收益：
- 能够通过从研究问题生成关键字、同义词和布尔搜索字符串来在人工智能支持下规划扫描范围
- 将人工智能定位为策略生成工具，而不是来源查找工具，并且能够验证真实数据库（Google Scholar、Scopus、Web of Science、PubMed）中找到的每个来源。
- 能够了解人工智能提供捏造的来源和虚假统计数据的风险，并在确定文献中的差距时获得验证每一次引用的能力。
每项研究都从文献综述开始：如果不了解之前针对您的主题所做的工作、已回答哪些问题以及存在差距，您就无法做出原创性贡献。但文献是巨大的；每年发表数百万篇文章。这就是人工智能成为伟大加速器的地方——但有着非常明显的分界线。本单元最重要的一句话是这样的：AI在文献综述中用作搜索策略，而不是用作源数据库。因为AI不会给你找到真正的文章；它生成看起来可能的文章署名，其中一些是捏造的。
在本单元中，我们将学习如何从您的研究问题中得出系统的搜索计划，使用人工智能来丰富该计划，并根据真实数据库验证您找到的每个来源。
文献综述的骨架
一次好的扫描分为三个阶段。首先，你要分解概念：将你的研究问题分解为其主要组成部分。例如，在“远程教育中反馈对学生动机的影响”这个问题中，存在三个概念：远程教育、反馈、动机。然后，您为每个概念创建一个术语库：同义词、领域术语、英语等效项（远程教育→远程教育、在线学习、电子学习、远程学习）。最后，将这些术语与布尔运算符组合起来。
布尔运算符是逻辑连接词，告诉搜索引擎如何组合术语。共有三个基本运算符：AND（导致两个术语都出现 - 缩小范围）、OR（任何术语 - 扩大范围、收集同义词）和 NOT（排除术语）。还可以用引号“...”查找完整的短语，星号 * 是词根缩写（motivat* → 动机、动机）。搜索字符串通常如下所示：
（“远程教育”或“在线学习”或电子学习）AND（反馈或“形成性评估”）AND（动机或参与度或“自我效能”）
AI 非常擅长生成这些字符串、完成同义词并使它们适应不同数据库的语法（Scopus、PubMed、Web of Science 需要不同的拼写）。但人工智能并不是你运行字符串的地方；它是你运行字符串的地方。真实数据库：Google Scholar（大型、免费）、Scopus 和 Web of Science（精选、引文索引）、PubMed（医学/生命科学）、领域数据库（ERIC 教育、PsycINFO 心理学、IEEE Xplore 工程）。
注意：如果你要求人工智能聊天工具“列出有关该主题的 20 篇文章”，它会返回看起来真实的标题，但其中一些是编造的。这不是筛查，而是危险。使用AI生成字符串，在数据库中查找文章。
范围、包容性和差距分析
了解良好的扫描限制。纳入/排除标准决定了您的搜索范围：哪个年份范围、哪种语言、哪种研究类型（实验、回顾）、哪种背景。人工智能可以以草稿形式建议这些标准，你可以根据你的领域来完善它们。如果你正在做系统评价，你可以提醒PRISMA（系统评价报告标准）流程给AI并让它产生爬行日志模板。
文献空白是指尚未充分探讨的问题或背景；您最初的贡献通常会填补空白。人工智能可以帮助您根据您阅读的摘要来命名可能的差距，但将其视为需要验证的断言，而不是假设。 AI可能会说“X在这方面还没有被研究过”；不过，可能已经研究过了，只是AI不知道而已。您只需通过实际扫描来确认差距。
滚雪球法与灰色文献
仅靠关键词搜索是不够的；还需要进行搜索。良好的扫描会像滚雪球一样加深。滚雪球倒退，找到的关键是扫描一篇文章的参考书目，找到它之前的文章；滚雪球式前进正在跟踪谁引用了该文章（谷歌学术搜索中的“引用者”链接）并得出后续研究。通过这种方法，您可以找到该领域的核心研究，但您无法使用关键字捕获这些研究。当您提供一篇文章的参考书目时，人工智能可以帮助您优先考虑哪些参考文献最接近您的问题；但同样，找到并阅读这篇文章取决于您。
此外，学术数据库并不能涵盖所有内容。灰色文献——论文、机构报告、会议记录、预印本——在某些领域至关重要，可以抵消出版偏见（只发表积极结果的倾向）。 AI 可以建议您应该搜索哪些灰色文献来源（ProQuest 论文、机构知识库、预印本服务器，例如 arXiv/SSRN）；在系统评价中，通常不能将范围仅限于期刊文章。
三个迷你箱子
情况 1 — 字符串扩展。当一位教育研究人员在 Scopus 上搜索“翻转课堂”时，她得到了 300 个结果，但觉得自己缺少同义词。他让人工智能产生了一个术语库；他添加了“反向课堂”和“翻转学习”等等效词。使用新字符串后，结果从 300 增加到 470；初步搜索中遗漏了 40 篇相关文章。 AI 没有找到这些文章，而是构建了使它们可找到的字符串。
情况 2 — 从编造的清单中返回。一名研究生直接向 AI 询问“前 15 个来源”进行扫描，并将该列表粘贴到他的论文中。在顾问的控制下，有 4 个引文在 Web of Science 中找不到，2 个 DOI 不正确。学生重新开始：这次他从人工智能中获取线索，在 Scopus 中找到了 60 个真实结果，筛选了标题摘要并选择了 18 个。这 18 个都是真实的。
案例 3 — 范围澄清。一位健康研究人员意识到他的搜索范围太广，以至于 2,000 个结果让他不知所措。已制定 AI 纳入/排除标准草案：过去 10 年、英国、成人样本、随机对照试验。他用自己的信息添加了“仅限医院环境”过滤器。结果从2000下降到180；形成了可扫描的簇。
可复制模板
1）概念分离和术语池：
您的角色：信息专家（研究馆员）。我的研究问题是：“[写问题]”。将这个问题分解为主要概念。为每个概念生成英语同义词、领域术语和替代拼写的术语库。将其放在表格中。这篇文章是假的。
2）布尔搜索字符串生成：
使用以下术语池为 Scopus 构建布尔搜索字符串：概念内的 OR 术语、概念之间的 AND、引用短语，在适当的情况下使用 *。将相同的字符串调整为 Web of Science 和 PubMed 语法。池：[粘贴]
3) 纳入/排除标准草案：
我正在对“[主题]”进行文献综述。建议我起草一份纳入/排除标准：在年份范围、语言、研究类型、样本、背景等标题下。这些是建议；我会根据我的领域来改变它们。简要写出原因。
4）查询空缺候选人（待核实）：
以下是我扫描的 10 篇文章的摘要。找出他们的共同主题，并就哪些问题较少被提及提出差距候选人建议。将这些作为我将验证的假设提出，而不是绝对真理。总结：[粘贴]
弱提示/强提示
弱提示：
给我一份有关人工智能和教育的资源清单。
人工智能创建假身份证；主题也太广泛了。
强力提示：
您的角色：信息专家。主题：“游戏化对小学数学焦虑的影响”。不要给我来源清单。相反：(1) 解析 3 个概念，(2) 生成每个概念的英语同义词存储库，(3) Scopus 的布尔字符串，(4) 起草适用的纳入/排除标准。文章标题是假的。
目的
使用人工智能
验证地点
术语库扩展
是的，很强
使用领域知识进行审查
布尔字符串构造
是的，很强
在数据库中测试
范围/标准大纲
是的
按面积锐化
查找文章
不
学者/Scopus/WoS/PubMed
清仓承诺
部分地
真实扫描是必须的
常见错误
- 将人工智能误认为是数据库。请求文章引用会产生虚假引用；这是最常见和最危险的错误。
- 跳过同义词。单一术语搜索会错过很多文献。
- 留下范围不明确。如果没有年份、语言和流派过滤器，您将被数千个结果淹没。
- 断言空性而不验证它。未经实际筛选就说“没有人研究”是有风险的。
- 依赖单一数据库。不同的指数覆盖范围不同；一起使用几个。
提示：为了使您的搜索具有可重复性，请在表格中记录您使用的字符串、数据库、日期和结果数。该期刊强制系统评审；这是每项研究中的好习惯。
总之
文献综述是一项系统任务：概念蒸馏、术语池、布尔字符串、覆盖标准。人工智能是这些战略步骤的有力助手；生成同义词、构造字符串、概述标准。但你会从真实的数据库而不是人工智能中找到文章，并验证每个署名。简短的经验法则：来自人工智能的策略、来自数据库的来源、来自您的验证。
应用任务
提出你自己的研究问题。使用人工智能解析概念并生成术语池和布尔字符串。针对真实数据库（Scholar 或您有权访问的索引）运行此字符串。记下前 10 个结果，并将其与 AI 之前直接询问时建议的署名（如果有）进行比较；标记实际存在的数量。
清单
- [ ] 我是否将我的研究问题分解为概念？
- [ ] 我是否为每个概念创建了同义词/英语术语库？
- [ ] 我是否在真实数据库上测试了布尔字符串？
- [ ] 我是否澄清了我的纳入/排除标准？
- [ ] 我是否已验证我找到的每个资源确实存在？