收益：
- 通过添加人群、背景和焦点，能够将广泛的主题缩小为具体的可研究问题
- 能够从数据库中查找来源本身，并使用人工智能仅合成其收集的实际摘要
- 能够通过 DOI 和存在检查来验证人工智能建议的每个参考，并消除虚假来源
每项社会研究都始于一个问题。一个好的研究问题是对好奇心的可回答的、有限的和有意义的陈述：“为什么有些年轻人远离政治？”而不是诸如“18-25岁的大学生不参加地方选举的原因是什么？”之类的模糊要求。一个具体的问题，比如：问题之后有两个任务：文献综述——即系统地收集和阅读之前关于你的主题的文章——以及建立概念框架——即确定你将用哪种理论（解释社会事件的系统思维结构）和概念来理解你的研究。在本单元中，您将学习如何在这三项工作中使用人工智能；但您将学会如何保持安全而不被假消息来源所迷惑。
这是整个模块中最需要关注的部分。因为文献综述是AI最容易产生幻觉的任务。如果你告诉人工智能“说出这个主题的来源”，它可以编造看起来真实但不存在的文章、作者和年份。所以黄金法则是：人工智能不会发现文学，它会处理你找到的文学。查找来源是学术数据库的工作（可搜索的出版物集合，例如 Google Scholar、Web of Science、TR Index、YÖK Thesis、期刊自己的档案）；人工智能会合成您找到的文本。
一步一步：从问题到框架
1. 缩小研究问题范围。从一个广泛的主题（例如“社交媒体和孤独”）开始，然后通过添加人口（谁）、背景（地点、时间）和焦点（您到底好奇什么）来缩小范围。人工智能有助于从一个主题中生成 5-6 个可供选择的具体问题；由您决定哪一个值得研究。
2. 提取关键概念。定义问题中的每个重要概念（例如“孤独”、“社会资本”、“数字排斥”）。人工智能擅长为概念生成替代名称和搜索词；这丰富了您的数据库搜索。
3. 找到你的来源。使用关键术语搜索数据库并下载相关文章的摘要和全文。不要告诉AI“寻找资源”；自己收集资源。
4.用AI进行合成。将你收集到的实际总结提供给人工智能，并提取共同的发现、矛盾和差距。这加快了逐一比较数十个摘要的任务。
5. 建立概念框架。根据研究结果，决定您将使用哪种理论来阅读您的研究。人工智能可以用简单的语言解释理论；由您决定哪一个适合您的问题。
注意：如果没有在数据库中找到并确认其 DOI（数字对象标识符 - 为每个学术出版物提供的永久 ID），请勿使用 AI 生成的任何参考。仅仅因为它“看起来可信”并不意味着它是真实的。人工智能可以精确地制造出令人信服的赝品。
三个迷你箱子
案例 1——缩小问题范围。一名学生提出了一个很大的话题，比如“移民与身份”。他要求AI推导出6个具体的子问题；其中，他选择了“二代移民青年的母语使用与归属关系”的问题。这个庞大的主题归结为一篇为期 4 个月的论文的可研究问题。
案例 2 — 假 DOI。研究人员通过 DOI 查询了 YZ 提供的 12 篇参考文献。 12 个 DOI 中的 3 个要么没有发表任何文章，要么导致发表完全不同的文章。 AI 为真实期刊生成了假 DOI。批量检查剔除了这3个假来源。
案例 3 — 差距发现。一个团队给了AI 22篇真实的文章摘要，并询问“哪个问题还没有研究过？” YZ指出，大多数研究都集中在大城市，而农村背景几乎从未被关注。该团队将这一差距作为他们自己研究问题的理由。
四个可复制模板
1）缩小研究问题范围：
地点：[广泛的主题]。从这个主题中引出 6 个具体的社会学研究问题。确保每个问题的人群、背景和焦点都清晰。在每个问题旁边添加注释，注明“定量、定性或混合是否合适？”提交问题作为建议；我会做出选择。
2）搜索词生成（我会找到来源）：
生成可在数据库搜索中使用的同义词和相关术语来搜索以下概念：[概念 1]、[概念 2]。给出土耳其语和英语的对应词。建议使用布尔运算符 (AND/OR) 的示例搜索字符串。源码推荐；只需提供搜索条件即可。
3）文献综合（仅限我提供的文本）：
下面我贴出10篇文章[M1]-[M10]的摘要。仅基于这些，就会出现一个表格，其中包含：（1）一致的研究结果，（2）相互矛盾的研究结果，（3）方法论方法，（4）差距。在每一行中，用 [M#] 指示它基于哪个文本。不要添加任何外部资源。
4）来源验证批量检查：
对于下面参考列表中的每条记录，收集表中需要验证的字段：作者、年份、标题、期刊、DOI。如果您不确定任何区域，请写下“必须验证”。如果你根本不知道参考资料，就不要编造；写“未知”。列表：[此处]
弱提示/强提示
弱提示：
通过参考书目列出关于数字不平等的 10 篇最重要的文章。
这就直接请AI来补了。该模型产生了 10 个不存在但看起来真实的源；您无法确认其中任何一个。
强力提示：
你的角色：综合助理。下面我把我收集的9篇文章的总结贴出来。您的任务是绘制 (1) 这 9 项研究的共同点，(2) 它们相互矛盾的地方，(3) 他们使用的方法，以及 (4) 尚未解答的问题。仅使用这些文本；使用 [M#] 将每个声明链接到来源。摘要：[此处]
区别在于：人工智能不再“查找”资源，而是将您的实际资源转换为可读的合成图。
文献综述：哪个工作是谁的
舞台
人工智能可以
男人必须做的事
缩小主题范围
生成替代问题
问题的选择
搜索词
同义词、翻译
搜索策略
采购
—（伪造风险）
数据库扫描
阅读总结
快速回顾
质量评估
合成
共同/冲突的发现图
评论与选择
来源验证
编辑清单
DOI/实体确认
常见错误
- 向 AI 请求资源。查找文献是数据库的工作；人工智能弥补了这一点。
- 不确认 DOI。即使看起来很逼真的 DOI 也可能是假的；逐一提问。
- 盲目坚持单一理论。调查结果应该设定框架，而不是你的偏见。
- 跳跃间隙。一个好的研究问题可以弥补文献中的空白；有意识地寻找这一点。
- 按原样复制合成。不要将人工智能的总结作为您自己的分析；返回源头并亲自阅读。
总之
研究骨干；这是一个明确的问题、诚实的文献综述和适当的概念框架。人工智能在缩小问题范围、生成搜索词、综合您收集的实际摘要以及构建验证列表方面提供了强大的帮助。但你找到了来源，你确认了每一个参考，你选择了框架并做出了解释。人类领域最大的陷阱是假来源；规则很明确：人工智能不会发现文献，它会处理你发现的内容。
应用任务
选择一个研究课题。使用 AI 生成 6 个可供选择的具体问题并选择一个。自己搜索数据库并收集至少 8 篇实际文章摘要。使用“文献综合”模板将这些摘要提供给人工智能，并创建常见发现、矛盾和差距的地图。最后，如果人工智能在流程开始时建议有任何参考文献，请使用 DOI 验证它们并报告有多少是假的。
清单
- [ ] 我根据人群、背景和焦点缩小了研究问题的范围。
- [ ] 资源是我自己从数据库收集的，没有向AI索要。
- [ ] 我已检查每个参考文献的 DOI/存在性。
- [ ] 我仅根据实际摘要并参考来源进行了综合。
- [ ] 我根据调查结果选择了概念框架。