Bibliographic Exploration Methodologies to Support Systematic and Scoping Reviews
本文提出并论证了一个利用自然语言处理和机器学习技术来分析文献语料库的可复制框架，从而在进行正式的系统评价或范围综述之前，协助研究人员制定研究问题、识别主题空白并优化检索策略。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，试图理解一个庞大且不断扩张的图书馆，那里每秒钟都有新书加入，而且这些书是用不同的语言编写的，并没有任何统一的分类系统。这就是现代科学的现状。如今的研究人员面临着如此巨大的信息洪流，以至于仅仅为了某个特定项目去寻找正确的文献，就已经成为了一项艰巨的任务。当科学家想要了解一个主题时，他们通常会进行“范围综述”（scoping review），这是一个仔细梳理已知知识、识别研究空白并整理混乱信息的严谨过程。但在他们开始阅读全文之前，必须先从海量数据库中收集成千上万篇潜在的文章。问题在于，这些初始列表往往过于庞大且杂乱，无法通过人工处理。一项新的研究表明，研究人员可以使用计算机工具，在开始漫长的逐页阅读工作之前，先对这一座文献大山获得一个清晰的高层视角。
来自巴西 ABC 联邦大学的研究团队设定了一个目标，旨在测试一种利用人工智能来探索科学文献的方法。他们专注于一个特定且关键的领域：巴西如何管理城市固体废物。2026 年 1 月，他们使用与固体废物和巴西相关的关键词，检索了全球最大的两个科学数据库——Scopus 和 Web of Science。检索返回了 1,336 条记录。在剔除重复项后，他们留下了 1,281 份学术作品，包括期刊文章、书籍章节和会议论文。研究人员并没有逐一阅读每个标题和摘要，而是将整个集合输入到一个旨在发现语言模式的计算机程序中。
该团队将这些论文的标题和摘要视为一个单一的、庞大的文本。他们首先对数据进行了清洗，去除了像“the”或“and”这样不携带太多意义的常用词，并专注于具有实际意义的术语。随后，他们使用了几种不同的计算机技术来观察单词和观点是如何相互连接的。其中一种方法观察哪些词经常一起出现，从而创建关系图谱。另一种方法根据文档词汇的相似程度将文档进行聚类，就像在不知道规则的情况下，将一堆混杂的卡片分类成整齐的牌组一样。他们还使用了两种先进的统计方法，以揭示贯穿整个集合的隐藏主题（或称“话题”）。其中一种方法被他们发现对于这组特定的文本最为有效，该方法根据文档所包含的词汇组合将其分解为截然不同的组。
结果揭示了文献内部清晰的结构。计算机分析显示，关于巴西固体废物的研究并非零散随机的想法集合，而是围绕一个核心进行组织的。这个核心将废物的物理管理行为与四个主要维度联系起来：环境问题、制度政策、运营物流以及社会经济因素。计算机生成的图谱显示，“填埋”、“回收”和“排放”等词汇形成了一个紧密的组，而“政策”、“公共服务”和“市政”等词汇则形成了另一组。第三组将“成本”和“价值”等经济方面与“健康”和“人口”等社会问题联系在一起。通过将这些连接可视化，研究人员可以观察到，该领域主要关注巴西背景下废物管理的实际挑战，并在特定流程（如逆向物流和生物气能源）周围出现了明显的子领域。
至关重要的一点是，这项研究并未发现计算机可以取代人类研究员。作者谨慎地指出，他们的目标并不是要实现综述过程的自动化，或者让机器来决定哪些论文重要。相反，计算机充当了一个强大的透镜，帮助研究人员在开始详细工作之前，先看清该领域的轮廓。分析表明，组织这类特定文献最有效的方法是通过一种能够创建截然不同、互不重叠的主题组的方法，而不是一种允许主题过度融合的方法。这种区别帮助团队理解，虽然某些研究领域非常具体且独立，但其他领域自然会存在重叠，而计算机工具可以凸显出这些边界所在。
团队总结道，这种方法为准备正式的综述提供了一种可复制的方式。通过使用这些工具，研究人员可以在花费数月时间阅读单篇论文之前，制定更好的问题、优化搜索策略并识别真正的知识空白。该研究证明，面对信息泛滥时，计算方法可以提供一种结构化、透明且基于证据的方式来迈出第一步。它让科学家们能够从被海量数据所淹没，转变为拥有一个清晰的全景式视野，确保他们在开始深入研究时，正朝着正确的方向。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。