemático a partir de sua questão de pesquisa, usar IA para enriquecer esse plano e validar cada fonte encontrada em bancos de dados reais.
Esqueleto da revisão da literatura
Uma boa varredura tem três etapas. Primeiro você divide os conceitos: você divide sua questão de pesquisa em seus componentes principais. Por exemplo, na questão “O efeito do feedback na motivação dos alunos na educação a distância”, existem três conceitos: educação a distância, feedback, motivação. Em seguida, você cria um conjunto de termos para cada conceito: sinônimos, jargões de campo, equivalentes em inglês (educação a distância → educação a distância, aprendizagem online, e-learning, ensino a distância). Finalmente, você combina esses termos com operadores booleanos.
Os operadores booleanos são conjunções lógicas que informam aos mecanismos de pesquisa como combinar termos. Existem três operadores básicos: AND (resulta na ocorrência de ambos os termos — restringe o escopo), OR (qualquer um dos termos — expande o escopo, coleta sinônimos) e NOT (exclui um termo). Também aspas "..." procurem frases completas, asterisco * é a contração da raiz (motivat* → motivação, motivacional). Uma string de pesquisa geralmente se parece com isto:
("educação a distância" OU "aprendizagem online" OU e-learning)AND (feedback OU "avaliação formativa")AND (motivação OU envolvimento OU "autoeficácia")
A IA é excelente para gerar essas strings, completar sinônimos e adaptá-las à sintaxe de diferentes bancos de dados (Scopus, PubMed, Web of Science exigem grafias diferentes). Mas a IA não é onde você executa a string; bancos de dados reais: Google Scholar (grande, gratuito), Scopus e Web of Science (com curadoria, indexado por citações), PubMed (medicina/ciências da vida), bancos de dados de campo (educação ERIC, psicologia PsycINFO, engenharia IEEE Xplore).
Atenção: Se você pedir a uma ferramenta de chat de IA “liste 20 artigos sobre este assunto”, ela retornará títulos que parecem reais, mas alguns deles são inventados. Isso não é triagem, mas perigo. Use IA para gerar string, encontre o artigo no banco de dados.
Análise de escopo, inclusão e lacunas
Conhece bons limites de digitalização. Os critérios de inclusão/exclusão determinam o escopo da sua pesquisa: qual faixa etária, quais idiomas, quais tipos de estudo (experimental, revisão), qual contexto. A IA pode sugerir esses critérios em forma de rascunho e você pode aprimorá-los de acordo com sua área. Se você estiver fazendo uma revisão sistemática, poderá lembrar o fluxo PRISMA (padrão de relatório para revisões sistemáticas) para a IA e fazer com que ela produza um modelo de registro de rastreamento.
Uma lacuna na literatura é uma questão ou contexto que ainda não foi explorado adequadamente; A sua contribuição original muitas vezes preenche uma lacuna. A IA ajuda a nomear possíveis lacunas com base nos resumos que você lê – mas tome isso como uma afirmação a ser verificada, não como uma hipótese. AI pode dizer “X não foi estudado nesta área”; Porém, pode ter sido estudado, só que a IA não sabe. Você só confirma a lacuna com sua digitalização real.
Método bola de neve e literatura cinzenta
A pesquisa por palavra-chave por si só não é suficiente; Uma boa varredura se aprofunda como uma bola de neve. Retrocedendo como uma bola de neve, a chave que você encontra é escanear a bibliografia de um artigo e encontrar os anteriores; Avançar como uma bola de neve é rastrear quem citou aquele artigo (link “Citado por” no Google Scholar) e chegar a estudos subsequentes. Este método permite que você encontre estudos que são centrais para a área, mas que você não consegue capturar com suas palavras-chave. Quando você fornece a bibliografia de um artigo, a IA pode ajudá-lo a priorizar quais referências estão mais próximas da sua pergunta; Mas, novamente, cabe a você encontrar e ler o artigo.
Além disso, os bancos de dados acadêmicos não cobrem tudo. A literatura cinzenta — dissertações, relatórios institucionais, anais de conferências, preprints — é crítica em alguns campos e compensa o preconceito de publicação (a tendência de publicar apenas resultados positivos). A IA pode sugerir quais fontes de literatura cinzenta (dissertações da ProQuest, repositórios institucionais, servidores de pré-impressão como arXiv/SSRN) você deve pesquisar; Muitas vezes é imperativo em revisões sistemáticas não limitar seu escopo apenas a artigos de periódicos.
três mini cases
Caso 1 — Expansão de string. Quando uma pesquisadora em educação pesquisou “sala de aula invertida” no Scopus, obteve 300 resultados, mas sentiu que faltavam sinônimos. Ele fez a IA produzir um conjunto de termos; Ele acrescentou equivalentes como “sala de aula invertida” e “aprendizagem invertida”. Com a nova string o resultado aumentou de 300 para 470; 40 artigos relevantes foram perdidos na busca inicial. A IA não encontrou os artigos, mas construiu a string que os tornou localizáveis.
Caso 2 — Retorno de lista inventada. Um estudante de pós-graduação pediu diretamente à IA as “15 principais fontes” para digitalização e colou a lista em sua tese. Sob controle do consultor, 4 citações não foram encontradas no Web of Science e 2 DOIs estavam incorretos. O aluno recomeçou: desta vez pegou a linha da IA, encontrou 60 resultados reais no Scopus, vasculhou o título-resumo e selecionou 18. Esses 18 eram todos reais.
Caso 3 — Esclarecimento do escopo. Um pesquisador de saúde percebeu que sua pesquisa era tão ampla que ficou impressionado com 2.000 resultados. Foram produzidos rascunhos de critérios de inclusão/exclusão de IA: últimos 10 anos, inglês, amostra de adultos, ensaios clínicos randomizados. Ele adicionou o filtro “somente ambiente hospitalar” com informações próprias. O resultado caiu de 2.000 para 180; Um cluster escaneável foi formado.
Modelos copiáveis
1) Separação de conceitos e conjunto de termos:
Sua função: um especialista em informação (bibliotecário de pesquisa). Minha pergunta de pesquisa é: "[escreva a pergunta]". Divida esta questão em seus conceitos principais. Gere um conjunto de sinônimos em inglês, jargão de campo e grafias alternativas para cada conceito. Dê em uma mesa. O artigo é FALSO.
2) Geração de string de pesquisa booleana:
Construa uma string de pesquisa booleana para Scopus usando o seguinte conjunto de termos: termos OR dentro de conceitos, E entre conceitos, frases entre aspas, use * quando apropriado. Adapte a mesma string à sintaxe do Web of Science e PubMed. Piscina: [colar]
3) Rascunho dos critérios de inclusão/exclusão:
Estou fazendo uma revisão de literatura sobre "[tópico]". Sugira-me um rascunho de critérios de inclusão/exclusão: sob os títulos faixa etária, idioma, tipo de estudo, amostra, contexto. Estas são sugestões; Vou alterá-los de acordo com minha área. Escreva os motivos brevemente.
4) Consulta de candidatos a vagas (a verificar):
Abaixo estão os resumos dos 10 artigos que digitalizei. Destaque seus temas comuns e sugira CANDIDATOS com lacunas quanto a QUE QUESTÕES SÃO MENOS ABORDADAS. Apresente-as como hipóteses que irei verificar, não como verdades absolutas. Resumos: [colar]
Alerta fraco / Alerta forte
Alerta fraco:
Dê-me uma lista de recursos sobre inteligência artificial e educação.
IA cria identidades falsas; O assunto também é muito amplo.
Alerta poderoso:
Sua função: especialista em informação. Assunto: “O efeito da gamificação na ansiedade matemática no ensino primário”. NÃO ME DÊ UMA LISTA DE FONTES. Em vez disso: (1) analisar os 3 conceitos, (2) gerar um repositório de sinônimos em inglês para cada conceito, (3) string booleana para Scopus, (4) elaborar critérios de inclusão/exclusão aplicáveis. O título do artigo é falso.
Objetivo
usar IA
local de verificação
Expansão do pool de prazos
Sim, forte
Revise com conhecimento de domínio
Construção de string booleana
Sim, forte
Teste no banco de dados
Esboço do escopo/critérios
Sim
Afiar por área
Encontre um artigo
não
Acadêmico/Scopus/WoS/PubMed
Confirmação de liberação
parcialmente
A digitalização real é obrigatória
Erros comuns
- Confundindo IA com um banco de dados. Solicitar a citação de um artigo produz citações falsas; Este é o erro mais comum e perigoso.
- Ignorando sinônimos. Uma pesquisa por um único termo perde grande parte da literatura.
- Deixando o escopo obscuro. Sem filtros de ano, idioma e gênero, você ficará surpreso com milhares de resultados.
- Afirmar o vazio sem verificá-lo. Dizer “ninguém estudou” sem uma triagem real é arriscado.
- Contando com um único banco de dados. Índices diferentes cobrem de forma diferente; use vários juntos.
Dica: Para tornar sua pesquisa reproduzível, registre a string usada, banco de dados, data e número de resultados em uma tabela. Este periódico é obrigatório em revisões sistemáticas; É um bom hábito em todas as pesquisas.
Resumindo
A revisão da literatura é uma tarefa sistemática: destilação de conceito, conjunto de termos, string booleana, critério de cobertura. A IA é um assistente poderoso nessas etapas estratégicas; produz sinônimos, constrói strings, descreve critérios. Mas você encontra artigos de bancos de dados reais, não de IA, e verifica cada assinatura. Regra prática curta: estratégia da IA, fonte do banco de dados, validação sua.
Tarefa de aplicativo
Obtenha sua própria pergunta de pesquisa. Analise conceitos com IA e produza um conjunto de termos e uma string booleana. Execute esta string em um banco de dados real (Scholar ou um índice ao qual você tenha acesso). Observe os 10 principais resultados e compare-os com as assinaturas (se houver) que a IA sugeriu anteriormente quando questionada diretamente; Marque quantos realmente existem.
lista de verificação
- [ ] Dividi minha questão de pesquisa em conceitos?
- [ ] Criei um conjunto de sinônimos/termos em inglês para cada conceito?
- [] Testei a string booleana no banco de dados real?
- [ ] Esclareci meus critérios de inclusão/exclusão?
- [] Verifiquei se todos os recursos que encontrei realmente existem?