Cách tiếp cận chuẩn cho tổng quan tài liệu là tìm kiếm từ khóa trên PubMed hoặc Scopus, xuất mọi thứ có vẻ liên quan, bắt đầu đọc. Nó hiệu quả — cho đến khi không hiệu quả nữa. Vấn đề với tìm kiếm dựa trên từ khóa là nó tìm được những bài báo bạn đã biết cần tìm. Nó bỏ sót có hệ thống những bài báo liên quan nhưng sử dụng thuật ngữ khác, hoặc những bài báo trọng tâm của một chủ đề nhưng xuất hiện trong lĩnh vực bạn không nghĩ đến.
Đây là lúc các công cụ ánh xạ trích dẫn trở nên thực sự hữu ích. Litmaps và ResearchRabbit đều xây dựng mạng lưới trực quan về cách các bài báo trích dẫn lẫn nhau, và cả hai đều sẽ đưa ra những bài báo mà tìm kiếm từ khóa đã bỏ sót. Chúng hoạt động khác nhau, có điểm mạnh khác nhau, và phù hợp với những thời điểm khác nhau trong tổng quan tài liệu.
Đây là cách mình sử dụng cả hai — và khi nào mỗi công cụ chứng minh được giá trị trong quy trình làm việc.
Ánh xạ trích dẫn thực sự làm gì
Trước khi so sánh công cụ, đáng để hiểu cơ chế.
Mỗi bài báo trích dẫn công trình trước đó và được trích dẫn bởi công trình sau. Theo thời gian, điều này tạo ra cấu trúc mạng lưới: cụm các bài báo trích dẫn lẫn nhau nhiều (một cộng đồng nghiên cứu), các bài báo kết nối nhiều cụm (giao thoa phương pháp hoặc công trình liên ngành), và các bài báo mang tính nền tảng xuất hiện trong hầu hết mọi danh sách trích dẫn trong một chủ đề (landmark).
Tìm kiếm từ khóa tìm bài báo theo cách tác giả đặt tên. Ánh xạ trích dẫn tìm bài báo theo cách cộng đồng nghiên cứu kết nối với nhau. Đây là hai góc nhìn khác nhau về cùng một tài liệu — và mỗi góc nhìn phát hiện những điều mà góc kia bỏ sót.
Trong một meta-analysis về ARM (dị tật hậu môn trực tràng) phẫu thuật một thì so với nhiều thì, tìm kiếm từ khóa trả về 1.764 bản ghi trước khi loại trùng. Sau khi chạy các bài báo seed qua ánh xạ trích dẫn, quá trình phát hiện thêm bảy bài báo mà tìm kiếm ban đầu đã bỏ sót — bao gồm một bài sử dụng thuật ngữ giải phẫu khác và sẽ bị loại ở giai đoạn tìm kiếm nếu không được phát hiện.
Giá trị không phải là thay thế tìm kiếm từ khóa. Mà là lấp đầy khoảng trống mà nó để lại.
Litmaps: Theo thời gian, mật độ trích dẫn cao
Litmaps xây dựng bản đồ trích dẫn neo vào các bài báo seed bạn cung cấp. Đầu ra trực quan là biểu đồ dựa trên dòng thời gian: bài báo được vẽ theo thời gian, kết nối bằng quan hệ trích dẫn, với kích thước nút phản ánh số lượng trích dẫn.
Tốt cho điều gì
Litmaps xuất sắc trong việc thể hiện lịch sử phát triển của một lĩnh vực. Nếu bạn muốn hiểu một khái niệm phát triển như thế nào — bài báo đầu tiên nào định nghĩa khung lý thuyết, bài nào sau đó thách thức nó, điểm chuyển đổi là gì — bố cục theo thời gian giúp nhìn thấy ngay lập tức.
Công cụ còn có chức năng "Grow" tự động gợi ý bài báo tương tự với bản đồ hiện tại. Điều này hữu ích nhất trong giai đoạn khám phá, khi bạn vẫn đang tìm hiểu hình dạng của tài liệu và chưa biết các cụm nào tồn tại.
Với nghiên cứu lâm sàng, điều này đặc biệt hữu ích khi bước vào chủ đề liền kề với lĩnh vực chính của bạn. Nếu bạn là phẫu thuật viên quan tâm đến đánh giá suy yếu quanh phẫu thuật, bạn có thể không biết rằng tài liệu có một cụm riêng biệt trong gây mê sử dụng thuật ngữ khác phía phẫu thuật. Litmaps sẽ cho bạn thấy cụm đó khi bạn có một bài báo seed gần nó.
Quy trình thực tế
Bắt đầu với hai hoặc ba bài báo bạn đã biết là trọng tâm của chủ đề. Nhập chúng vào Litmaps làm seed. Để công cụ tạo bản đồ ban đầu. Tìm kiếm:
- Bài báo có số trích dẫn cao mà bạn chưa đọc
- Bài báo xuất hiện nhiều lần trong cột "cited by" của seed
- Cụm bài báo nằm xa cụm chính trên bản đồ
Mỗi loại đều đáng khám phá. Đặc biệt loại cuối — bài báo tồn tại bên ngoài cụm chính nhưng kết nối với nó — thường là những phát hiện hữu ích nhất.
Hạn chế
Litmaps có lỗ hổng trong cơ sở dữ liệu đối với một số tạp chí chuyên khoa. Nó mạnh nhất cho nghiên cứu tiếng Anh được lập chỉ mục trong các cơ sở dữ liệu lớn. Phạm vi bao phủ kỷ yếu hội nghị và tạp chí ngoài Medline có thể thay đổi. Với bất kỳ tổng quan hệ thống nào, kết quả Litmaps cần được coi là bổ sung, không phải chính — kết quả vẫn cần được đối chiếu với chiến lược tìm kiếm chính.
Gói miễn phí giới hạn số lượng bản đồ hoạt động. Với công việc liên tục trên nhiều dự án, đây trở thành hạn chế thực tế.
ResearchRabbit: Tập trung khám phá, cập nhật liên tục
ResearchRabbit có cách tiếp cận khác. Thay vì xây dựng bản đồ tĩnh, nó tạo một bộ sưu tập bạn có thể thêm bài báo theo thời gian, và liên tục tạo gợi ý dựa trên những gì có trong bộ sưu tập.
Các tính năng chính là "Similar Work" (bài báo chia sẻ trích dẫn với bộ sưu tập), "Earlier Work" / "Later Work" (bài báo mà bộ sưu tập trích dẫn, và bài báo trích dẫn bộ sưu tập). Đầu ra trực quan là biểu đồ mạng lưới, nhưng quy trình chính thông qua danh sách gợi ý hơn là bản đồ trực quan.
Tốt cho điều gì
ResearchRabbit phù hợp hơn cho giám sát liên tục hơn là khám phá ban đầu. Khi dự án đang phát triển, bạn có thể thêm bài báo mới vào bộ sưu tập khi tìm thấy và để công cụ đưa ra những gì liền kề. Trong suốt timeline nghiên cứu sáu tháng, điều này có nghĩa bạn được thông báo khi bài báo liên quan mới được đăng — hữu ích hơn việc chạy tìm kiếm cập nhật thủ công vài tuần một lần.
Nó cũng xử lý hướng "Later Work" tích cực hơn Litmaps. Nếu bạn lo ngại bỏ sót bài báo gần đây trích dẫn nguồn nền tảng, engine gợi ý của ResearchRabbit bắt được chúng một cách nhất quán.
Với nhà nghiên cứu quản lý nhiều dự án đồng thời, mô hình dựa trên bộ sưu tập cho phép duy trì bản đồ tài liệu riêng cho từng dự án mà không cần xây dựng lại từ đầu mỗi phiên.
Quy trình thực tế
Nhập bộ bài báo ban đầu đã được chọn hoặc ứng viên. Chạy "Similar Work" và xem 10-20 kết quả hàng đầu: bao nhiêu đã có trong danh sách, bao nhiêu mới, bao nhiêu có vẻ liên quan? Độ trùng lặp cao nghĩa là bộ sưu tập đã trưởng thành; nhiều bài báo mới liên quan gợi ý bạn vẫn đang ở giai đoạn đầu.
Thiết lập cảnh báo email cho bộ sưu tập để gợi ý mới đến một cách thụ động. Điều này thay thế cách tìm kiếm lưu thủ công trên PubMed và có xu hướng phát hiện bài báo liên quan sớm hơn, vì nó theo dõi mạng lưới trích dẫn thay vì chỉ khớp từ khóa.
Hạn chế
ResearchRabbit hoàn toàn miễn phí, điều này tốt — nhưng cũng có nghĩa chất lượng gợi ý khá mờ đục. Thuật toán tạo gợi ý không được công bố, và đôi khi có nhiễu trong gợi ý, đặc biệt cho chủ đề liên quan nhiều lĩnh vực. Một số gợi ý liên quan ngoài lề thực sự không phù hợp.
Nó cũng kém hiệu quả hơn cho việc tái dựng lịch sử tài liệu. Nếu bạn cần hiểu một chủ đề phát triển qua hàng thập kỷ, giao diện theo thời gian của Litmaps cung cấp nhiều thông tin hơn biểu đồ mạng lưới phẳng của ResearchRabbit.
Sử dụng cả hai trong cùng một dự án
Hai công cụ này không phải là lựa chọn thay thế cạnh tranh — chúng bổ sung cho nhau.
Với tổng quan hệ thống hoặc meta-analysis, quy trình mình sử dụng diễn ra đại khái như sau:
Đầu dự án: Litmaps với ba đến năm bài báo seed để hiểu bối cảnh. Mục tiêu ở đây là xác định các cụm chính, phát hiện biến thể thuật ngữ giữa các cộng đồng nghiên cứu, và tìm bài báo mang tính bước ngoặt cần được đưa vào bất kể tìm kiếm từ khóa có tìm thấy hay không.
Trong quá trình tìm kiếm chính: Tìm kiếm từ khóa trên Scopus/PubMed/EMBASE làm chiến lược chính. Gợi ý từ Litmaps như kiểm tra bổ sung cho bài báo bị bỏ sót, đặc biệt trong vùng thuật ngữ liền kề.
Giám sát liên tục: Bộ sưu tập ResearchRabbit được cập nhật khi bài báo được sàng lọc và đưa vào. Cảnh báo chạy suốt quá trình thu thập dữ liệu để đánh dấu bài đăng mới liên quan.
Cách tiếp cận ba lớp này — tìm kiếm từ khóa cho độ rộng, Litmaps cho bao phủ lịch sử, ResearchRabbit cho cập nhật liên tục — đã cải thiện nhất quán khả năng thu hồi so với chỉ tìm kiếm từ khóa, mà không tăng đáng kể gánh nặng tổng quan.
Các công cụ này nằm ở đâu trong quy trình AI hỗ trợ rộng hơn
Công cụ ánh xạ trích dẫn giải quyết một khoảng trống cụ thể trong tổng quan tài liệu: chúng tìm bài báo chia sẻ quan hệ trích dẫn với bài báo đã biết, bất kể thuật ngữ. Chúng không thay thế tìm kiếm từ khóa, và chúng không đọc bài báo giúp bạn.
Để đọc và tổng hợp bài báo hiệu quả, các công cụ khác được áp dụng — quy trình nghiên cứu AI hỗ trợ rộng hơn kết nối các công cụ này thành quy trình mạch lạc thay vì sử dụng từng công cụ riêng lẻ.
Những nhà nghiên cứu tận dụng tốt nhất Litmaps và ResearchRabbit là những người sử dụng chúng với câu hỏi rõ ràng: không phải "tìm cho tôi bài báo về chủ đề này," mà "cho tôi thấy những gì tìm kiếm từ khóa có thể đã bỏ sót, và thông báo khi có bài mới liên quan đăng." Đó là một công việc cụ thể — và cả hai công cụ đều làm tốt.
Về khám phá và đọc bài báo, SciSpace thêm một lớp nữa — nó cho phép tìm kiếm toàn văn và đặt câu hỏi về bài báo cụ thể, hữu ích khi ánh xạ trích dẫn đã đưa ra ứng viên đáng xem xét chi tiết. Mình đã đề cập cách SciSpace, Consensus, và Elicit phối hợp cho các phần khác nhau của tổng quan tài liệu — công cụ ánh xạ trích dẫn nằm upstream của cả ba.
Muốn có cách tiếp cận có cấu trúc cho tổng quan tài liệu AI hỗ trợ xuyên suốt chu kỳ nghiên cứu? — Hướng dẫn quy trình đầy đủ cho tích hợp công cụ AI từ tổng quan tài liệu đến gửi bản thảo ($10)
Công cụ được đề cập trong bài viết này
Lưu ý: Mình chỉ giới thiệu công cụ mình thực sự sử dụng trong quy trình nghiên cứu.
AI Field Manual for Clinicians
Hướng dẫn đầy đủ tích hợp AI vào nghiên cứu lâm sàng — từ tổng quan tài liệu đến gửi bản thảo.
$10
Nếu bài viết này hữu ích cho bản thảo của bạn, có thể tham khảo AI for Medical Research — Field Manual for Clinicians của mình.