这里有一篇最新的文献，来告诉你怎样用AI写文献综述！
早上工作群里收到一个消息，是一篇正式发布于4月3号的文献，主题是关于如何使用生成式AI来做管理研究工作。
通俗说来，就是用AI搞研究靠不靠谱，利与弊是啥。
这篇文章是发表在 European Journal of Innovation Management Vol. 26 No. 7, 2023 pp. 233-241 Emerald Publishing Limited 1460-1060 DOI 10.1108/EJIM-02-2023-0156。
虽然不是理工科Journal，但是对于研究工作的流程来说，还是相通的。因此，我们不妨大概看看这篇文章想表达的核心观点是什么～
一. 文章的主题和作者
文章的主题是“On the use of AI-based tools like ChatGPT to support management research”。从文章发表进程来看，效率很高，从2月份开始投稿，3月修订，4月份就发表了！
第一作者来自德国，其他作者基本是来自于管理学院的研究人员，因此，该文章与投稿的期刊方向，基本吻合，属于创新管理方向。
二. 这篇文章的亮点在哪里？
该文章的关键要点，即通过文献综述的案例，来分析和讨论AI对于研究工作的现状、影响、指导建议和展望。
大致翻译和标注这几段文字如下：
目的——本文讨论了人工智能 (AI) 在研究中的当前相关性以及 AI 如何改进各种研究方法。本文侧重于系统文献综述 (SLR)的实际案例研究，以提供在此过程中使用 AI 的指南。
设计/方法论/途径——研究人员不再需要高超的人工智能技术就可以在他们的研究中使用人工智能。最近关于使用 OpenAI 聊天机器人 Chat Generative Pre-trained Transformer (GPT) 的讨论已经进入学术界，并引发了关于学术研究未来的激烈辩论。尽管如此，俗话说，人工智能不会取代我们的工作；使用人工智能的人会。这篇社论旨在概述在研究中使用 AI 的现状，重点介绍该领域的最新趋势和发展。
调查结果——主要结果是在科学研究过程中使用人工智能的指南。该指南是为文献综述案例制定的，但作者认为所提供的说明可以调整到许多研究领域，包括但不限于定量研究、数据鉴定、非结构化数据研究、定性数据甚至许多支持工作和重复性任务。
独创性/价值——人工智能已经具备使研究人员的工作更快、更可靠和更方便的潜力。作者强调了人工智能在当前时代的优势和局限性，这些优势和局限性应该会出现在任何利用人工智能的研究中。优势包括目前容易出现人为错误的研究过程的客观性和可重复性。最关键的缺点在于当前通用模型的架构，理解这些对于在研究中使用它们至关重要。作者将在不深入技术细节的情况下描述最关键的缺点，并建议平时应该如何处理这些缺点。
三. 研究工作当中，我们该怎样使用AI？
我大概通读了一遍文章，这里就不一一带着大家读，我把有价值的一些要点分享一下，当然，大家有时间亦可以自己读下，毕竟，每个人心中都有自己的哈姆雷特～
Introduction中明确了文章的主要目的：不讨论AI的技术细节，只分享你应该如何使用AI，从而为你的工作带来最大的价值。
当前AI发展，Current developments in AI中，提到了GPT-3，说白了它并不会思考，但会预测下一步该说什么。（能做到这样，已经了不得了）
AI应用于科研呢？Current developments in research中，简而言之，就是AI可以带来很多，但是大部分科研人员缺乏相应的技能来利用AI，用于自己的工作当中。
然后，讨论了一下，为何要用AI，在整个科研过程当中，哪个环节可以更好地利用AI呢？于是举例说明，文献综述（Systematic Literature Review)。
“One additional field of application we must consider is (systematic) literature reviews, in which AI is helping researchers quickly identify relevant papers and articles and analyze them. “
我们必须考虑的另一个应用领域是（系统的）文献综述，人工智能正在帮助研究人员快速识别相关论文和文章并对其进行分析。
四. 以写系统文献综述为例，使用AI的几个关键步骤！
在使用AI写文献综述时，主要三个过程需要关注：
(1) AI准备阶段
(2) AI启动阶段
(3) AI数据分析阶段
4.1 AI准备阶段
可以将AI按如下能力划分，你需要了解你所使用的AI是否具备这几项能力。
比如ChatGPT3.5具备a、b、c。但是b对于数据访问能力，ChatGPT3.5只能访问2021年9月份的文献数据，是一大硬伤。
(a) 可以根据Prompts理解问题的AI：了解研究问题但无法访问数据。
(b) 可以访问最新数据的AI：访问了数据但没有合成数据。
(c) 具备数据整合能力的AI：可以进行数据分析和整合。
4.2 AI启动阶段
这里需要重点关注的是鲁棒性，或者说稳定性，比如同样的问题，AI的答复是否是确定的。
此外，交互的Protocol，或者说沟通的规则需要能够设定，并且后续的对话能够按照规则来进行。
以上两点，至关重要！
4.3 AI数据分析阶段
这个能力无疑，AI是比人类要强大很多，只要你的问题足够明确，你的数据可以获得。
需要记住，AI在给你写回复的时候，它是没有办法去访问internet的。
五. 主要的缺陷在哪里？
1. Lack of advanced context sensitivity, 依然缺乏足够的上下文敏感性！
2. 此外，模型训练的截止数据只到2021年9月（刚才已经提到过），并且它只能访问open-access的文章，对于发表了，但是非open状态的，AI亦不能获取到！
3. 捏造事实，尤其是文献生成的时候，这一点我之前有篇文章已经说明了。
4. 人工确认和同行评审非常必要，毕竟研究者需要对工作成果负责，而不是AI。并且，AI的论证过程还亦有待确认！
5. AI模型特点所致。目前大部分主流模型都是基于深度神经网络而建立的，这类模型的特点就是层次极多，神经元海量，并且，本质上它是基于统计学和概率作为数学基础的。因此，模型的不可解释性会一直存在。
六. 使用AI工具做研究的几点建议
1. 你必须对自己的主题熟悉；
2. 关键提示(Prompts）需要足够明确；
3. 考虑到上下文关联，记得refresh，因为之前的对话会对后面的沟通产生污染；
4. 切记AI不是基于reasoning的模型，它是基于statistics的模型，因此，推理部分需要自己把关；
5. 创新性的结论亦需要自己研究和确认。
七. 展望未来
1. 实时在线的AI迟早会出现，也就是说，你所获得的数据将会是最新的；此外，语言壁垒基本会被打破；
2. 呼吁创新者量体裁衣，开发出真正适合基于科研的AI产品；
3. 对AI的火爆理性对待，它不会替代人类，但一定会改变生产生活的协作方式！
参考文献：
[1] https://www.emerald.com/insight/content/doi/10.1108/EJIM-02-2023-0156/full/html
[2] https://www.emerald.com/insight/search?q=Bastian%20Burger
[3] https://www.emerald.com/insight/publication/issn/1460-1060
HAVE FUN!
原创文章，作者：门童靖博士，如若转载，请注明出处：https://www.agent-universe.cn/2023/04/12009.html
