AI 辅助的主题综合：如何避免浅层主题

主题综合将证据归纳为主题，并解释这些主题的含义。AI 可以帮助生成可能的主题，但也可能产生听起来合理却言之无物的浅层类别。

一个有力的主题不仅仅是一个标签。它是关于文献中模式的论断。它应该得到来源的支持，受到证据的限制，并与综述问题相关联。

本指南解释如何利用 AI 进行主题综合，同时避免得到泛泛的主题。

主题综合是识别跨来源的模式并将其组织成主题的过程。它常见于定性综述、叙述性综述、范围综述和混合证据综述中。

它有助于回答：

• 哪些观点反复出现？
• 论文如何解释一个概念？
• 来源在哪些方面一致？
• 来源在哪些方面存在分歧？
• 哪些条件塑造了这种模式？
• 这种模式对综述问题意味着什么？

主题综合将阅读转化为解读。

当一个主题只是命名了一个宽泛的话题，却没有解释一种模式时，它就是浅层的。浅层主题容易生成，却难以据此写作。

薄弱的主题包括：

• 益处。
• 挑战。
• 技术。
• 方法。
• 用户体验。
• 未来工作。

这些标签或许可以作为有用的文件夹，但它们还不是综合。

一个更有力的主题会表达某种观点：“采用障碍往往是制度性的，而非技术性的。”

AI 经常生成浅层主题，是因为它试图总结论文中的常见话题。如果提示词只要求主题而不设定证据规则，输出就可能变得泛泛。

常见的 AI 主题问题包括：

• 宽泛的标签。
• 没有来源支持。
• 没有反例。
• 没有方法背景。
• 没有区分发现与解读。
• 各章节措辞重复。
• 主题不能回答综述问题。

解决办法是要求提供有证据支持的主题，然后自己进行核实。

关于从笔记到论断的工作，参见如何将论文笔记转化为论证大纲。

一个有力的主题应包含论断、来源支持、边界以及与综述问题的相关性。

使用以下结构：

• 主题标签。
• 主题论断。
• 支持性论文。
• 对比性论文。
• 证据类型。
• 条件或边界。
• 来源位置。
• 与综述问题的相关性。

如果一个主题无法支撑这种结构，它可能过于宽泛或过于薄弱。

要求 AI 将主题生成为论断，而不是类别。提示词应要求提供证据和例外情况。

有用的提示指令：

• “将每个主题写成一个论断。”
• “列出支持每个主题的论文。”
• “找出使主题复杂化的论文。”
• “说明支持该主题的证据类型。”
• “解释该主题不涵盖的内容。”
• “除非至少有两个来源支持，否则不要创建主题。”
• “将不确定的主题单独标记。”

然后检查论文。提示可以改善输出，但验证才赋予其研究价值。

通过将主题追溯到论文笔记和来源位置来验证。不要因为一个主题听起来合理就接受它。

检查：

• 哪些论文支持该主题？
• 它们具体说了什么？
• 这些论文是否具有可比性？
• 方法是否相关？
• 是否存在例外？
• 主题是否夸大了证据？
• 主题是否回答了综述问题？

如果一个主题无法追溯到来源，就删除它或将其改写为尝试性观察。

关于来源检查，参见AI 文献综述的数据提取质量控制。

重叠的主题很常见。这可能意味着你的类别过于宽泛，或者一个主题属于另一个主题。

问自己：

• 这些主题回答的是不同的问题吗？
• 其中一个能否成为子主题？
• 它们是否基于不同的证据？
• 同样的论文是否在做重复的工作？
• 读者能理解其中的区别吗？

如果两个主题无法清晰区分，就合并它们，或将它们改写为一个包含多个部分的单一论断。

当一个主题能够解释不符合它的证据时，它会变得更有力。矛盾证据显示了主题的边界。

对于每个主题，问：

• 哪些论文持不同意见？
• 哪些案例不符合？
• 方法能否解释差异？
• 人群能否解释差异？
• 矛盾是否实际上是不同的范围？

然后以细致的方式撰写主题。例如：“大多数研究发现 X 出现在机构环境中，但较小的探索性研究表明 Y 出现在非正式环境中。”

关于处理冲突，参见如何在文献综述中发现矛盾证据。

当主题有足够的证据并且在论证中扮演明确的角色时，它们就会成为章节。不要自动将每个主题都变成标题。

在以下情况下将主题用作章节：

• 它回答了一个子问题。
• 它有足够的来源支持。
• 它与下一章节相衔接。
• 它有助于解释综述的主要论断。
• 它处理了例外或限制。

有些主题应该保留为笔记。大纲中只应包含能推动读者前进的主题。

关于段落规划，参见如何为文献综述构建综合矩阵。

通过定义你需要做出的决策、该决策所需的证据，以及能够证明决策如何做出的记录，将建议转化为可重复的工作流程。在综合中，问题很少是缺少某个工具。问题通常在于搜索、阅读、检查和写作发生在不同的地方，没有共享的规则。

使用一个简短的操作流程：

• 明确综述问题或子问题。
• 定义你所使用的来源集。
• 决定什么算作进入下一步的足够证据。
• 在该步骤中对每篇论文应用相同的标准。
• 标记不确定的情况，而不是强行给出干净的答案。
• 为可能进入最终综述的论断保留来源位置。
• 在每次重要的搜索、筛选或写作环节后回顾工作流程。

这个流程能让工作持续推进，同时避免综述变得草率。它还能让导师、合作者和未来的你理解来源集为何发生变化。

记录那些日后难以重建的部分。你不需要记录每一次点击的日记，但需要足够的细节来解释从问题到来源再到论断的路径。

对于这个主题，最有用的记录通常包括论断、证据组、局限性、冲突和过渡。添加日期、使用的工具或来源、审阅者状态以及下一步行动。如果 AI 协助了某个步骤，写下它帮助了什么以及人工检查了什么。

记录应区分发现与证据。工具可能帮助找到一篇论文，但论文本身必须支持论断。摘要可能帮助筛选来源，但原始来源应支持文献综述中出现的任何陈述。

在写作前，检查工作流程是否产生了可用的证据，还是仅仅是有用的笔记。笔记帮助你思考。证据支持一个句子。

问：

• 这个来源将支持哪个论断？
• 论断是否比证据更窄？
• 方法、样本、结果或概念细节是否经过检查？
• 局限性是否可见？
• 冲突论文是否得到处理而不是被忽略？
• 引用是否真实、最新且相关？
• 其他读者能否理解这个来源是如何进入综述的？

如果答案不明确，就将该观点保留在笔记中，而不是移入草稿。正是这个小小的停顿，防止 AI 辅助的研究变成精致但薄弱的写作。

WisPaper 可以帮助研究人员构建和检查用于主题综合的论文集合。Deep Search、Scholar Agent 和 Inspiration Discovery 支持自然语言学术搜索，而论文卡片显示来源标签、摘要、作者、出版详情和预览图像。

已保存或上传的论文可以保存在 My Library 中。Library QA 可以根据用户自己的文献库回答问题，这可以帮助研究人员在验证来源中的答案之前，针对选定论文提出以主题为中心的问题。

WisPaper 可以支持论文发现和来源集提问。研究人员仍然需要决定哪些主题足够有力，可以进入最终综述。

试用 WisPaper