اگر تا به حال روی یک مقاله، پایان‌نامه یا طرح پژوهشی کار کرده باشید، احتمالاً می‌دانید که Literature Review یا مرور ادبیات پژوهش یکی از زمان‌برترین بخش‌های کار علمی است. پیدا کردن مقالات مرتبط، خواندن ده‌ها یا حتی صدها مقاله، استخراج یافته‌ها، مقایسه مطالعات و در نهایت پیدا کردن شکاف پژوهشی، فرایندی طولانی و گاهی خسته‌کننده است.

هوش مصنوعی می‌تواند بخش قابل توجهی از این مسیر را سریع‌تر کند؛ اما یک نکته مهم وجود دارد: هوش مصنوعی قرار نیست به جای پژوهشگر Literature Review را انجام دهد. ارزش واقعی آن زمانی مشخص می‌شود که از آن برای جست‌وجو، سازمان‌دهی، استخراج اطلاعات، مقایسه مطالعات و کشف ارتباطات میان پژوهش‌ها استفاده کنیم.

Literature Review دقیقاً چه کاری انجام می‌دهد؟

مرور ادبیات فقط فهرست کردن مقالاتی نیست که درباره یک موضوع منتشر شده‌اند. پژوهشگر باید نشان دهد مطالعات قبلی چه پرسشی داشته‌اند، از چه روش‌هایی استفاده کرده‌اند، به چه نتایجی رسیده‌اند و چه نقاط ضعف یا خلأهایی همچنان وجود دارد.

در یک Literature Review خوب، مطالعات با یکدیگر ارتباط پیدا می‌کنند. برای مثال، ممکن است چند پژوهش نتیجه مشابهی گزارش کرده باشند، در حالی که گروه دیگری از مطالعات نتایج متفاوتی داشته‌اند. وظیفه پژوهشگر این است که این الگوها، تفاوت‌ها و شکاف‌ها را شناسایی و تفسیر کند.

هوش مصنوعی می‌تواند در بسیاری از این مراحل دستیار پژوهشگر باشد، اما قضاوت علمی همچنان به عهده پژوهشگر است.

از هوش مصنوعی برای تعریف سؤال و کلیدواژه‌ها استفاده کنید

یکی از مهم‌ترین مراحل مرور ادبیات، مشخص کردن دامنه جست‌وجو است. اگر سؤال پژوهش بیش از حد گسترده باشد، با انبوهی از مقالات مواجه می‌شوید و اگر بیش از حد محدود باشد، ممکن است مطالعات مهمی را از دست بدهید.

می‌توانید موضوع اولیه خود را در اختیار هوش مصنوعی قرار دهید و از آن بخواهید مفاهیم اصلی، مترادف‌ها، اصطلاحات تخصصی و ترکیب‌های احتمالی کلیدواژه‌ها را پیشنهاد کند. سپس این کلیدواژه‌ها را در پایگاه‌های علمی مناسب جست‌وجو کنید.

مثلاً به جای جست‌وجوی ساده عبارت «climate change hospital»، می‌توان از هوش مصنوعی خواست مجموعه‌ای از اصطلاحات مرتبط با تغییرات اقلیمی، تاب‌آوری بیمارستان، آمادگی مراکز درمانی و سازگاری نظام سلامت را پیشنهاد کند.

این مرحله می‌تواند دامنه جست‌وجوی شما را هوشمندانه‌تر کند.

مقالات را فقط جمع‌آوری نکنید؛ آن‌ها را سازمان‌دهی کنید

پس از جست‌وجو، احتمالاً با تعداد زیادی مقاله مواجه خواهید شد. یکی از کاربردهای مهم هوش مصنوعی در مرور ادبیات، کمک به سازمان‌دهی این حجم از اطلاعات است.

می‌توانید از هوش مصنوعی بخواهید برای هر مقاله اطلاعات مشخصی مانند هدف مطالعه، روش پژوهش، جامعه مورد مطالعه، متغیرهای اصلی، یافته‌های مهم و محدودیت‌ها را استخراج کند.

اگر این اطلاعات با یک ساختار ثابت برای همه مقالات استخراج شود، مقایسه مطالعات بسیار آسان‌تر خواهد شد. به جای اینکه بعد از خواندن ۳۰ مقاله تلاش کنید به خاطر بیاورید هر مطالعه چه نتیجه‌ای داشته است، یک چارچوب منظم برای مقایسه در اختیار خواهید داشت.

یک جدول استخراج داده برای Literature Review بسازید

یکی از کاربردی‌ترین روش‌ها این است که قبل از شروع تحلیل، مشخص کنید از هر مقاله دقیقاً چه اطلاعاتی نیاز دارید.

برای مثال، می‌توانید ستون‌هایی مانند نویسنده و سال، کشور، هدف پژوهش، طراحی مطالعه، نمونه، متغیرها، روش تحلیل، یافته‌های اصلی، محدودیت‌ها و ارتباط با سؤال پژوهش تعریف کنید.

سپس از هوش مصنوعی بخواهید هر مقاله را بر اساس همین چارچوب تحلیل کند. این کار باعث می‌شود استخراج اطلاعات از مطالعات مختلف استانداردتر شود.

اگر برای طراحی چنین دستورهایی نیاز به کمک دارید، پرامپت‌ساز هوشمند پرامپت‌نویس می‌تواند برای تبدیل نیاز پژوهشی شما به یک پرامپت ساختاریافته مفید باشد.

از هوش مصنوعی برای مقایسه مطالعات استفاده کنید

ارزش Literature Review زمانی بیشتر می‌شود که فقط مقاله‌ها را جداگانه توصیف نکنید، بلکه ارتباط میان آن‌ها را نیز بررسی کنید.

برای مثال، می‌توانید از هوش مصنوعی بخواهید چند مطالعه را با یک چارچوب مشخص مقایسه کند و نشان دهد کدام مطالعات نتایج مشابه یا متفاوتی دارند، چه روش‌هایی بیشتر استفاده شده‌اند و چه موضوعاتی کمتر مورد بررسی قرار گرفته‌اند.

فرض کنید ۲۰ مقاله درباره یک موضوع دارید. می‌توانید از هوش مصنوعی بخواهید آن‌ها را بر اساس موضوع، روش، جامعه پژوهش و یافته‌های اصلی دسته‌بندی کند. چنین تحلیلی می‌تواند به شما کمک کند الگوهایی را ببینید که هنگام مطالعه جداگانه مقالات کمتر به چشم می‌آیند.

البته هر الگویی که هوش مصنوعی پیشنهاد می‌کند باید دوباره با مقالات اصلی بررسی شود.

از هوش مصنوعی برای پیدا کردن Research Gap کمک بگیرید

یکی از مهم‌ترین اهداف مرور ادبیات، شناسایی شکاف پژوهشی یا Research Gap است. اما پیدا کردن شکاف پژوهشی به این معنا نیست که هوش مصنوعی صرفاً بگوید «در این زمینه تحقیقات کمی انجام شده است».

شکاف واقعی ممکن است شکل‌های مختلفی داشته باشد. شاید یک موضوع در یک کشور بررسی شده اما در محیط دیگری مطالعه نشده باشد. شاید بیشتر پژوهش‌ها کمی بوده‌اند و مطالعات کیفی کمی وجود داشته باشد. شاید مطالعات قبلی یک رابطه را بررسی کرده باشند اما سازوکار آن را توضیح نداده باشند.

می‌توانید از هوش مصنوعی بخواهید بر اساس مقالاتی که در اختیارش قرار داده‌اید، تفاوت‌ها، محدودیت‌ها، موضوعات کمتر بررسی‌شده و پرسش‌های بی‌پاسخ را استخراج کند. سپس خودتان این موارد را با شواهد موجود در مقالات بررسی کنید.

برای نوشتن Literature Review از هوش مصنوعی هوشمندانه استفاده کنید

بعد از تحلیل مطالعات، ممکن است بخواهید متن مرور ادبیات را بنویسید. در این مرحله هم بهتر است از هوش مصنوعی نخواهید بدون ساختار مشخص یک Literature Review کامل تولید کند.

ابتدا ساختار استدلال خود را مشخص کنید. مثلاً یک بخش می‌تواند وضعیت کلی موضوع را توضیح دهد، بخش بعدی مطالعات اصلی را بررسی کند، سپس اختلاف یافته‌ها مطرح شود و در نهایت شکاف پژوهشی و ضرورت مطالعه جدید توضیح داده شود.

سپس می‌توانید از هوش مصنوعی برای بازنویسی، بهبود انسجام، مقایسه یافته‌ها و تنظیم ساختار متن استفاده کنید.

این رویکرد باعث می‌شود متن نهایی حاصل تحلیل پژوهشگر باشد، نه مجموعه‌ای از پاراگراف‌های تولیدشده توسط هوش مصنوعی.

چگونه با هوش مصنوعی مقاله پژوهشی را خلاصه کنیم؟

مراقب منابع جعلی باشید

یکی از مهم‌ترین خطرات استفاده از هوش مصنوعی در پژوهش، ارائه اطلاعات یا منابع نادرست است. بنابراین نباید صرفاً به فهرستی از مقالاتی که یک مدل هوش مصنوعی پیشنهاد می‌کند اعتماد کرد.

نام مقاله، نویسندگان، سال انتشار، مجله، DOI و سایر مشخصات کتاب‌شناختی را در پایگاه‌های معتبر بررسی کنید. مهم‌تر از آن، ادعاهای علمی را از متن مقاله اصلی کنترل کنید.

اگر هوش مصنوعی خلاصه‌ای از یک مطالعه ارائه می‌دهد، این خلاصه را نباید بدون بررسی به عنوان واقعیت علمی پذیرفت.

برای پژوهش‌های جدی، اصل مهم این است: هوش مصنوعی می‌تواند مقاله را پیدا، سازمان‌دهی و تحلیل اولیه کند؛ اما منبع علمی اصلی همچنان مرجع نهایی است.

Literature Review بهتر با یک فرایند ترکیبی انجام می‌شود

بهترین روش، حذف پژوهشگر از فرایند نیست؛ بلکه ترکیب توانایی‌های پژوهشگر و هوش مصنوعی است.

پژوهشگر سؤال پژوهش را تعریف می‌کند، دامنه مطالعه و معیارهای ورود و خروج را تعیین می‌کند و درباره اعتبار شواهد قضاوت می‌کند. هوش مصنوعی می‌تواند در کنار او به تولید کلیدواژه، دسته‌بندی مطالعات، استخراج اطلاعات، مقایسه مقالات و سازمان‌دهی یادداشت‌ها کمک کند.

اگر می‌خواهید این مهارت را عمیق‌تر یاد بگیرید، آکادمی پرامپت پرامپت‌نویس می‌تواند برای یادگیری اصول طراحی دستورهای دقیق، مرحله‌ای و قابل تکرار برای کارهای پژوهشی مفید باشد.

جمع‌بندی

انجام Literature Review با هوش مصنوعی می‌تواند بخش زیادی از کارهای تکراری پژوهش را ساده‌تر کند؛ از پیدا کردن کلیدواژه‌ها و سازمان‌دهی مقالات گرفته تا استخراج اطلاعات و مقایسه مطالعات.

اما یک مرور ادبیات قوی فقط با جمع‌آوری و خلاصه کردن مقالات ساخته نمی‌شود. پژوهشگر باید بتواند شواهد را ارزیابی کند، اختلاف یافته‌ها را بفهمد، ارتباط میان مطالعات را تشخیص دهد و بر اساس آن‌ها به یک استدلال علمی برسد.

بنابراین، بهترین استفاده از هوش مصنوعی در Literature Review این نیست که کار پژوهشگر را کاملاً انجام دهد؛ بلکه این است که زمان پژوهشگر را از کارهای تکراری آزاد کند تا تمرکز بیشتری بر تحلیل، تفکر انتقادی و ساختن استدلال علمی داشته باشد.