Прибыль:
- Возможность планировать объем сканирования с поддержкой искусственного интеллекта путем создания ключевых слов, синонимов и логических строк поиска на основе исследовательского вопроса.
- Позиционирование искусственного интеллекта как инструмента разработки стратегии, а не инструмента поиска источников, а также возможность проверять каждый источник, найденный в реальных базах данных (Google Scholar, Scopus, Web of Science, PubMed).
- Способность понимать риск того, что искусственный интеллект предоставляет сфабрикованные источники и фальшивую статистику, а также приобретать рефлекс проверки каждой цитаты при выявлении пробела в литературе.
Каждое исследование начинается с обзора литературы: вы не можете внести оригинальный вклад, не видя, что было сделано ранее по вашей теме, на какие вопросы были даны ответы и где есть пробелы. Но литература огромна; Ежегодно публикуются миллионы статей. Именно здесь ИИ является отличным ускорителем, но с очень четкой демаркационной линией. Самым важным предложением этого раздела является следующее: ИИ используется в обзоре литературы как стратег поиска, а не как исходная база данных. Потому что ИИ не находит вам настоящие статьи; Он создает возможные на вид подписи к статьям, некоторые из которых являются вымышленными.
В этом модуле мы научимся составлять план систематического поиска на основе вашего исследовательского вопроса, использовать ИИ для обогащения этого плана и сверять каждый найденный источник с реальными базами данных.
Скелет обзора литературы
Хорошее сканирование состоит из трех этапов. Сначала вы разбиваете концепции: вы разбиваете вопрос исследования на его основные компоненты. Например, в вопросе «Влияние обратной связи на мотивацию обучающихся при дистанционном обучении» присутствуют три понятия: дистанционное обучение, обратная связь, мотивация. Затем вы создаете терминологический пул для каждого понятия: синонимы, жаргонизмы, английские эквиваленты (дистанционное образование → дистанционное образование, онлайн-обучение, электронное обучение, дистанционное обучение). Наконец, вы объединяете эти термины с логическими операторами.
Логические операторы — это логические союзы, которые сообщают поисковым системам, как комбинировать термины. Существует три основных оператора: И (приводит к появлению обоих терминов — сужает область применения), ИЛИ (любой из терминов — расширяет область применения, собирает синонимы) и НЕ (исключает термин). Также в кавычках «...» ищите полные словосочетания, звездочка * — корневое сокращение (мотиват* → мотивация, мотивационный). Строка поиска обычно выглядит так:
(«дистанционное обучение» ИЛИ «онлайн-обучение» ИЛИ электронное обучение) И (обратная связь ИЛИ «формивная оценка») И (мотивация ИЛИ участие ИЛИ «самоэффективность»)
ИИ превосходно генерирует эти строки, дополняет синонимы и адаптирует их к синтаксису различных баз данных (Scopus, PubMed, Web of Science требуют разного написания). Но ИИ — это не то место, где вы запускаете строку; реальные базы данных: Google Scholar (большая, бесплатная), Scopus и Web of Science (кураторируемые, индексируемые по цитированию), PubMed (медицина и науки о жизни), полевые базы данных (образование ERIC, психология PsycINFO, инженерия IEEE Xplore).
Внимание: если вы попросите чат-инструмент с искусственным интеллектом «перечислить 20 статей по этой теме», он вернет заголовки, которые выглядят реальными, но некоторые из них выдуманы. Это не проверка, а опасность. Используйте ИИ для генерации строки, найдите статью в базе данных.
Охват, включение и анализ пробелов
Знает хорошие пределы сканирования. Критерии включения/исключения определяют объем вашего поиска: какой диапазон лет, какие языки, какие типы исследований (экспериментальные, обзорные), какой контекст. ИИ может предложить эти критерии в черновом виде, а вы можете уточнить их в соответствии со своей областью деятельности. Если вы проводите систематический обзор, вы можете напомнить ИИ о потоке PRISMA (стандарт отчетности для систематических обзоров) и попросить его создать шаблон журнала сканирования.
Пробел в литературе — это вопрос или контекст, который еще недостаточно изучен; Ваш первоначальный вклад часто заполняет пробел. ИИ помогает вам выявить возможные пробелы на основе прочитанных вами обзоров, но воспринимайте это как утверждение, которое необходимо проверить, а не как гипотезу. ИИ может сказать: «X в этой области не изучалось»; Впрочем, возможно, оно и изучалось, просто ИИ этого не знает. Вы только подтверждаете разрыв с помощью фактического сканирования.
Метод снежного кома и серая литература
Одного поиска по ключевым словам недостаточно; Хорошее сканирование углубляется по мере нарастания снежного кома. Возвращаясь назад, ключ, который вы найдете, — это просмотреть библиографию статьи и найти те, что были перед ней; Снежным комом продвигается вперед отслеживание тех, кто цитировал эту статью (ссылка «Цитируется» в Google Scholar) и получение последующих исследований. Этот метод позволяет вам найти исследования, которые имеют центральное значение в данной области, но которые вы не можете охватить с помощью ключевых слов. Когда вы предоставляете библиографию статьи, ИИ может помочь вам расставить приоритеты, какие ссылки наиболее близки к вашему вопросу; Но опять же, найти и прочитать статью – дело ваше.
Кроме того, академические базы данных не охватывают всего. Серая литература — диссертации, институциональные отчеты, материалы конференций, препринты — имеет решающее значение в некоторых областях и компенсирует предвзятость публикаций (тенденцию публиковать только положительные результаты). ИИ может подсказать, в каких источниках серой литературы (диссертации ProQuest, институциональные репозитории, серверы препринтов, такие как arXiv/SSRN) вам следует выполнить поиск; При составлении систематических обзоров часто крайне важно не ограничиваться только журнальными статьями.
три мини-кейса
Случай 1 — Расширение строки. Когда исследователь образования искала в Scopus запрос «перевернутый класс», она получила 300 результатов, но почувствовала, что ей не хватает синонимов. Он поручил ИИ создать пул терминов; Он добавил такие эквиваленты, как «перевернутый класс» и «перевернутое обучение». С новой строкой результат увеличился с 300 до 470; При первоначальном поиске было пропущено 40 соответствующих статей. ИИ не нашел статьи, а построил строку, которая сделала их доступными для поиска.
Случай 2 — Возврат из составленного списка. Один аспирант напрямую попросил у AI «15 лучших источников» для сканирования и вставил список в свою диссертацию. Под контролем консультанта 4 цитаты не удалось найти в Web of Science, а 2 DOI оказались неправильными. Студент начал сначала: на этот раз он взял строку от ИИ, нашел в Scopus 60 реальных результатов, пролистал заголовок-аннотацию и выбрал 18. Все эти 18 были настоящими.
Случай 3. Уточнение сферы применения. Исследователь в области здравоохранения понял, что его поиск был настолько широк, что он был ошеломлен 2000 результатами. Был ли составлен проект критериев включения/исключения ИИ: последние 10 лет, английский язык, выборка для взрослых, рандомизированные контролируемые исследования. Он добавил фильтр «Только в больнице» со своей собственной информацией. Результат упал с 2000 до 180; Был сформирован сканируемый кластер.
Копируемые шаблоны
1) Разделение понятий и пул терминов:
Ваша роль: специалист по информации (библиотекарь-исследователь). Мой исследовательский вопрос: «[напишите вопрос]». Разбейте этот вопрос на его основные понятия. Создайте пул терминов из английских синонимов, жаргона и альтернативных вариантов написания для каждого понятия. Дайте это в таблице. Статья ФЕЙК.
2) Генерация логической строки поиска:
Создайте логическую строку поиска для Scopus, используя следующий пул терминов: ИЛИ термины внутри понятий, И между понятиями, фразы-цитаты, используйте *, где это необходимо. Адаптируйте одну и ту же строку к синтаксису Web of Science и PubMed. Бассейн: [вставить]
3) Проект критериев включения/исключения:
Я делаю обзор литературы по «[теме]». Предложите мне проект критериев включения/исключения: по годам, языку, типу исследования, выборке, контексту. Это предложения; Я изменю их в соответствии со своей сферой деятельности. Напишите кратко причины.
4) Опрос кандидатов на вакансии (подлежит проверке):
Ниже приведены краткие описания 10 статей, которые я просмотрел. Выделите их общие темы и предложите КАНДИДАТОВ, КАКИЕ ВОПРОСЫ МЕНЬШЕ РЕШАЮТСЯ. Представьте их как гипотезы, которые я проверю, а не как абсолютную истину. Резюме: [вставить]
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Дайте мне список ресурсов по искусственному интеллекту и образованию.
ИИ создает поддельные удостоверения личности; Тема также слишком широка.
Мощная подсказка:
Ваша роль: специалист по информации. Тема: «Влияние геймификации на математическую тревожность в начальной школе». НЕ ДАВАЙТЕ МНЕ СПИСОК ИСТОЧНИКОВ. Вместо этого: (1) проанализировать 3 понятия, (2) создать хранилище английских синонимов для каждого понятия, (3) логическую строку для Scopus, (4) составить проект применимых критериев включения/исключения. Название статьи фейковое.
Цель
использовать ИИ
место проверки
Расширение пула сроков
Да, сильный
Обзор со знанием предметной области
Логическая строковая конструкция
Да, сильный
Тест в базе данных
Краткое описание объема/критериев
Да
Повышение резкости по площади
Найти статью
нет
Ученый/Scopus/WoS/PubMed
Разрешение на оформление
частично
Настоящее сканирование является обязательным
Распространенные ошибки
- Принимаем ИИ за базу данных. Запрос на цитирование статьи приводит к ложному цитированию; Это самая распространенная и опасная ошибка.
- Пропуск синонимов. Поиск по одному термину пропускает большую часть литературы.
- Оставляя сферу применения неясной. Без фильтров года, языка и жанра вы будете ошеломлены тысячами результатов.
- Утверждение пустоты без ее проверки. Говорить «никто не учился» без фактического скрининга рискованно.
- Опираясь на единую базу данных. Различные индексы охватывают по-разному; используйте несколько вместе.
Совет: Чтобы обеспечить воспроизводимость поиска, запишите в таблицу использованную строку, базу данных, дату и количество результатов. Этот журнал является обязательным для систематического обзора; Это хорошая привычка в любом исследовании.
В итоге
Обзор литературы представляет собой систематическую задачу: дистилляция понятий, пул терминов, булева строка, критерий покрытия. ИИ — мощный помощник на этих стратегических шагах; создает синонимы, создает строки, определяет критерии. Но вы находите статьи из реальных баз данных, а не от ИИ, и проверяете каждую подпись. Краткое практическое правило: стратегия от ИИ, источник от базы данных, проверка от вас.
Задача приложения
Получите свой собственный исследовательский вопрос. Анализируйте концепции с помощью ИИ и создайте пул терминов и логическую строку. Запустите эту строку в реальной базе данных (Scholar или индексе, к которому у вас есть доступ). Обратите внимание на 10 лучших результатов и сравните их с авторами (если таковые имеются), которые ранее предлагал ИИ, когда его спрашивали напрямую; Отметьте, сколько их существует на самом деле.
контрольный список
- [ ] Разбил ли я свой исследовательский вопрос на концепции?
- [ ] Создал ли я пул синонимов/английских терминов для каждого понятия?
- [ ] Протестировал ли я логическую строку в реальной базе данных?
- [ ] Уточнил ли я критерии включения/исключения?
- [ ] Убедился ли я, что все найденные мной ресурсы действительно существуют?