Câștiguri:
- Abilitatea de a planifica domeniul de scanare cu suport de inteligență artificială prin generarea de cuvinte cheie, sinonime și șiruri de căutare booleene din întrebarea de cercetare
- Poziționarea inteligenței artificiale ca instrument de generare a strategiei, nu ca instrument de găsire a surselor și posibilitatea de a verifica fiecare sursă găsită în baze de date reale (Google Scholar, Scopus, Web of Science, PubMed).
- Capacitatea de a înțelege riscul ca inteligența artificială să furnizeze surse fabricate și statistici false și să dobândească reflexul de a verifica fiecare citare atunci când se determină o lacună în literatură.
Fiecare cercetare începe cu o revizuire a literaturii: nu puteți face o contribuție originală fără a vedea ce s-a făcut înainte pe tema dvs., la ce întrebări s-a răspuns și unde există lacune. Dar literatura este imensă; Milioane de articole sunt publicate anual. Aici AI este un accelerator excelent, dar cu o linie de demarcație foarte distinctă. Cea mai importantă propoziție a acestei unități este următoarea: AI este folosită în revizuirea literaturii ca un strateg de căutare, nu ca o bază de date sursă. Pentru că AI nu vă găsește articole reale; Produce linii de articol cu aspect posibil, dintre care unele sunt fabricate.
În această unitate, vom învăța cum să obținem un plan de căutare sistematic din întrebarea dvs. de cercetare, să folosim inteligența artificială pentru a îmbogăți acel plan și să validăm fiecare sursă pe care o găsiți față de bazele de date reale.
Scheletul revizuirii literaturii
O scanare bună are trei etape. Mai întâi descompuneți conceptele: împărțiți întrebarea de cercetare în componentele sale principale. De exemplu, la întrebarea „Efectul feedback-ului asupra motivației elevilor în învățământul la distanță”, există trei concepte: educație la distanță, feedback, motivație. Apoi creați un grup de termeni pentru fiecare concept: sinonime, jargon de teren, echivalente în limba engleză (învățământ la distanță → învățământ la distanță, învățământ online, e-learning, învățământ la distanță). În cele din urmă, combinați acești termeni cu operatori booleeni.
Operatorii booleeni sunt conjuncții logice care spun motoarelor de căutare cum să combine termeni. Există trei operatori de bază: AND (rezultă în apariția ambilor termeni - restrânge domeniul de aplicare), SAU (oricare dintre termeni - extinde domeniul de aplicare, colectează sinonime) și NOT (exclude un termen). De asemenea, citatele „...” caută fraze complete, asteriscul * este contracția rădăcinii (motivat* → motivație, motivațional). Un șir de căutare arată de obicei astfel:
("educație la distanță" SAU "învățare online" SAU e-learning)ȘI (feedback SAU "evaluare formativă")ȘI (motivare SAU implicare SAU "autoeficacitate")
AI este excelentă la generarea acestor șiruri, completarea sinonimelor și adaptarea lor la sintaxa diferitelor baze de date (Scopus, PubMed, Web of Science necesită ortografii diferite). Dar AI nu este locul unde rulezi șirul; baze de date reale: Google Scholar (mare, gratuit), Scopus și Web of Science (curat, indexat pentru citații), PubMed (medicale/științe ale vieții), baze de date de teren (ERIC educație, psihologie PsycINFO, inginerie IEEE Xplore).
Atenție: dacă întrebați un instrument de chat AI „enumerați 20 de articole pe acest subiect”, acesta va returna titluri care par reale, dar unele dintre ele sunt inventate. Acesta nu este un screening, ci un pericol. Utilizați AI pentru a genera șir, găsiți articolul în baza de date.
Domeniul de aplicare, includerea și analiza decalajelor
Cunoaște limite bune de scanare. Criteriile de includere/excludere determină domeniul de aplicare al căutării dvs.: intervalul de ani, ce limbi, ce tipuri de studii (experimental, revizuire), ce context. AI poate sugera aceste criterii sub formă de schiță, iar tu le poți ascuți în funcție de domeniul tău. Dacă faceți o revizuire sistematică, puteți reaminti fluxul PRISMA (standard de raportare pentru recenzii sistematice) către AI și îi puteți solicita să producă un șablon de jurnal de accesare cu crawlere.
Un decalaj al literaturii este o întrebare sau un context care nu a fost încă explorat în mod adecvat; Contribuția ta inițială umple adesea un gol. Inteligența artificială vă ajută să denumiți posibile lacune pe baza rezumatelor citite, dar luați-o ca o afirmație care trebuie verificată, nu o ipoteză. AI poate spune „X nu a fost studiat în acest domeniu”; Cu toate acestea, este posibil să fi fost studiat, doar că AI nu știe. Confirmați decalajul doar cu scanarea dvs. reală.
Metoda bulgărelui de zăpadă și literatura gri
Numai căutarea prin cuvinte cheie nu este suficientă; O scanare bună se adâncește cu bulgăre de zăpadă. Mergând înapoi, cheia pe care o găsiți este să scanați bibliografia unui articol și să le găsiți pe cele dinaintea acestuia; Snowball forward urmărește cine a citat acel articol (linkul „Citat de” în Google Scholar) și ajunge la studiile ulterioare. Această metodă vă permite să găsiți studii care sunt centrale în domeniu, dar pe care nu le puteți capta cu cuvintele cheie. Atunci când furnizați o bibliografie a unui articol, AI vă poate ajuta să prioritizați referințele care sunt cele mai apropiate de întrebarea dvs.; Dar din nou, depinde de tine să găsești și să citești articolul.
În plus, bazele de date academice nu acoperă totul. Literatura gri - disertații, rapoarte instituționale, acte de conferință, preprinturi - este critică în unele domenii și compensează părtinirea publicării (tendința de a publica doar rezultate pozitive). AI poate sugera ce surse de literatură gri (disertații ProQuest, depozite instituționale, servere de preprint, cum ar fi arXiv/SSRN) ar trebui să căutați; Este deseori imperativ în revizuirile sistematice să nu vă limitați domeniul de aplicare doar la articolele din jurnal.
trei mini cutii
Cazul 1 — Extinderea șirurilor. Când un cercetător în educație a căutat „clasă inversată” pe Scopus, a obținut 300 de rezultate, dar a simțit că îi lipsesc sinonimele. A pus AI să producă un grup de termeni; El a adăugat echivalente precum „clasă inversată” și „învățare inversată”. Cu noul șir rezultatul a crescut de la 300 la 470; 40 de articole relevante au fost ratate în căutarea inițială. AI nu a găsit articolele, ci a construit șirul care le-a făcut găsibile.
Cazul 2 — Întoarcere din lista alcătuită. Un student absolvent a cerut direct AI „cele 15 surse de top” pentru scanare și a lipit lista în teza sa. Sub controlul consultantului, 4 citări nu au putut fi găsite în Web of Science, iar 2 DOI au fost incorecte. Elevul a luat-o de la capăt: de data aceasta a luat linia de la AI, a găsit 60 de rezultate reale în Scopus, a cernut titlul-rezumat și a selectat 18. Aceste 18 au fost toate reale.
Cazul 3 – Clarificarea domeniului de aplicare. Un cercetător în domeniul sănătății și-a dat seama că căutarea sa a fost atât de largă încât a fost copleșit de 2.000 de rezultate. S-au produs un proiect de criterii de includere/excludere AI: ultimii 10 ani, engleză, eșantion pentru adulți, studii controlate randomizate. El a adăugat filtrul „doar mediul spitalicesc” cu propriile sale informații. Rezultatul a scăzut de la 2.000 la 180; S-a format un cluster care poate fi scanat.
Șabloane copiabile
1) Separarea conceptului și grupul de termeni:
Rolul dumneavoastră: un specialist în informații (bibliotecar de cercetare). Întrebarea mea de cercetare este: „[scrieți întrebarea]”. Împărțiți această întrebare în conceptele sale principale. Generați un grup de termeni de sinonime în engleză, jargon de câmp și ortografii alternative pentru fiecare concept. Dă-l într-un tabel. Articolul este FAKE.
2) Generarea șirului de căutare boolean:
Construiți un șir de căutare boolean pentru Scopus folosind următorul grup de termeni: SAU termeni din concepte, ȘI între concepte, citate, utilizați * acolo unde este cazul. Adaptați același șir la sintaxa Web of Science și PubMed. Pool: [paste]
3) Proiect de criterii de includere/excludere:
Fac o recenzie a literaturii despre „[topic]”. Propuneți-mi o schiță de criterii de includere/excludere: sub titlurile de interval de ani, limbă, tip de studiu, eșantion, context. Acestea sunt sugestii; Le voi schimba in functie de domeniul meu. Scrieți pe scurt motivele.
4) Interogarea candidaților pentru posturi vacante (de verificat):
Mai jos sunt rezumate ale celor 10 articole pe care le-am scanat. Evidențiază temele lor comune și sugerează CANDIDAȚI diferențe în ceea ce privește CARE ÎNTREBĂRI SUNT ADAPTATE MAI MULT. Prezentați acestea ca ipoteze pe care le voi verifica, nu adevărul absolut. Rezumate: [paste]
Prompt slab / Prompt puternic
Prompt slab:
Dă-mi o listă de resurse despre inteligența artificială și educație.
AI creează ID-uri false; Subiectul este de asemenea prea larg.
Solicitare puternică:
Rolul dumneavoastră: specialist în informații. Subiectul: „Efectul gamificării asupra anxietății de matematică în școala primară”. NU-MI DA O LISTA DE SURSE. În schimb: (1) analizați cele 3 concepte, (2) generați un depozit de sinonime în limba engleză pentru fiecare concept, (3) șir boolean pentru Scopus, (4) schițați criteriile de includere/excludere aplicabile. Titlul articolului este fals.
Scop
folosește AI
locația de verificare
Extinderea bazinului pe termen
Da, puternic
Revizuire cu cunoștințe de domeniu
Construcția șirului boolean
Da, puternic
Test in baza de date
Scopul domeniului/criteriilor
Da
Ascuțiți în funcție de zonă
Găsiți un articol
nu
Academic/Scopus/WoS/PubMed
Comisie de lichidare
parțial
Scanarea reală este o necesitate
Greșeli comune
- Confundarea AI cu o bază de date. Solicitarea unei citari a unui articol produce citări false; Aceasta este cea mai frecventă și periculoasă greșeală.
- Sari peste sinonime. Căutarea unui singur termen ratează o mare parte din literatură.
- Lăsând domeniul de aplicare neclar. Fără filtre de an, limbă și gen, veți fi copleșit de mii de rezultate.
- Afirmarea vidului fără a-l verifica. A spune „nimeni nu a studiat” fără screening efectiv este riscant.
- Bazându-se pe o singură bază de date. Diferiți indici acoperă diferit; folosiți mai multe împreună.
Sfat: pentru a face căutarea reproductibilă, înregistrați șirul pe care l-ați folosit, baza de date, data și numărul de rezultate într-un tabel. Acest jurnal este obligatoriu în revizuirea sistematică; Este un obicei bun în fiecare cercetare.
În concluzie
Revizuirea literaturii este o sarcină sistematică: distilare a conceptului, grup de termeni, șir boolean, criteriu de acoperire. AI este un asistent puternic în acești pași strategici; produce sinonime, construiește șiruri, conturează criterii. Dar găsești articole din baze de date reale, nu din AI și verifici fiecare linie. Scurtă regulă generală: strategie din AI, sursă din baza de date, validare de la dvs.
Sarcina de aplicare
Obțineți propria întrebare de cercetare. Analizați conceptele cu AI și produceți un grup de termeni și un șir boolean. Rulați acest șir pe o bază de date reală (Scholar sau un index la care aveți acces). Notați primele 10 rezultate și comparați-le cu liniile de bază (dacă există) pe care AI le-a sugerat anterior când a fost întrebat direct; Marcați câte există de fapt.
lista de verificare
- [ ] Am împărțit întrebarea mea de cercetare în concepte?
- [ ] Am creat un grup de sinonime/termeni englezi pentru fiecare concept?
- [ ] Am testat șirul boolean pe baza de date reală?
- [ ] Mi-am clarificat criteriile de includere/excludere?
- [ ] Am verificat că fiecare resursă pe care am găsit-o există de fapt?