Vinster:
- Möjlighet att planera skanningsomfånget med stöd för artificiell intelligens genom att generera nyckelord, synonymer och booleska söksträngar från forskningsfrågan
- Positionera artificiell intelligens som ett strategigenereringsverktyg, inte ett källsökningsverktyg, och att kunna verifiera varje källa som finns i riktiga databaser (Google Scholar, Scopus, Web of Science, PubMed).
- Förmåga att förstå risken med att artificiell intelligens tillhandahåller tillverkade källor och falsk statistik och skaffa reflexen att verifiera varje citat när man fastställer en lucka i litteraturen.
Varje forskning börjar med en litteraturgenomgång: du kan inte lämna ett originellt bidrag utan att se vad som har gjorts tidigare om ditt ämne, vilka frågor som har besvarats och var det finns luckor. Men litteraturen är enorm; Miljontals artiklar publiceras årligen. Det är här AI är en stor accelerator - men med en mycket distinkt avgränsning. Den viktigaste meningen i denna enhet är denna: AI används i litteraturgranskning som en sökstrateg, inte som en källdatabas. Eftersom AI inte hittar dig riktiga artiklar; Den producerar artikelbylines som ser möjliga ut, av vilka några är tillverkade.
I den här enheten kommer vi att lära oss hur du härleder en systematisk sökplan från din forskningsfråga, använder AI för att berika den planen och validerar varje källa du hittar mot riktiga databaser.
Litteraturöversiktens skelett
En bra skanning har tre steg. Först bryter du ner begreppen: du bryter ner din forskningsfråga i dess huvudkomponenter. Till exempel i frågan "Effekten av feedback på elevers motivation i distansundervisning" finns tre begrepp: distansundervisning, feedback, motivation. Sedan skapar du en termpool för varje begrepp: synonymer, fältjargong, engelska motsvarigheter (distansutbildning → distansutbildning, onlinelärande, e-learning, distansundervisning). Slutligen kombinerar du dessa termer med booleska operatorer.
Booleska operatorer är logiska konjunktioner som talar om för sökmotorer hur man kombinerar termer. Det finns tre grundläggande operatorer: AND (resulterar i förekomsten av båda termerna - begränsar omfattningen), OR (någon av termerna - utökar omfattningen, samlar in synonymer) och NOT (utesluter en term). Även citat "..." leta efter fullständiga fraser, asterisk * är rotsammandragningen (motivat* → motivation, motiverande). En söksträng ser vanligtvis ut så här:
("distansutbildning" ELLER "inlärning online" ELLER e-lärande) OCH (feedback ELLER "formativ bedömning") OCH (motivation ELLER engagemang ELLER "själveffektivitet")
AI är utmärkt på att generera dessa strängar, komplettera synonymer och anpassa dem till syntaxen i olika databaser (Scopus, PubMed, Web of Science kräver olika stavningar). Men AI är inte där du kör strängen; riktiga databaser: Google Scholar (stora, gratis), Scopus och Web of Science (kurerade, citeringsindexerade), PubMed (medicinsk/biovetenskap), fältdatabaser (ERIC-utbildning, PsycINFO-psykologi, IEEE Xplore-teknik).
Observera: Om du frågar ett AI-chattverktyg "lista 20 artiklar om detta ämne", kommer det att returnera titlar som ser riktiga ut, men några av dem är påhittade. Detta är inte screening utan fara. Använd AI för att generera sträng, hitta artikeln i databasen.
Omfattning, inkludering och gapanalys
Kan bra skanningsgränser. Inklusions-/uteslutningskriterier avgör omfattningen av din sökning: vilket årsintervall, vilka språk, vilka studietyper (experimentell, recension), vilket sammanhang. AI kan föreslå dessa kriterier i utkastform, och du kan skärpa dem efter ditt område. Om du gör en systematisk granskning kan du påminna PRISMA-flödet (rapporteringsstandard för systematiska granskningar) till AI och låta den producera en genomsökningsloggmall.
En litteraturlucka är en fråga eller ett sammanhang som ännu inte har utforskats tillräckligt; Ditt ursprungliga bidrag fyller ofta ett tomrum. AI hjälper dig att namnge möjliga luckor baserat på sammanfattningarna du läser - men ta det som ett påstående som ska verifieras, inte en hypotes. AI kan säga "X har inte studerats inom detta område"; Men det kan ha studerats, det är bara så att AI inte vet. Du bekräftar endast gapet med din faktiska skanning.
Snöbollsmetod och grå litteratur
Enbart nyckelordssökning räcker inte; En bra skanning fördjupas med snöboll. Snöbollar baklänges, nyckeln du hittar är att skanna bibliografin för en artikel och hitta de före den; Snöboll framåt är att spåra vem som citerade den artikeln ("Citerad av" länk i Google Scholar) och komma fram till efterföljande studier. Denna metod gör att du kan hitta studier som är centrala inom området men som du inte kan fånga med dina sökord. När du tillhandahåller en bibliografi över en artikel kan AI hjälpa dig att prioritera vilka referenser som ligger närmast din fråga; Men återigen, det är upp till dig att hitta och läsa artikeln.
Dessutom täcker akademiska databaser inte allt. Grå litteratur – avhandlingar, institutionella rapporter, konferenshandlingar, preprints – är avgörande inom vissa områden och uppväger publikationsbias (tendensen att endast publicera positiva resultat). AI kan föreslå vilka grå litteraturkällor (ProQuest-avhandlingar, institutionella arkiv, preprint-servrar som arXiv/SSRN) du bör söka efter; Det är ofta absolut nödvändigt i systematiska översikter att inte begränsa ditt omfång till enbart tidskriftsartiklar.
tre minifodral
Fall 1 — Strängexpansion. När en utbildningsforskare sökte efter "flipped classroom" på Scopus fick hon 300 resultat, men kände att hon saknade synonymer. Han lät AI producera en termpool; Han lade till motsvarigheter som "inverterat klassrum" och "omvänt lärande". Med den nya strängen ökade resultatet från 300 till 470; 40 relevanta artiklar missades i den första sökningen. AI:n hittade inte artiklarna, men konstruerade strängen som gjorde att de kunde hittas.
Fall 2 — Återgå från den upparbetade listan. En doktorand frågade AI direkt efter "de 15 bästa källorna" för skanning och klistrade in listan i sin avhandling. Under konsultens kontroll kunde 4 citat inte hittas i Web of Science och 2 DOI var felaktiga. Eleven började om: den här gången tog han linjen från AI:n, hittade 60 riktiga resultat i Scopus, sållade igenom titelabstrakten och valde ut 18. Dessa 18 var alla riktiga.
Fall 3 — Förtydligande av omfattning. En hälsoforskare insåg att hans sökning var så bred att han blev överväldigad av 2 000 resultat. Hade utkast till AI-inklusions-/exkluderingskriterier framtagna: senaste 10 åren, engelska, vuxenprov, randomiserade kontrollerade studier. Han lade till filtret "endast sjukhusmiljö" med sin egen information. Resultatet sjönk från 2 000 till 180; Ett skanningsbart kluster bildades.
Kopierbara mallar
1) Begreppsseparering och termpool:
Din roll: informationsspecialist (forskningsbibliotekarie). Min forskningsfråga är: "[skriv frågan]". Bryt ner denna fråga i dess huvudbegrepp. Skapa en termpool med engelska synonymer, fältjargong och alternativa stavningar för varje begrepp. Ge det i en tabell. Artikeln är FAKE.
2) Generering av booleska söksträngar:
Konstruera en boolesk söksträng för Scopus med hjälp av följande termpool: ELLER termer inom begrepp, OCH mellan begrepp, citatfraser, använd * där så är lämpligt. Anpassa samma sträng till Web of Science och PubMed-syntaxen. Pool: [klistra in]
3) Utkast till kriterier för inkludering/uteslutning:
Jag gör en litteraturgenomgång om "[ämne]". Föreslå mig ett utkast till inklusions-/exkluderingskriterier: under rubrikerna årsintervall, språk, studietyp, exempel, sammanhang. Det här är förslag; Jag kommer att ändra dem efter mitt område. Skriv kortfattat skälen.
4) Fråga lediga kandidater (som ska verifieras):
Nedan finns sammanfattningar av de 10 artiklarna jag scannade. Rita fram deras gemensamma teman och föreslå lucka KANDIDATER om VILKA FRÅGOR SOM ÄR MINDRE GÄLLANDE. Presentera dessa som hypoteser som jag kommer att verifiera, inte som absolut sanning. Sammanfattningar: [klistra in]
Svag prompt / Stark prompt
Svag uppmaning:
Ge mig en lista med resurser om artificiell intelligens och utbildning.
AI skapar falska ID:n; Ämnet är också för brett.
Kraftfull uppmaning:
Din roll: informationsspecialist. Ämne: "Effekten av gamification på matematikångest i grundskolan". GE MIG INTE EN LISTA ÖVER KÄLLOR. Istället: (1) analysera de 3 begreppen, (2) generera ett arkiv med engelska synonymer för varje begrepp, (3) boolesk sträng för Scopus, (4) utkast till tillämpliga inkluderings-/exkluderingskriterier. Artikeltiteln är falsk.
Syfte
använda AI
verifieringsplats
Termin pool expansion
Ja, stark
Granska med domänkunskap
Boolesk strängkonstruktion
Ja, stark
Testa i databas
Omfattning/kriterieöversikt
Ja
Skärpa efter område
Hitta en artikel
nej
Scholar/Scopus/WoS/PubMed
Klareringsåtagande
delvis
Verklig scanning är ett måste
Vanliga misstag
- Misstag AI för en databas. Att begära en artikelcitering ger falska citat; Detta är det vanligaste och farligaste misstaget.
- Hoppa över synonymer. En enskild termsökning missar mycket av litteraturen.
- Lämnar omfattningen otydlig. Utan filter för år, språk och genre kommer du att bli överväldigad av tusentals resultat.
- Att hävda tomhet utan att verifiera det. Att säga "ingen studerade" utan faktisk screening är riskabelt.
- Förlitar sig på en enda databas. Olika index täcker olika; använda flera tillsammans.
Tips: För att göra din sökning reproducerbar, registrera strängen du använde, databas, datum och antal resultat i en tabell. Denna tidskrift är obligatorisk i systematisk granskning; Det är en god vana i varje forskning.
Sammanfattningsvis
Litteraturgenomgång är en systematisk uppgift: konceptdestillation, termpool, boolesk sträng, täckningskriterium. AI är en kraftfull assistent i dessa strategiska steg; producerar synonymer, konstruerar strängar, skisserar kriterier. Men du hittar artiklar från riktiga databaser, inte från AI, och verifierar varje byline. Kort tumregel: strategi från AI, källa från databas, validering från dig.
Applikationsuppgift
Få din egen forskningsfråga. Analysera begrepp med AI och skapa en termpool och en boolesk sträng. Kör den här strängen mot en riktig databas (Scholar eller ett index du har tillgång till). Notera de 10 bästa resultaten och jämför dem med bylines (om några) som AI har föreslagit tidigare när du tillfrågas direkt; Markera hur många som faktiskt finns.
checklista
- [ ] Har jag brutit ner min forskningsfråga i begrepp?
- [ ] Har jag skapat en synonym/engelsk termpool för varje begrepp?
- [ ] Har jag testat den booleska strängen på den riktiga databasen?
- [ ] Har jag förtydligat mina inkluderings-/exkluderingskriterier?
- [ ] Har jag verifierat att varje resurs jag hittade faktiskt existerar?