如何把论文组织成文献综述中的主题

文献综述不是按时间排列的论文列表。它是一种关于文献模式的论证：研究者在哪些地方达成一致，方法在哪里不同，哪些发现相互冲突，哪些局限反复出现，以及你的工作回应了什么空白。

主题，是你从“我读了很多论文”走向“我理解这个领域正在做什么”的方式。没有主题，综述会变成逐篇论文导览。有了主题，它才会成为综合。

Webster 和 Watson 关于文献综述的经典指导认为，综述应以概念为中心，而不是以作者为中心，因为概念应决定组织框架，而不是按文章摘要顺序排列。这正是这个工作流背后的核心思想。你不是在为了储存而整理论文，而是在搭建论证结构。

按时间总结很容易写，因为顺序已经被决定了。最早的论文在前，最新的论文在后，写作者可以避免选择结构。

问题是，时间顺序常常隐藏意义。它告诉读者什么先发生，而不是告诉读者什么重要。它可能展示一个主题的历史，但不能解释该领域当前的形状。

按主题组织更强，因为它按智识功能来分组论文：

• 用来研究问题的方法。
• 被考察的人群或语境。
• 被测试的理论或机制。
• 相互一致或冲突的发现。
• 反复出现的测量、数据集或模型。
• 不断出现的局限。
• 能支撑下一项研究的空白。

时间顺序在主题内部仍然可能重要。例如，方法部分可以讨论工具如何随时间演化。但时间顺序应该服务论证，而不是替代论证。

主题应来自综述问题，而不是来自参考文献管理器里最先出现的标签。

在给论文编码前，用一句话写出问题。然后写下这篇综述需要解释什么。例如：

这篇综述解释 AI 辅助标题和摘要筛选如何在系统综述工作流中被评估。

这个问题会提示可能主题：评估方法、筛选阶段、人工监督、主动学习、报告方式，以及漏掉研究的风险。另一个问题会创造另一组主题。

不要从工具名称、作者名称或期刊名称开始，除非它们本身就是问题的核心。大多数文献综述需要的是想法类别，而不是品牌类别或来源文件夹。

如果问题仍然不稳定，先处理范围。Google Scholar 之外的 AI 学术搜索可以帮助你在开始组织论文前发现词汇和相邻概念。

编码是给论文、笔记或发现分配短标签。这些标签帮助你看到来源集合中的重复想法。

好的第一轮编码应具体到有用：

• active learning screening
• title and abstract prioritization
• non-native English detector bias
• citation hallucination
• human reviewer disagreement
• data extraction errors
• AI disclosure policy

弱编码太模糊：

• important
• AI
• good paper
• maybe useful
• background

模糊编码当下感觉省事，但之后会制造工作。像 “important” 这样的标签不会告诉你论文为什么重要。像 “human reviewer disagreement” 这样的编码则会指向一个段落。

第一轮可以慷慨地使用编码。早期编码不是最终提纲，而是帮助你发现反复出现的材料。

综合矩阵把论文放在行里，把主题放在列里。它帮助你比较来源，而不是逐篇总结来源。

写作中心常常教授综合矩阵，因为它迫使研究者进行比较。Florida International University 写作中心将 synthesis matrix 描述为一种图表，帮助研究者围绕某个问题整理和分类论点，用于文献综述组织。Johns Hopkins Libraries 说明，synthesis matrix 可以帮助记录每个来源的要点，并在综合过程中记录来源之间的关系。

一个有用矩阵可以包括：

最后一列通常最有价值。它迫使你把每篇论文连接到自己的综述，而不是让论文停留在独立摘要中。

如果矩阵包含方法、结局、局限和证据笔记，它也可以成为从研究论文中提取数据的起点。区别在于目的：综合矩阵帮助你写出论证，而提取表保存必须对照来源检查的字段。

不是所有主题都做同一件事。有些主题解释领域知道什么。有些解释领域如何研究问题。有些解释为什么领域仍然不确定。

有用的主题类型包括：

• 背景主题：定义问题和关键概念。
• 方法主题：比较研究如何设计。
• 证据主题：分组支持或挑战论断的发现。
• 争议主题：显示分歧或竞争性解释。
• 局限主题：识别反复出现的弱点。
• 空白主题：为你的研究贡献铺垫。

一篇强综述通常会结合几种主题类型。方法较重的综述可能需要方法主题。理论综述可能需要争议主题。政策综述可能需要证据和局限主题。

不要强迫每篇论文只属于一个主题。一篇强论文可能先出现在方法讨论中，后来又出现在证据讨论中。关键是避免重复同一个摘要。每次出现都应服务不同目的。

AI 可以帮助聚类摘要、建议标签、比较笔记或识别重复概念。当你面对太多论文而卡住时，它很有用。

适合用 AI 做：

• 从摘要或笔记中建议可能聚类。
• 识别论文集合中的重复术语。
• 把你的编码和另一种可能结构进行比较。
• 把综合矩阵转成提纲想法。
• 询问哪些论文似乎存在分歧。

不适合用 AI 做：

• 在没有阅读的情况下决定最终主题。
• 总结你没有打开过的论文。
• 创造听起来整齐但不符合证据的主题。
• 添加你无法验证的引用。
• 替代你对领域的解释。

最好的工作流是迭代式的。先创建自己的第一轮编码。让 AI 提供一种替代分组。比较两者。用自己的语言重命名、合并或删除主题。然后人工检查重要论文。

如果你以这种方式为稿件使用 AI，保留一条简短记录说明它的角色。如何向期刊披露 AI 使用可以帮助判断它是否需要写进声明。

主题不是最终综述。它们是提纲的原材料。

一个有用提纲通常从宽到窄：

• 定义问题和范围。
• 解释领域普遍同意什么。
• 比较方法或路径。
• 讨论相互冲突的发现。
• 识别反复出现的局限。
• 展示你的工作回应的空白。

不要为每篇论文创建一个章节。为每个想法创建一个章节。在每个章节中比较论文。

弱段落会这样写：

Smith 研究了这个主题。Chen 也研究了同一主题。Patel 也研究了类似主题。

更强的段落会这样写：

在近期研究中，最主要的分歧在于如何衡量相关性。Smith 将相关性视为评审者一致性，而 Chen 评估排序效率，Patel 则关注漏掉研究的风险。

第二个版本用论文解释模式。这才是综合。

一旦提纲以这种方式建立，起草会容易得多。更快写完文献综述中的流程，在主题结构已经清楚、每个章节都有已知来源集合时效果最好。

主题应该为自己赢得位置。如果太窄，它会变成论文摘要。如果太宽，它会变得空泛。

用这些问题测试每个主题：

• 这个主题是否回答了综述问题的一部分？
• 它是否包含不止一个来源？
• 我能否解释这些来源如何相关？
• 它是否揭示一致、分歧、方法差异或局限？
• 删除这个主题是否会削弱综述？

如果主题没通过这些测试，就合并、重命名，或移到背景笔记中。

主题名称也应使用清楚语言。“Screening automation evaluation” 有用。“Theme A” 没用。“Interesting papers” 是储存文件夹，不是章节标题。

主题整理可能造成引用漂移。你可能把一个论断从一个章节移到另一个章节，却忘记哪篇论文支持它。你也可能让 AI 建议一种分组，把来源和错误论断配在一起。

起草前检查：

• 哪篇论文支持每个论断？
• 论文的哪个部分支持它？
• 引用是否真实，元数据是否正确？
• 这篇论文是否真的属于这个主题，还是只是看起来相关？
• 是否有某个来源被过度用于支持太多论断？

这就是为什么主题表应包含 “use in my review” 列。它把论文和论证绑在一起。为了引用安全，最终草稿前使用如何验证 AI 生成的引用。

WisPaper 帮助研究者使用 AI 搜索和筛选学术论文。它的搜索工作区支持 Deep Search、Scholar Agent 和 Inspiration Discovery，论文卡片会显示来源标签、摘要和预览图，方便用户在决定阅读前先快速判断结果。

WisPaper 也允许用户建立论文库，并基于该库提问。论文可以上传，也可以从搜索结果中加入，然后用于针对个人文献库的问答。

试用 WisPaper