收益：
- 能够使用人工智能为经济学问题制定搜索策略、概念图和综合大纲
- 能够识别人工智能可以弥补的来源、虚假引用和错误发现的风险，并验证原始来源的每个参考文献
- 能够将研究结果转化为具有相反观点、方法论差异和背景边界的平衡文献总结。
任何经济分析都不是凭空产生的。在开始提出政策问题、预测、报告之前，先问“关于这个问题已知什么，讨论了什么？”有必要回答一下这个问题。这就是文献综述：对某个主题的现有知识、发现和辩论的有组织的汇编。人工智能似乎是这个行业的一个令人眼花缭乱的加速器——总结主题、绘制概念、整理相反的观点。但这正是它隐藏着最危险陷阱的地方：人工智能可以完全自信地产生不存在的来源、假作者和捏造的发现。本单位不变的规则：每一个引用、每一个发现、每一个名字都经过原始来源的验证；文本中没有未经验证的引用。
人工智能在哪些方面做得很好，哪些方面却没有做到？
它擅长什么（有帮助）：绘制主题及其副标题，建议要查找的关键概念和搜索术语，总结和比较您提供的文本，构建辩论的“双方”，提取文本的论点结构。
永远不被信任（危险）：产生真实的引文和学分。人工智能可以做出极其现实但完全捏造的句子，例如“Yılmaz（2019）发现通货膨胀与增长的关系是负的”。作者可能不存在，文章可能不存在，或者实际的文章可能说相反。这在文献中被称为幻觉，对于学术/专业声誉来说是致命的。
注意：仅仅因为人工智能给出的ID“看起来很真实”并不能证明什么。期刊名称可能是正确的，年份是合理的，作者的名字可能是土耳其语——而这篇文章可能永远不存在。仅当您在实际数据库（期刊网站、DOI、图书馆）中找到它时，您才承认它存在。
正确的工作流程：AI 地图，您验证
- 澄清问题。你要买什么？范围、时期、地理、方法？
- 创建概念图。向人工智能询问主题副标题、关键概念和搜索词——这些是可验证的指针，而不是来源。
- 打一个真正的电话。在真实数据库（学术搜索引擎、期刊档案、机构出版物）中搜索这些术语。
- 将找到的文本总结给人工智能。现在你有了真正的文本； AI可以总结比较。
- 综合和平衡。相反的发现、方法差异和背景边界一起呈现。
- 验证每个属性。文本中包含的每个参考文献是否确实存在，其归属是否正确，是否确实包含所声称的发现？
提示：将人工智能用作“搜索策略师和总结者”，而不是“源查找器”。您查找并验证来源；人工智能可以帮助您理解和比较您找到的来源。
平衡综合：不偏袒任何一方
一篇好的文献综述不会将任何一个发现视为绝对真理。对于经济学中的大多数问题，都有相反的研究结果：一项研究发现了积极的关系，而另一项研究则没有。这通常是由于方法、时期、国家或数据的差异造成的。诚实的综合使这些差异显而易见：“使用方法 A 的研究发现了这一点，使用方法 B 的研究发现了这一点；差异可能源于这个假设。”
三个迷你箱子
案例 1——捏造归因被抓。一位研究人员称AI“总结了5项关于最低工资与就业关系的研究”。 AI给出了五个不错的标签。研究人员在学术数据库中搜索了每一个：三个是真实的，两个根本不是——作者-年份-期刊的组合完全是虚构的。他用了真正的三个，拿出了两个。如果没有核实，文章中就会出现两个幽灵来源。
案例 2 — 不利的发现。 AI引用了一篇署名正确的真实文章，但说“这项研究发现了X”。研究人员打开原始论文：结果却恰恰相反。人工智能将错误的发现归因于真正的来源。即使该印记是真实的，也强化了在未经验证的情况下无法使用该印记的教训。
案例 3 — 平衡综合。一位分析师收集了有关税收政策影响的文献。在第一稿中，AI得出了片面的结论（“影响积极”）。该分析师还补充了相反的研究，并表明差异来自于方法（短期数据与长期数据）。结果是对“条件”的平衡总结；政策评级变得更加可靠。
验证表
人工智能输出
验证步骤
引文/印记
它确实存在于数据库中/带有 DOI 吗？
“这项研究发现了这一点”
这真的是原文中的发现吗？
数值结果
它与文章中的表格/摘要相符吗？
“普遍的接受是这样的”
反对的发现是否被压制了？
搜索词
它在实际搜索中能给出有意义的结果吗？
四个可复制模板
1）概念图和搜索策略：
我将研究以下经济问题：[问题]。给我可以在学术数据库中使用的主题副标题、关键概念和搜索术语（土耳其语 + 英语）。制作来源/引文；只需告诉我在哪里查找以及以什么方式查找即可。
2）总结所提供的文本：
以下是实际文章的文本/摘要。总结一下：研究问题、方法、数据、主要发现、局限性。不要添加文本中没有的任何内容；将您不确定的部分标记为“文中不清楚”。[文本]
3）对比综合：
比较我给你的这 4 项真实研究的摘要：哪些显示相似的发现，哪些显示相互矛盾的发现，以及差异可能解释的是什么（方法、时期、国家、数据）？不要强加片面的结论；让相反的发现同样明显。
4) 引文验证清单：
列出本草案中的所有参考文献。对于每一个，说明我需要验证的三件事：（1）来源是否确实存在，（2）归因是否准确，（3）它是否包含归因于它的发现？在我验证之前，不要将其中任何一个视为“确定”。
弱提示/强提示
弱提示：
写一篇关于这个主题的文献摘要并给出来源。
人工智能生成的文本看起来很真实，但其中充满了部分虚构的参考资料；如果您不核实，虚假来源将进入报告。
强力提示：
我将研究最低工资与就业的关系。首先，给我副标题和搜索词（生产来源/引文）。我会找到真正的作品并将它们的文本带给你；你就总结比较一下我带来的东西吧。平等地呈现相反的发现，并讨论差异是否来自方法或时期。不要添加文本中没有的任何数字或发现。
常见错误
- 直接从人工智能索取来源/引文并在未经验证的情况下使用它们。产生幻觉的风险。
- 将现实的印记误认为是真实的。外表并不能证明。
- 没有注意到错误的发现归因于正确的标签。有消息来源，但这种说法可能是错误的。
- 单向合成。隐瞒相反的发现。
- 绕过方法/上下文差异。比较苹果和梨。
- 数字泄漏到摘要中，而文本中没有。人工智能的“填充物”。
综上所述
在文献综述中，人工智能是一个强大的搜索策略师和总结者，但却是一个不可靠的源生成器。正确的工作流程：人工智能映射概念和搜索术语，您查找并验证实际来源，然后人工智能总结并比较您的发现。每一个参考和发现都经过原始来源的确认；该综合诚实地反映了相反的观点和方法论差异。
应用任务
选择一个经济学问题。使用模板 1 从 AI 获取概念图和搜索词（无需请求来源）。在真实的学术数据库中使用这些术语查找至少三项真实的研究。总结并与模板 2 和 3 进行比较。然后，在单独的尝试中，要求人工智能直接引用，并在数据库中搜索它给出的引用，以确定有多少是真实的，有多少是捏造的，并记下它们。
清单
- [ ] 我使用人工智能作为搜索策略/摘要器，而不是资源生成器。
- [ ] 我自己找到了真实来源，并在数据库中进行了验证。
- [ ] 我已经确认每个参考文献确实存在并且其归属是正确的。
- [ ] 我查了一下原文的归因结果。
- [ ] 我以平衡的方式提出了相反的发现和方法论差异。
- [ ] 我检查了没有在文本中出现的数字/发现没有泄漏到摘要中。
- [ ] 我没有在文中包含任何未经验证的参考文献。