Mga nadagdag:
- Kakayahang planuhin ang saklaw ng pag-scan na may suporta sa artificial intelligence sa pamamagitan ng pagbuo ng mga keyword, kasingkahulugan at Boolean na mga string ng paghahanap mula sa tanong sa pananaliksik
- Ang pagpoposisyon ng artificial intelligence bilang isang tool sa pagbuo ng diskarte, hindi isang tool sa paghahanap ng source, at pagiging ma-verify ang bawat source na makikita sa mga totoong database (Google Scholar, Scopus, Web of Science, PubMed).
- Kakayahang maunawaan ang panganib ng artificial intelligence na nagbibigay ng mga gawa-gawang mapagkukunan at pekeng istatistika at makuha ang reflex upang i-verify ang bawat pagsipi kapag tinutukoy ang isang puwang sa panitikan.
Ang bawat pananaliksik ay nagsisimula sa isang pagsusuri sa panitikan: hindi ka makakagawa ng orihinal na kontribusyon nang hindi nakikita kung ano ang nagawa noon sa iyong paksa, anong mga tanong ang nasagot, at kung saan may mga puwang. Ngunit ang panitikan ay napakalaki; Milyun-milyong artikulo ang nai-publish taun-taon. Ito ay kung saan ang AI ay isang mahusay na accelerator — ngunit may isang natatanging linya ng demarcation. Ang pinakamahalagang pangungusap ng yunit na ito ay ito: Ginagamit ang AI sa pagsusuri sa panitikan bilang isang strategist sa paghahanap, hindi bilang database ng pinagmulan. Dahil hindi ka nahahanap ng AI ng mga totoong artikulo; Gumagawa ito ng posibleng mga byline ng artikulo, na ang ilan ay gawa-gawa.
Sa unit na ito, matututunan natin kung paano kumuha ng isang sistematikong plano sa paghahanap mula sa iyong tanong sa pananaliksik, gamitin ang AI para pagyamanin ang planong iyon, at patunayan ang bawat source na makikita mo laban sa mga totoong database.
Skeleton ng pagsusuri sa panitikan
Ang isang mahusay na pag-scan ay may tatlong yugto. Una mong himayin ang mga konsepto: hinati mo ang iyong tanong sa pananaliksik sa mga pangunahing bahagi nito. Halimbawa, sa tanong na "Ang epekto ng feedback sa pagganyak ng mag-aaral sa distance education", mayroong tatlong konsepto: distance education, feedback, motivation. Pagkatapos ay gagawa ka ng term pool para sa bawat konsepto: mga kasingkahulugan, field jargon, mga katumbas sa English (distansya na edukasyon → distance education, online na pag-aaral, e-learning, distance learning). Sa wakas, pinagsama mo ang mga terminong ito sa mga Boolean operator.
Ang mga operator ng Boolean ay mga lohikal na conjunction na nagsasabi sa mga search engine kung paano pagsamahin ang mga termino. Mayroong tatlong pangunahing operator: AT (mga resulta sa paglitaw ng parehong termino — paliitin ang saklaw), OR (anuman sa mga termino — pinalawak ang saklaw, nangongolekta ng mga kasingkahulugan), at HINDI (hindi kasama ang isang termino). Sipi din ang "..." maghanap ng mga kumpletong parirala, ang asterisk * ay ang root contraction (motivat* → motivation, motivational). Karaniwang ganito ang hitsura ng string ng paghahanap:
("distance education" O "online learning" O e-learning)AT (feedback O "formative assessment") AT (pagganyak O pakikipag-ugnayan O "self-efficacy")
Ang AI ay mahusay sa pagbuo ng mga string na ito, pagkumpleto ng mga kasingkahulugan, at pag-adapt sa mga ito sa syntax ng iba't ibang database (Scopus, PubMed, Web of Science ay nangangailangan ng iba't ibang mga spelling). Ngunit ang AI ay wala kung saan mo pinapatakbo ang string; tunay na mga database: Google Scholar (malaki, libre), Scopus at Web of Science (curated, citation-indexed), PubMed (medical/life sciences), field databases (ERIC education, PsycINFO psychology, IEEE Xplore engineering).
Pansin: Kung tatanungin mo ang isang AI chat tool na "maglista ng 20 artikulo sa paksang ito", ibabalik nito ang mga pamagat na mukhang totoo, ngunit ang ilan sa mga ito ay binubuo. Hindi ito screening kundi panganib. Gumamit ng AI upang makabuo ng string, hanapin ang artikulo sa database.
Saklaw, pagsasama at pagsusuri ng agwat
Alam ang magagandang limitasyon sa pag-scan. Ang mga pamantayan sa pagsasama/pagbubukod ay tumutukoy sa saklaw ng iyong paghahanap: aling saklaw ng taon, aling mga wika, aling mga uri ng pag-aaral (pang-eksperimento, pagsusuri), aling konteksto. Maaaring imungkahi ng AI ang mga pamantayang ito sa draft form, at maaari mong patalasin ang mga ito ayon sa iyong field. Kung gumagawa ka ng sistematikong pagsusuri, maaari mong paalalahanan ang daloy ng PRISMA (pamantayan sa pag-uulat para sa mga sistematikong pagsusuri) sa AI at ipagawa ito ng template ng crawl log.
Ang isang gap sa panitikan ay isang tanong o konteksto na hindi pa natutuklasan nang sapat; Ang iyong orihinal na kontribusyon ay madalas na pumupuno sa isang puwang. Tinutulungan ka ng AI na pangalanan ang mga posibleng gaps batay sa mga buod na iyong nabasa — ngunit kunin ito bilang isang paninindigan upang ma-verify, hindi isang hypothesis. Maaaring sabihin ng AI na "Ang X ay hindi napag-aralan sa lugar na ito"; Gayunpaman, maaaring ito ay pinag-aralan, ito ay hindi alam ng AI. Kinukumpirma mo lamang ang puwang sa iyong aktwal na pag-scan.
Paraan ng snowball at kulay abong panitikan
Ang paghahanap ng keyword lamang ay hindi sapat; Ang isang mahusay na pag-scan ay lumalalim sa snowballing. Pag-snowball pabalik, ang susi na makikita mo ay i-scan ang bibliograpiya ng isang artikulo at hanapin ang mga bago nito; Ang snowballing forward ay sinusubaybayan kung sino ang nagbanggit sa artikulong iyon ("Cited by" link sa Google Scholar) at pagdating sa mga susunod na pag-aaral. Binibigyang-daan ka ng paraang ito na makahanap ng mga pag-aaral na sentro sa larangan ngunit hindi mo makuha gamit ang iyong mga keyword. Kapag nagbigay ka ng bibliograpiya ng isang artikulo, matutulungan ka ng AI na bigyang-priyoridad kung aling mga sanggunian ang pinakamalapit sa iyong tanong; Ngunit muli, nasa iyo na hanapin at basahin ang artikulo.
Bukod pa rito, hindi saklaw ng mga akademikong database ang lahat. Ang kulay abong panitikan — mga disertasyon, mga ulat sa institusyon, mga paglilitis sa kumperensya, mga paunang pag-print — ay kritikal sa ilang larangan at binabawasan ang bias ng publikasyon (ang pagkahilig na mag-publish lamang ng mga positibong resulta). Maaaring magmungkahi ang AI kung aling mga gray na mapagkukunan ng literatura (mga disertasyon ng ProQuest, mga institusyonal na repositoryo, mga server ng preprint tulad ng arXiv/SSRN) ang dapat mong hanapin; Kadalasang kinakailangan sa mga sistematikong pagsusuri na huwag limitahan ang iyong saklaw sa mga artikulo sa journal lamang.
tatlong mini case
Case 1 — Pagpapalawak ng string. Nang maghanap ang isang researcher ng edukasyon para sa "flipped classroom" sa Scopus, nakakuha siya ng 300 resulta, ngunit naramdaman niyang nawawala ang mga kasingkahulugan niya. Siya ay nagkaroon ng AI na gumawa ng isang term pool; Nagdagdag siya ng mga katumbas gaya ng "inverted classroom" at "flipped learning". Gamit ang bagong string ang resulta ay tumaas mula 300 hanggang 470; 40 nauugnay na mga artikulo ang napalampas sa unang paghahanap. Hindi nahanap ng AI ang mga artikulo, ngunit itinayo ang string na ginawang mahahanap ang mga ito.
Case 2 — Bumalik mula sa ginawang listahan. Isang nagtapos na estudyante ang direktang nagtanong sa AI para sa "nangungunang 15 na mapagkukunan" para sa pag-scan at pag-paste ng listahan sa kanyang thesis. Sa ilalim ng kontrol ng consultant, 4 na pagsipi ang hindi mahanap sa Web of Science, at 2 DOI ang mali. Nagsimula ang estudyante: sa pagkakataong ito ay kinuha niya ang linya mula sa AI, nakakita ng 60 totoong resulta sa Scopus, sinala ang pamagat-abstract at pinili ang 18. Ang 18 na ito ay totoo lahat.
Kaso 3 — Paglilinaw ng saklaw. Napagtanto ng isang tagapagpananaliksik sa kalusugan na napakalawak ng kanyang paghahanap kaya't nabigla siya ng 2,000 resulta. Nagkaroon ng draft na pamantayan sa pagsasama/pagbubukod ng AI: huling 10 taon, English, sample na nasa hustong gulang, mga randomized na kinokontrol na pagsubok. Idinagdag niya ang filter na "kapaligiran ng ospital lamang" na may sariling impormasyon. Ang resulta ay nahulog mula 2,000 hanggang 180; Isang na-scan na cluster ang nabuo.
Mga nakopyang template
1) Paghihiwalay ng konsepto at term pool:
Ang iyong tungkulin: isang espesyalista sa impormasyon (librarian ng pananaliksik). Ang aking tanong sa pananaliksik ay: "[isulat ang tanong]". Hatiin ang tanong na ito sa mga pangunahing konsepto nito. Bumuo ng term pool ng mga kasingkahulugan sa Ingles, field jargon, at mga alternatibong spelling para sa bawat konsepto. Ibigay ito sa isang mesa. PEKE ang artikulo.
2) Pagbuo ng string ng Boolean na paghahanap:
Bumuo ng Boolean searchstring para sa Scopus gamit ang sumusunod na terminong pool: O mga termino sa loob ng mga konsepto, AT sa pagitan ng mga konsepto, sipiin ang mga parirala, gamitin ang * kung naaangkop. Iangkop ang parehong string sa Web of Science at PubMed syntax. Pool: [i-paste]
3) Draft na pamantayan sa pagsasama/pagbubukod:
Gumagawa ako ng pagsusuri sa panitikan sa "[paksa]". Magmungkahi sa akin ng draft ng pamantayan sa pagsasama/pagbubukod: sa ilalim ng mga heading ng saklaw ng taon, wika, uri ng pag-aaral, sample, konteksto. Ito ay mga mungkahi; Papalitan ko sila ayon sa aking larangan. Isulat nang maikli ang mga dahilan.
4) Pagtatanong ng mga kandidato sa bakante (para maberipika):
Nasa ibaba ang mga buod ng 10 artikulong na-scan ko. Gumuhit ng kanilang mga karaniwang tema at magmungkahi ng agwat sa MGA KANDIDATO kung ANO ANG MGA TANONG ANG HINDI NATINUTUNAN. Ipakita ang mga ito bilang mga hypotheses na aking patunayan, hindi ganap na katotohanan. Mga buod: [i-paste]
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Bigyan mo ako ng listahan ng mga mapagkukunan sa artificial intelligence at edukasyon.
Lumilikha ang AI ng mga pekeng ID; Masyadong malawak ang paksa.
Napakahusay na prompt:
Ang iyong tungkulin: espesyalista sa impormasyon. Paksa: "Ang epekto ng gamification sa pagkabalisa sa matematika sa elementarya". HUWAG MO AKONG BIGYAN NG LISTAHAN NG MGA PINAGMUMULAN. Sa halip:(1) i-parse ang 3 konsepto, (2) bumuo ng repositoryo ng mga kasingkahulugan sa Ingles para sa bawat konsepto, (3) Boolean string para sa Scopus, (4) draft na naaangkop na pamantayan sa pagsasama/pagbubukod. Ang pamagat ng artikulo ay peke.
Layunin
gumamit ng AI
lokasyon ng pag-verify
Pangmatagalang pagpapalawak ng pool
Oo, malakas
Suriin gamit ang kaalaman sa domain
Konstruksyon ng Boolean string
Oo, malakas
Pagsubok sa database
Balangkas ng saklaw/pamantayan
Oo
Patalasin ayon sa lugar
Maghanap ng isang artikulo
hindi
Scholar/Scopus/WoS/PubMed
Clearance commit
bahagyang
Ang tunay na pag-scan ay kinakailangan
Mga karaniwang pagkakamali
- Napagkamalan ang AI para sa isang database. Ang paghiling ng pagsipi ng artikulo ay gumagawa ng mga huwad na pagsipi; Ito ang pinakakaraniwang at mapanganib na pagkakamali.
- Nilaktawan ang mga kasingkahulugan. Ang isang solong terminong paghahanap ay nakakaligtaan ng karamihan sa panitikan.
- Iniwan ang saklaw na hindi malinaw. Kung walang mga filter ng taon, wika, at genre, mapupuno ka ng libu-libong resulta.
- Iginiit ang kawalan ng laman nang hindi ito pinapatunayan. Ang pagsasabi ng "walang nag-aral" nang walang aktwal na screening ay mapanganib.
- Umaasa sa iisang database. Iba't ibang mga index ang sumasakop sa iba't ibang paraan; gumamit ng ilan nang magkasama.
Tip: Upang gawing muli ang iyong paghahanap, itala ang string na iyong ginamit, database, petsa, at bilang ng mga resulta sa isang talahanayan. Ang journal na ito ay sapilitan sa sistematikong pagsusuri; Ito ay isang magandang ugali sa bawat pananaliksik.
Sa buod
Ang pagsusuri sa panitikan ay isang sistematikong gawain: paglilinis ng konsepto, term pool, Boolean string, pamantayan sa saklaw. Ang AI ay isang makapangyarihang katulong sa mga madiskarteng hakbang na ito; gumagawa ng mga kasingkahulugan, gumagawa ng mga string, nagbabalangkas ng pamantayan. Ngunit makakahanap ka ng mga artikulo mula sa mga totoong database, hindi mula sa AI, at i-verify ang bawat byline. Maikling tuntunin ng thumb: diskarte mula sa AI, pinagmulan mula sa database, pagpapatunay mula sa iyo.
Gawain ng aplikasyon
Kumuha ng sarili mong tanong sa pananaliksik. I-parse ang mga konsepto gamit ang AI at gumawa ng term pool at isang Boolean string. Patakbuhin ang string na ito laban sa isang tunay na database (Scholar o isang index na mayroon kang access). Tandaan ang nangungunang 10 resulta at ihambing ang mga ito sa mga byline (kung mayroon man) na dati nang iminungkahi ng AI kapag direktang tinanong; Markahan kung ilan talaga ang umiiral.
checklist
- [ ] Hinati ko ba ang aking tanong sa pananaliksik sa mga konsepto?
- [ ] Nakagawa ba ako ng kasingkahulugan/pang-Ingles na terminong pool para sa bawat konsepto?
- [ ] Nasubukan ko na ba ang boolean string sa totoong database?
- [ ] Nilinaw ko ba ang aking pamantayan sa pagsasama/pagbubukod?
- [ ] Na-verify ko ba na ang bawat mapagkukunang nahanap ko ay talagang umiiral?