Lợi nhuận:
- Khả năng lập kế hoạch phạm vi quét với sự hỗ trợ trí tuệ nhân tạo bằng cách tạo từ khóa, từ đồng nghĩa và chuỗi tìm kiếm Boolean từ câu hỏi nghiên cứu
- Định vị trí tuệ nhân tạo như một công cụ tạo chiến lược chứ không phải công cụ tìm kiếm nguồn và có thể xác minh mọi nguồn được tìm thấy trong cơ sở dữ liệu thực (Google Scholar, Scopus, Web of Science, PubMed).
- Khả năng hiểu được nguy cơ trí tuệ nhân tạo cung cấp các nguồn bịa đặt và số liệu thống kê giả mạo, đồng thời có được phản xạ xác minh mọi trích dẫn khi xác định lỗ hổng trong tài liệu.
Mọi nghiên cứu đều bắt đầu bằng việc xem xét tài liệu: bạn không thể đóng góp ban đầu nếu không xem những gì đã được thực hiện trước đây về chủ đề của mình, những câu hỏi nào đã được trả lời và những khoảng trống ở đâu. Nhưng văn học thì rất lớn; Hàng triệu bài báo được xuất bản hàng năm. Đây là lúc AI là một công cụ tăng tốc tuyệt vời - nhưng có ranh giới rất khác biệt. Câu quan trọng nhất của đơn vị này là: AI được sử dụng trong đánh giá tài liệu với tư cách là nhà chiến lược tìm kiếm chứ không phải cơ sở dữ liệu nguồn. Bởi vì AI không tìm cho bạn những bài viết thực sự; Nó tạo ra các dòng tiêu đề bài viết trông có vẻ hợp lý, một số trong đó là bịa đặt.
Trong phần này, chúng ta sẽ tìm hiểu cách lập kế hoạch tìm kiếm có hệ thống từ câu hỏi nghiên cứu của bạn, sử dụng AI để làm phong phú kế hoạch đó và xác thực từng nguồn bạn tìm thấy dựa trên cơ sở dữ liệu thực.
Bộ xương của việc xem xét tài liệu
Một quá trình quét tốt có ba giai đoạn. Trước tiên, bạn chia nhỏ các khái niệm: bạn chia câu hỏi nghiên cứu của mình thành các thành phần chính. Ví dụ, trong câu hỏi “Ảnh hưởng của phản hồi đến động lực của sinh viên trong giáo dục từ xa”, có ba khái niệm: giáo dục từ xa, phản hồi, động lực. Sau đó, bạn tạo một nhóm thuật ngữ cho từng khái niệm: từ đồng nghĩa, biệt ngữ hiện trường, từ tương đương trong tiếng Anh (giáo dục từ xa → giáo dục từ xa, học trực tuyến, học trực tuyến, học từ xa). Cuối cùng, bạn kết hợp các thuật ngữ này với các toán tử Boolean.
Toán tử Boolean là các liên từ logic cho công cụ tìm kiếm biết cách kết hợp các thuật ngữ. Có ba toán tử cơ bản: AND (kết quả xuất hiện của cả hai thuật ngữ - thu hẹp phạm vi), OR (bất kỳ thuật ngữ nào - mở rộng phạm vi, thu thập từ đồng nghĩa) và NOT (loại trừ một thuật ngữ). Ngoài ra, dấu ngoặc kép "..." hãy tìm cụm từ hoàn chỉnh, dấu hoa thị * là từ viết tắt (động lực* → động lực, động lực). Chuỗi tìm kiếm thường trông như thế này:
("giáo dục từ xa" HOẶC "học trực tuyến" HOẶC học trực tuyến)VÀ (phản hồi HOẶC "đánh giá quá trình") VÀ (động lực HOẶC sự tham gia HOẶC "năng lực bản thân")
AI rất xuất sắc trong việc tạo ra các chuỗi này, hoàn thiện các từ đồng nghĩa và điều chỉnh chúng theo cú pháp của các cơ sở dữ liệu khác nhau (Scopus, PubMed, Web of Science yêu cầu các cách viết khác nhau). Nhưng AI không phải là nơi bạn chạy chuỗi; cơ sở dữ liệu thực tế: Google Scholar (lớn, miễn phí), Scopus và Web of Science (được tuyển chọn, lập chỉ mục trích dẫn), PubMed (khoa học y tế/đời sống), cơ sở dữ liệu lĩnh vực (giáo dục ERIC, tâm lý học PsycINFO, kỹ thuật IEEE Xplore).
Chú ý: Nếu bạn yêu cầu một công cụ trò chuyện AI "liệt kê 20 bài viết về chủ đề này", nó sẽ trả về những tiêu đề trông có vẻ như thật nhưng một số trong số đó là bịa đặt. Đây không phải là sàng lọc mà là nguy hiểm. Sử dụng AI để tạo chuỗi, tìm bài viết trong cơ sở dữ liệu.
Phân tích phạm vi, bao gồm và khoảng cách
Biết giới hạn quét tốt. Tiêu chí bao gồm/loại trừ xác định phạm vi tìm kiếm của bạn: phạm vi năm nào, ngôn ngữ nào, loại nghiên cứu nào (thử nghiệm, đánh giá), bối cảnh nào. AI có thể đề xuất các tiêu chí này ở dạng bản nháp và bạn có thể mài giũa chúng theo lĩnh vực của mình. Nếu đang thực hiện đánh giá có hệ thống, bạn có thể nhắc luồng PRISMA (tiêu chuẩn báo cáo cho đánh giá có hệ thống) tới AI và yêu cầu AI tạo mẫu nhật ký thu thập thông tin.
Khoảng trống tài liệu là một câu hỏi hoặc bối cảnh chưa được khám phá đầy đủ; Đóng góp ban đầu của bạn thường lấp đầy khoảng trống. AI giúp bạn đặt tên cho những khoảng trống có thể có dựa trên các bản tóm tắt bạn đọc - nhưng hãy coi đó là một khẳng định cần được xác minh chứ không phải là một giả thuyết. AI có thể nói “X chưa được nghiên cứu trong lĩnh vực này”; Tuy nhiên, có thể nó đã được nghiên cứu, chỉ là AI chưa biết mà thôi. Bạn chỉ xác nhận khoảng cách bằng lần quét thực tế của mình.
Phương pháp quả cầu tuyết và tài liệu xám
Chỉ tìm kiếm từ khóa là không đủ; Một bản quét tốt sẽ được đào sâu bằng cách lăn cầu tuyết. Trượt tuyết ngược, chìa khóa bạn tìm thấy là quét qua thư mục của một bài báo và tìm những bài trước nó; Snowballing Forward đang theo dõi ai đã trích dẫn bài viết đó (liên kết “Được trích dẫn bởi” trong Google Scholar) và đi đến các nghiên cứu tiếp theo. Phương pháp này cho phép bạn tìm các nghiên cứu trọng tâm của lĩnh vực này nhưng bạn không thể nắm bắt được bằng từ khóa của mình. Khi bạn cung cấp thư mục của một bài viết, AI có thể giúp bạn ưu tiên những tài liệu tham khảo nào gần nhất với câu hỏi của bạn; Nhưng một lần nữa, việc tìm và đọc bài viết là tùy thuộc vào bạn.
Ngoài ra, cơ sở dữ liệu học thuật không bao gồm tất cả mọi thứ. Tài liệu xám - luận văn, báo cáo tổ chức, kỷ yếu hội nghị, bản in trước - rất quan trọng trong một số lĩnh vực và bù đắp cho sự thiên vị xuất bản (xu hướng chỉ công bố kết quả tích cực). AI có thể đề xuất nguồn tài liệu xám nào (luận án ProQuest, kho lưu trữ của tổ chức, máy chủ in sẵn như arXiv/SSRN) mà bạn nên tìm kiếm; Trong quá trình đánh giá có hệ thống, điều bắt buộc là không chỉ giới hạn phạm vi của bạn trong các bài báo.
ba trường hợp nhỏ
Trường hợp 1 - Mở rộng chuỗi. Khi một nhà nghiên cứu giáo dục tìm kiếm "lớp học đảo ngược" trên Scopus, cô nhận được 300 kết quả nhưng cảm thấy thiếu từ đồng nghĩa. Anh ấy đã nhờ AI tạo ra một nhóm thuật ngữ; Ông đã thêm các từ tương đương như "lớp học đảo ngược" và "học tập đảo ngược". Với chuỗi mới, kết quả tăng từ 300 lên 470; 40 bài viết liên quan đã bị bỏ sót trong lần tìm kiếm đầu tiên. AI không tìm thấy các bài viết mà xây dựng chuỗi để có thể tìm thấy chúng.
Trường hợp 2 - Trở về từ danh sách đã lập. Một sinh viên tốt nghiệp đã trực tiếp hỏi AI về “15 nguồn hàng đầu” để quét và dán danh sách này vào luận án của mình. Dưới sự kiểm soát của nhà tư vấn, không thể tìm thấy 4 trích dẫn trong Web of Science và 2 DOI không chính xác. Người sinh viên bắt đầu lại: lần này anh ta lấy dòng từ AI, tìm thấy 60 kết quả thực trong Scopus, sàng lọc tiêu đề tóm tắt và chọn ra 18. 18 kết quả này đều là thực.
Trường hợp 3 - Làm rõ phạm vi. Một nhà nghiên cứu sức khỏe nhận ra rằng tìm kiếm của anh rộng đến mức khiến anh choáng ngợp trước 2.000 kết quả. Đã có dự thảo tiêu chí bao gồm/loại trừ AI được đưa ra: 10 năm qua, tiếng Anh, mẫu người lớn, thử nghiệm ngẫu nhiên có đối chứng. Anh ấy đã thêm bộ lọc "chỉ môi trường bệnh viện" bằng thông tin của riêng mình. Kết quả giảm từ 2.000 xuống 180; Một cụm có thể quét được đã được hình thành.
Mẫu có thể sao chép
1) Phân tách khái niệm và nhóm thuật ngữ:
Vai trò của bạn: một chuyên gia thông tin (thủ thư nghiên cứu). Câu hỏi nghiên cứu của tôi là:"[viết câu hỏi]". Hãy chia câu hỏi này thành các khái niệm chính. Tạo một nhóm thuật ngữ gồm các từ đồng nghĩa tiếng Anh, biệt ngữ trường và cách viết thay thế cho từng khái niệm. Đưa nó vào một cái bàn. Bài viết là FAKE.
2) Tạo chuỗi tìm kiếm Boolean:
Xây dựng chuỗi tìm kiếm Boolean cho Scopus bằng cách sử dụng nhóm thuật ngữ sau: HOẶC các thuật ngữ trong các khái niệm, AND giữa các khái niệm, cụm từ trích dẫn, sử dụng * khi thích hợp. Điều chỉnh chuỗi tương tự theo cú pháp Web of Science và PubMed. Bể bơi: [dán]
3) Dự thảo tiêu chí bao gồm/loại trừ:
Tôi đang thực hiện một bài đánh giá tài liệu về "[chủ đề]". Đề xuất cho tôi bản dự thảo về tiêu chí đưa vào/loại trừ: dưới các tiêu đề về phạm vi năm, ngôn ngữ, loại hình nghiên cứu, mẫu, bối cảnh. Đây là những gợi ý; Tôi sẽ thay đổi chúng theo lĩnh vực của tôi. Viết lý do ngắn gọn.
4) Truy vấn ứng viên đang tuyển dụng (sẽ được xác minh):
Dưới đây là tóm tắt của 10 bài viết tôi đã quét. Rút ra các chủ đề chung của họ và đề xuất những khoảng cách giữa các ỨNG VIÊN về những CÂU HỎI NÀO ÍT GIẢI QUYẾT hơn. Trình bày những điều này như những giả thuyết mà tôi sẽ xác minh chứ không phải sự thật tuyệt đối. Tóm tắt: [dán]
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Hãy cho tôi danh sách các tài nguyên về trí tuệ nhân tạo và giáo dục.
AI tạo ID giả; Chủ đề cũng quá rộng.
Lời nhắc mạnh mẽ:
Vai trò của bạn: chuyên gia thông tin. Chủ đề: "Tác dụng của gamification đối với sự lo lắng về toán học ở trường tiểu học". ĐỪNG CHO TÔI DANH SÁCH NGUỒN. Thay vào đó: (1) phân tích 3 khái niệm, (2) tạo kho lưu trữ các từ đồng nghĩa tiếng Anh cho từng khái niệm, (3) chuỗi Boolean cho Scopus, (4) dự thảo các tiêu chí bao gồm/loại trừ có thể áp dụng. Tiêu đề bài viết là giả mạo.
Mục đích
sử dụng AI
vị trí xác minh
Mở rộng nhóm kỳ hạn
Vâng, mạnh mẽ
Ôn tập với kiến thức về miền
Cấu trúc chuỗi Boolean
Vâng, mạnh mẽ
Kiểm tra trong cơ sở dữ liệu
Tóm tắt phạm vi/tiêu chí
Có
Làm sắc nét theo khu vực
Tìm một bài viết
không
Học giả/Scopus/WoS/PubMed
Cam kết giải phóng mặt bằng
một phần
Quét thực sự là phải
Những lỗi thường gặp
- Nhầm AI với cơ sở dữ liệu. Việc yêu cầu trích dẫn bài viết sẽ tạo ra những trích dẫn giả mạo; Đây là sai lầm phổ biến và nguy hiểm nhất.
- Bỏ qua các từ đồng nghĩa. Một tìm kiếm thuật ngữ duy nhất bỏ lỡ phần lớn tài liệu.
- Để lại phạm vi không rõ ràng. Nếu không có bộ lọc năm, ngôn ngữ và thể loại, bạn sẽ choáng ngợp với hàng nghìn kết quả.
- Khẳng định tính không mà không xác minh nó. Nói "không ai học" mà không sàng lọc thực tế là rất rủi ro.
- Dựa vào một cơ sở dữ liệu duy nhất. Các chỉ mục khác nhau bao trùm khác nhau; sử dụng một số cùng nhau.
Mẹo: Để làm cho tìm kiếm của bạn có thể lặp lại, hãy ghi lại chuỗi bạn đã sử dụng, cơ sở dữ liệu, ngày tháng và số lượng kết quả vào một bảng. Tạp chí này là bắt buộc trong tổng quan hệ thống; Đó là một thói quen tốt trong mọi nghiên cứu.
Tóm lại
Đánh giá tài liệu là một nhiệm vụ có hệ thống: chắt lọc khái niệm, nhóm thuật ngữ, chuỗi Boolean, tiêu chí bao phủ. AI là trợ thủ đắc lực trong những bước đi chiến lược này; tạo ra các từ đồng nghĩa, xây dựng các chuỗi, phác thảo các tiêu chí. Nhưng bạn tìm thấy các bài viết từ cơ sở dữ liệu thực chứ không phải từ AI và xác minh từng dòng tên. Nguyên tắc chung: chiến lược từ AI, nguồn từ cơ sở dữ liệu, xác thực từ bạn.
Nhiệm vụ ứng dụng
Nhận câu hỏi nghiên cứu của riêng bạn. Phân tích các khái niệm bằng AI và tạo ra nhóm thuật ngữ và chuỗi Boolean. Chạy chuỗi này dựa trên cơ sở dữ liệu thực (Học giả hoặc chỉ mục mà bạn có quyền truy cập). Note 10 kết quả top đầu và so sánh với các dòng nội dung (nếu có) mà AI đã gợi ý trước đó khi được hỏi trực tiếp; Đánh dấu có bao nhiêu thực sự tồn tại.
danh sách kiểm tra
- [ ] Tôi đã chia câu hỏi nghiên cứu của mình thành các khái niệm chưa?
- [ ] Tôi đã tạo nhóm từ đồng nghĩa/thuật ngữ tiếng Anh cho từng khái niệm chưa?
- [ ] Tôi đã kiểm tra chuỗi boolean trên cơ sở dữ liệu thực chưa?
- [ ] Tôi đã làm rõ các tiêu chí bao gồm/loại trừ của mình chưa?
- [ ] Tôi đã xác minh rằng mọi tài nguyên tôi tìm thấy đều thực sự tồn tại chưa?