一、AI 時代的文獻回顧：基礎、策略與批判性思維

我們將探討文獻回顧的核心目的、傳統方法，並特別著重於如何在當前人工智慧（AI）技術蓬勃發展的背景下，善用 AI 工具輔助研究，同時保持學術研究所需的批判性思維與原創性。課程內容適合研究新手與有經驗的研究者，期盼能為不同需求的學習者提供實質幫助。

1.1 研究的起點：主動探索或被動接受？

在當代研究環境中，AI 工具的普及為資料蒐集與內容生成帶來了前所未有的便利。面對一個研究題目，研究者通常有兩種截然不同的起始路徑：

直接指令 AI 生成報告： 將研究問題直接輸入 AI 模型，讓其產出一份初步報告或完整文本，研究者再以此為基礎進行修改或直接使用。
以 AI 輔助，研究者主導： 運用 AI 協助拆解研究題目的核心概念，識別相關的關鍵詞與潛在文獻。接著，研究者親自使用這些關鍵詞在學術資料庫中進行檢索，閱讀、評估並整合原始文獻，最終自行完成報告。

第一種方法固然快速高效，但它將研究的主導權交給了 AI，使用者容易成為被動的資訊接收者。近期研究甚至指出，這種路徑可能較受社經背景處於弱勢的群體青睞，因為他們可能更傾向於快速獲得成果，而忽略了培養批判性思考（critical thinking）的機會。

相對地，第二種方法雖然更為耗時費力，卻能帶來深遠的益處。透過親身參與檢索、閱讀與分析的過程，研究者能真正掌握研究領域的全貌，建立紮實的知識基礎，並培養獨立判斷與批判的能力。當您具備了這種能力後，即使選擇使用 AI 生成的初稿，也能更有洞察力地挑戰、驗證和優化 AI 的產出，從而實現更高效、更高品質的人機協作。因此，本課程鼓勵研究者將自己定位為研究過程的主導者，善用工具而非被工具所役。

1.2 文獻回顧的本質：從資訊接收者到學術對話者

文獻回顧（Literature Review）不僅是論文中的一個獨立章節，它本身更是一項核心的學術能力，是訓練您「像研究者一樣思考」的過程。研究的本質是與學術社群進行對話，而非單向的資訊傳遞。初次撰寫文獻回顧時，許多人會不自覺地將自己定位為「資訊接收者」。在這種心態下，容易覺得所有讀到的內容都很重要，進而將大量資料堆砌在一起，最終使文獻回顧淪為單純的「資料整理報告」。然而，這並非文獻回顧的真正目的。

文獻回顧的核心目標，是為了解決您心中特定的研究問題，或是回應您的論文題目。 它的產出是為了與領域內的學者、讀者進行對話，展示您在既有知識基礎上的獨特見解。從定義上來說，文獻回顧是指研究者針對一個特定的研究題目，進行系統性的搜尋、整理、分析與評估相關學術文獻的過程。其最終目的是：

梳理該研究領域的知識現狀。
評估既有研究的優點、缺點與貢獻。
識別理論或實證上的研究缺口（research gap）。
定位自己研究在整個學術光譜中的位置，並以此證明您研究的必要性與價值。

簡而言之，文獻回顧不僅是回顧過去，更是為了開創未來。它是您提出新研究的堅實基礎與合理性證明。

1.3 擁抱 AI：不同研究者的應對之道與核心能力

無論您是剛踏入學術殿堂的研究新手，還是經驗豐富的資深學者；無論您是 AI 的重度使用者，還是習慣傳統搜尋方法的專家，了解自身在 AI 時代的定位與挑戰至關重要。

研究新手： 應積極嘗試並學習使用 AI 工具，但必須警惕其產出內容的準確性。切勿將 AI 的答案視為絕對真理而直接採用，應將其作為探索問題的起點。
資深研究員： 應利用自身的專業知識，對 AI 生成的內容進行深度驗證與批判性評估，思考如何將 AI 融入既有研究流程以提升效率與創新。
AI 熟練者： 需將 AI 提供的資訊與傳統學術資料庫的檢索結果相互參照、驗證，確保研究的嚴謹性與可靠性。
傳統搜尋者： 建議抱持開放心態，積極嘗試運用 AI。若固守原有方法，可能會錯失許多提升研究效率與廣度的機會。

在面對 AI 時，我們常因時間壓力、寫作焦慮或資訊過載而陷入困境，進而不假思索地接受 AI 提供的看似完美的答案。這正是誤用 AI 的主要風險所在。我們必須意識到，學術研究的品質，很大程度上取決於研究者的分析能力、批判性閱讀能力、以及組織論證的架構能力。這些能力難以在短時間內速成，但在評閱作業或論文時，其高下立判。在 AI 普及後，由 AI 生成的大綱或文獻評析，其「AI 痕跡」也相當容易被有經驗的學者識出。因此，強烈建議研究者，尤其在學術生涯初期，務必親自投入時間養成這些核心能力。當您能力純熟後，AI 才能真正成為強大的輔助工具。

真正的成長來自於挑戰自我，勇於對 AI 的產出進行「刪改和重寫」。在這個過程中，您會被迫重新思考、組織邏輯，從而激發出更多原創性的想法。此外，必須警惕 AI 的一個重要特性：AI 模型通常被設計來「服務」使用者。為了滿足您的提問，它可能會過度詮釋甚至扭曲原始文獻的意涵，以使其看起來與您的研究主題高度相關。因此，使用 AI 輔助文獻回顧時，務必將其定位為「推薦者」而非「詮釋者」。最終的解讀與引用，必須回歸原始文獻本身。

1.4 文獻回顧能力的養成與跨場域價值

不同學術階段對文獻回顧的要求與深度有所不同，但其培養的核心能力具有普遍的應用價值。

大學階段： 核心是找到可信資料，完成良好的整理與初步觀點形成，避免只把書上內容堆疊。
碩士階段： 必須遵循論文結構，建立明確的研究問題，拆解成主題概念，辨識核心文獻，並引用與主題密切相關且具權威性的資料，追求更高的品質與完整性。
博士階段： 要求更全面的掌握與更完整的回顧，以在領域中提出新的貢獻，解決具重要性的議題。

以社會科學碩士論文的訓練為例，一個常見的模式是：首先定位與研究問題及方法最相關的核心文獻；接著對這些文獻進行批判性評估，分析其優缺點並思考自己的研究如何與之對話；最後，模仿優秀研究的架構與論證方式，逐步發展出自己的論文大綱。在此過程中，許多研究者常陷入文獻整理的泥沼，因此，儘早擬定一份清晰的論文大綱並學習學術寫作（academic writing）的邏輯與架構至關重要。

這些在學術訓練中紮實養成的能力，將成為您長遠發展中最寶貴的資產。文獻回顧不只服務學術研究，也具有職場應用價值。在工作中，同樣需要持續蒐集資料、評估資料品質、整理報告以支撐決策。尤其在 AI 能快速生成報告與簡報的情境下，人類研究者的核心能力在於：提出好的問題方向、具備判斷資料可信度與權威性的知識架構。

二、文獻回顧的系統化流程與策略

2.1 從問題意識到檢索策略：關鍵詞的設計與應用

研究主題往往源於個人的觀察、好奇心與閱讀，這是一個與思考高度相互作用的過程。當問題意識逐漸清晰後，下一步就是將其轉化為可操作的檢索策略，而關鍵詞正是此過程的核心。

2.1.1 以關鍵詞為概念地圖

在研究起始階段，應從最重要的核心詞出發，向外展開同義詞、相關詞與狹義詞，建立可操作的概念地圖。關鍵詞必須與題目緊密對應，既能聚焦方向，又不致過度寬泛。

核心與範圍的拿捏：例如欲研究「大學生的 AI 素養」，則「AI 素養」與「大學生」皆為核心詞；但「大學生」可能過廣，需視研究焦點限縮為「文學院大學生」或「高等教育」等更具辨識性的範疇。
跨學科定義意識：同一術語在不同學科脈絡可能有顯著差異。以「AI 素養」為例，在傳播學脈絡，重點傾向於媒體識讀與假新聞辨識；在教育學脈絡，則更關注課堂教學與課程設計。因此，閱讀時需辨識作者的定義與理論框架，撰文時則要明確交代術語的工作定義與學科定位。
多面向組合策略：關鍵詞不僅可代表概念，也可對應不同面向，如研究方法（質性研究、問卷設計）、研究對象（大學生、教師）或研究重點（媒體識讀、倫理議題）。

2.1.2 善用資料庫的檢索邏輯

學術資料庫的檢索以布林邏輯為核心，能讓研究者以明確標準控管資料來源，建立透明可解釋的研究流程。

OR：擴展同義或異語關係，如「AI 素養 OR AI literacy」，同時涵蓋中英文表述。
AND：交集收斂，如「AI literacy AND 生成式 AI」，鎖定特定脈絡。
NOT：排除無關範圍。

此外，多數資料庫的「進階查詢」功能支援指定關鍵字出現的欄位（如標題、摘要、作者），並可設定時間範圍，讓檢索更精準、可控。部分資料庫亦支援萬用字元（wildcards），可用於拼字變體或詞幹延伸，但使用前需查閱該資料庫的操作說明。

2.2 文獻的篩選與閱讀：從廣泛蒐集到深度精讀

在掌握檢索策略後，接下來是篩選與閱讀的過程。此階段應採取「先廣泛蒐集、再快速瀏覽、最後精讀」的策略，並善用學術論文的結構特點。

2.2.1 系統性的篩選流程

高效率篩選文獻的基本流程如下：

先看標題評估相關性。
閱讀摘要以掌握研究問題、方法與主要發現。
進入內文（特別是引言與結論）以確認細節與適用性。
檢視參考文獻，沿引文網絡向前追溯重要來源。

在閱讀時，應刻意練習分析作者的主張與其支撐證據的結構，並建立「確定性清單」以記錄已確認可用的論點與資料。適時進行比較，而非等全部讀完才動手，可避免浪費時間在低關聯文獻上。一個關鍵原則是：儘早開始寫作。寫作能促成有效的篩選與判斷，暴露定義不清、論證斷裂與證據不足之處，反向指引更精準的二次搜尋與閱讀。

2.2.2 依據應用目的選擇閱讀策略

不同性質的文獻與不同的引用目的，對應著不同的閱讀策略。

初步探索與摘要式閱讀：當文獻僅用於研究大綱或背景介紹時，可採用快速摘要的閱讀方式，瀏覽標題、摘要、結論，找出重點精華即可。
核心文獻與精深式閱讀：當一篇文獻是構成你研究的核心基礎，攸關研究方法、理論框架或關鍵立論時，則必須進行完整且深入的精讀。這類文獻需要仔細分析其論證邏輯、研究設計的細節以及數據的詮釋。

2.3 組織與改寫：從資料整理到辯論性敘述

文獻回顧的最終產出是一篇具有說服力的辯論性敘述。這需要對篩選出的文獻進行有效的組織與批判性的改寫。

2.3.1 文獻回顧的組織架構

文獻回顧的組織方式不唯一，應服務於你的研究問題與說服策略。常見的組織維度包括：

時間軸：依研究演變順序呈現概念與方法的歷史脈絡。
主題式：依子議題或概念群組（如「媒體識讀」、「教學整合」）組織。
正反併陳：對於爭議性主張，並列支持與反對的證據與論證。
概念類別：如依研究方法（量化 vs. 質性）或理論框架分類。

AI 工具能快速生成初步的組織方案，但研究者必須以自身的研究問題為中心進行判斷和調整。

2.3.2 批判性改寫的核心原則

將他人的研究成果融入自己的論文中，並非單純的「換句話說」，而是一個與既有文獻進行「對話」的過程。改寫的最終目的是服務於你自身的研究問題與論述脈絡。

進行文獻改寫時，必須謹守以下原則：

避免過度強化（Avoid Overstating）：忠實呈現原文的語氣與結論強度。如果原文僅表示「有關聯」，在改寫時不可將其強化為「證實」或「導致」。
不超出研究範圍（Stay within Scope）：切勿將特定研究的結論過度推廣。必須明確指出該研究的適用範圍與限制。
服務於自身研究目的：改寫的內容應與你的研究議題緊密結合，用來支持自己的論點，而非僅僅為原文做摘要。

從分析走向寫作的關鍵步驟是將他人研究置入自我框架，形成有系統的評論性敘述。應使用明確的論證轉折語（如「然而」、「有鑑於此」）引出自己的觀點，並由大到小鋪陳，讓讀者感受到邏輯收斂。寫作最終要回到自身研究：在回顧中指出過去研究的不足，清楚界定你的研究如何回應這些缺口，以落實研究貢獻的鋪陳。

三、學術資料的來源、評估與檢索實務

3.1 學術資料的類型與評估標準

學術研究所需的資料來源多元，不僅限於期刊論文。選擇何種資料，取決於你的研究需求與其在論文中扮演的角色。

3.1.1 多元資料來源的選擇

期刊論文：學術研究的核心產出，通常經過同儕審查，是理論建構與實證研究的主要來源。
學位論文：特別是博士論文，其大綱通常完整，適合作為論文架構與章節安排的學習範本。
政府資料：如政策法規、統計數據，常用於引言的政策脈絡與研究背景。
機構／產業報告：對新趨勢的回應時效性常優於期刊，適合追蹤新題目，但需留意其方法透明度與潛在立場。
其他資源：如專書、會議論文、新聞與影音等。

研究者需依學科特質與研究需求，了解何種資源最能支撐研究。例如，人文領域常將原典、手稿等一手資料視為證據力最高的來源；社會科學則高度依賴對一手資料進行分析與詮釋的論文、專書等二手資料。

3.1.2 資料品質的評估三大面向

不論資料類型為何，皆可從以下面向評估其品質與適用性：

權威性：期刊的品質可透過其審查制度、影響力與是否被權威索引收錄來判斷；政府與機構報告則依產出單位的聲譽而定。
來源與方法透明度：資料如何取得？是否交代研究範圍、時間、方法限制？分析程序是否清楚？
目的適配性：再好的資料，若與你的研究無關，亦不應引用。選材需回到你的研究目的與段落功能。

其中，出版年份是重要的篩選考量。多數情境下，優先檢視最新文獻，等於間接掌握了該領域的先前進展。

3.2 論文結構中的文獻運用

文獻的使用並非只集中在文獻回顧章節，而是貫穿整篇論文。寫作時需先理解各段落所需的文獻類型與功能，使其成為支持研究的「證據」。

章節	功能目的	文獻角色與類型
引言 (Introduction)	說明研究重要性與背景脈絡，並明確指出研究缺口。	引用趨勢、政策、統計等資料，以界定研究的價值與急迫性。
文獻回顧 (Literature Review)	整合前人研究，建立研究缺口的主要論證。	依特定邏輯（如主題、時間）組織與評析核心學術文獻。
研究方法 (Methodology)	說明研究設計的合理性與信效度。	引用方法學文獻，為研究設計的選擇提供理論依據。
討論 (Discussion)	與前述文獻進行比較與對話，詮釋研究發現。	指出研究結果如何呼應、修正或挑戰既有研究。
結論與研究限制 (Conclusion & Limitations)	界定研究貢獻與外推範圍，誠實說明限制。	閱讀他人研究的限制，常能辨識未來研究的缺口。
許多研究者在撰寫「討論」章節時，已淡忘前文回顧的重點。透過良好的筆記方法（如前述的文獻卡或證據矩陣），可確保討論能回扣先前鋪陳的學術對話。

3.3 核心資料庫與檢索實務

圖書館的學術資料庫是獲取高品質研究資源的核心管道。以下介紹幾種主要平台及其檢索策略。

3.3.1 中文資料庫：華藝線上圖書館與中國知網

華藝線上圖書館：是常用的中文學術資料庫。其介面提供「核心期刊索引」等篩選器，可幫助使用者快速定位品質較佳的期刊。從文章頁面可進入期刊資訊頁，判斷其在領域中的品質，並可追蹤與自身研究高度相關的期刊。特別是文獻綜述（review）文章，能幫助研究者快速建立領域認知，應優先閱讀。
中國知網：是檢索中國大陸學術與專業資料的重點平台，包含期刊、年鑑等多種類型。使用時需注意，只有「已訂購」範圍的內容通常才能下載全文。此外，兩岸術語轉換非常重要，例如「數位人文」在中國大陸多稱為「數字人文」，需調整關鍵詞才能有效檢索。

3.3.2 英文與引文資料庫：Google Scholar、Web of Science 與 Scopus

Google Scholar：是整合多來源的學術搜尋入口，適合進行廣泛的英文資料探索。透過設定「圖書館連線」，可將檢索結果與校方訂購的全文資源串連起來。結果頁面右側若出現「PDF」標記，通常表示為可直接下載的開放取用版本。
Web of Science (WoS) 與 Scopus：這類引文資料庫透過嚴格標準篩選期刊，是評估文獻品質的權威工具。研究者可查詢期刊的影響力指數、在特定學科的領域百分位（percentile）（如 Q1 代表排名前 25%），並分析特定主題的文獻量與時間趨勢變化，以判斷其研究熱度與持久影響力。

3.3.3 引用網絡的探索：學術對話的追蹤

學術文獻之間存在著「對話關係」。除了關鍵字查詢，善用引用網絡能有效擴大視野並定位研究脈絡。

後向追蹤（Backward Tracing）：閱讀一篇核心文獻的參考文獻，可理解其理論根基與方法源流。
前向追蹤（Forward Tracing）：利用資料庫的「被引用」功能，查看哪些後續研究引用了這篇文章，以掌握其影響與最新發展。
滾雪球策略：以一篇核心文獻為起點，同時進行前後向追蹤，可快速形成一個主題文獻群。資料庫提供的引用網絡比 AI 更精確，能有效避免偏離主題的「語義擴散」。

在資料庫中，排序依據也深具意義：「被引用次數」可反映文獻在學術對話中的地位，「下載次數」則代表讀者的取用行為，但下載不等於被引用。

四、學術寫作中的引用倫理與原創性

本章將深入探討學術寫作中引用的目的、常見謬誤，以及如何在 AI 時代下理解與實踐研究的「原創性」。正確且有策略地引用文獻，是建立論證、避免抄襲、並與學術社群進行有效對話的基石。

4.1 文獻引用的目的與常見謬誤

引用是學術寫作的核心活動，其目的不僅是為了遵守學術倫理、明確標示他人觀點，更是為了支援自我論證，形成研究者與既有文獻之間的「對話」。然而，在引用過程中，研究者常會遇到一些陷阱。

避免二手引用（Secondary Citation）：
- 問題：直接複製貼上他人文章中引用的內容，而不去查閱原始文獻。
- 風險：轉述者可能帶有其自身的研究目的，其詮釋不一定完整或中立，容易導致資訊失真。
- 建議：務必**回到原文（Go to the original source）**進行閱讀與理解，根據你自己的研究需求直接引用第一手資料。
確保引用的證據力足夠：
- 問題：用一個薄弱的證據去支撐一個強力的論點。
- 風險：論證力度不足，無法凸顯主張的重要性。
- 建議：學會判斷證據力的強弱，並聰明地選擇最能支持你論點的文獻。這需要不斷尋找，直到發現比最初找到的更具說服力的證據。
區分研究結果與作者推論：
- 問題：將作者在「討論」或「研究限制」部分提出的推論（speculation）或未來研究建議，誤當成該研究的**實證結果（finding）**來引用。
- 風險：這構成了對原文的誤讀。作者的推論通常未經過其研究方法的直接驗證。
- 建議：閱讀時必須仔細分辨，引用時也應當精確說明其性質。
避免引用未經查證的 AI 推薦資料：
- 問題：直接引用 AI 推薦但未經查證的文獻。
- 風險：AI 可能會生成虛假或不存在的文獻來源（即「AI 幻覺」），直接引用會嚴重損害研究的信譽。
- 建議：所有引用的文獻，無論來源為何，都必須親自查證其真實性。

4.2 研究原創性的意義與實踐

學術資源（時間與經費）稀缺，研究必須「值得做」才能合理投入。此處的關鍵即為在文獻回顧中辨識研究空白，並據以建立研究的原創性（Originality）。

研究空白不等於「前人未研究」。未被研究可能因為不值得、資料不可得或其他合理原因。因此，不應以「沒人做」作為研究的唯一正當性。有效的研究空白辨識應從以下面向切入：

方法論差異：既有研究採用不同方法是否可能導致不同結果？
地區、族群、脈絡差異：將既有研究置於不同情境是否會產生新的意義或發現？
理論解釋力不足：現有理論是否無法充分解釋現象，需要嘗試新理論或整合理論？
跨領域視角：問題是否具多面向，需由不同學派或學科共同探討？

在閱讀文獻時，需有意識地尋找以上面向並指出具體缺口，據以論證研究的重要性與原創性來源。研究中的原創性往往是漸進的，不必是全面創新；只要能在既有知識上推進一小步，即為有效貢獻。對於學生而言，將他人研究複製到新場域或新脈絡，若有合理化與嚴謹設計，亦可形成有效貢獻。

若目標是投稿高品質期刊，則需理解其對原創性的期待。評審的核心問題包括：「此領域已有眾多研究，為何還需這一篇？為何值得刊登？」作者在寫作時需主動回應此類質疑，清楚說明研究對理論、方法或實務的推進與貢獻。

4.3 學習優秀的寫作範式

在閱讀文獻時，除了關注內容，也應觀察其寫作結構。特別是社會科學領域的英文學術文章，常見的寫作模式是在段落開頭第一句話提出核心論點（topic sentence），後續句子則提供證據、引用與闡述來支持該論點。

例如，講座中提到的文章段落：

論點：「利用 ChatGPT 進行的學術不端行為很難被偵測。」
支持證據：
- 引用研究 A 指出，在六份作業中僅有一份被標記出來。
- 引用研究 B 指出另一項發現。
- 引用研究 C 提供進一步的佐證。

你可以分析這些前輩學者如何安排證據的順序（例如按證據力強弱、時間順序或主題分類），並學習他們如何組織段落來建構一個有說服力的論證。多觀察自己領域的寫作慣例，是提升寫作能力的有效途徑。

深入說明：建立結構化的文獻卡

為高效管理文獻並實踐上述原則，建議為每篇讀過的文獻製作一份「文獻卡」或筆記，包含以下欄位：

完整書目資訊：符合目標期刊格式的引用資訊。
文章摘要：原文摘要或經檢核的 AI 生成摘要。
邏輯結構分析：作者如何鋪陳論點？用了哪些證據？（此為核心，建議親自撰寫）
與我研究的相關性：這篇文章對我的研究有何啟發？可用於支持哪些論點？（此為核心，建議親自撰寫）

建立這樣的整理習慣，即使日後需要重讀，也能因為有筆記導引而大幅提升效率。

五、AI 輔助研究的工具、風險與進階應用

本章將探討如何有效地將人工智慧（AI）工具融入學術研究的各個階段，從研究的初步探索到最終的文稿撰寫。我們將透過具體的工具介紹與案例分析，引導讀者建立一套兼具效率與學術嚴謹性的 AI 輔助研究流程，並警示其中的風險。

5.1 AI 學術工具實例與批判性使用

市面上有許多專為學術研究設計的 AI 工具，它們在功能和資料來源上各具特色。然而，無論使用何種工具，研究者都必須保持批判性思維，並將其定位為輔助角色。

5.1.1 Scopus ai

將使用者以自然語言提出的研究問題，轉換為結構化的關鍵詞組合，並透明地展示其解析過程。這有助於研究者學習關鍵詞的選擇與組合技巧，但其檢索到的文獻品質仍需使用者自行評估。
一個案例顯示，Scopus AI 推薦了一篇標題相關的文章，其 AI 摘要也頗具參考價值，但原文僅是一篇文獻回顧，而非實證研究。這個案例清楚地揭示了 AI 生成內容的價值完全取決於原文的研究品質。

5.1.2 Google Scholar Lab 的特性

Google Scholar 實驗室功能（Scholar Lab）的 AI 摘要，更傾向以「作者的角度」出發。系統會先廣泛檢索並挑選高度相關的文獻，再基於研究者原文進行摘要，較少為迎合提問者而產生偏頗。但同樣地，研究者需主動根據學科語彙體系調整關鍵詞，以獲得更精準的結果。

5.2 AI 在研究流程中的風險與對策

雖然 AI 能在研究的各個階段提供輔助，但其固有的風險不容忽視。研究者必須對這些風險有清晰的認識，並採取相應的對策。

5.2.1 內容層面的風險

完整假象與資料偏誤：AI 的整理看似完整，但其訓練資料可能存在匱乏（如中文、在地研究）與偏見。其推薦可能偏向英文或高可讀性的來源，導致「可被 AI 輕易處理的文獻」被過度使用。
摘要誤導與內容幻覺：閱讀 AI 摘要不等於理解原文。AI 在摘要或改寫過程中，可能過度強化原文語氣、產生錯誤詮釋，甚至捏造不存在的資訊（幻覺）。摘要僅能用於概覽，不能替代精讀。
假的缺口感：AI 熟悉研究模板，能輕易列出一般性的「缺口」語句，但這些缺口往往是通用的，而非基於對領域文獻完整覆蓋後發現的真實具體缺口。
撤稿文獻與 Prompt Injection：AI 未必能即時辨識已撤稿的文獻，研究者需自行查核。此外，已有文獻中嵌入引導性語句以操縱 AI 推薦的Prompt Injection攻擊案例出現，可能影響學術生態。

5.2.2 操作與倫理層面的風險

改寫與翻譯風險：AI 在改寫與翻譯時可能扭曲原意。投稿國際期刊時，建議由研究者親自審閱，並可請專業編修協助。
資料上傳與隱私：若資料涉及他人個資、訪談內容或敏感資訊，應避免上傳至外部 AI 平台，以保護隱私。建議優先使用具備合規性與資料隔離的解決方案。
學術倫理與誠實揭露：AI 不得作為作者。在使用 AI 輔助寫作後，研究者應根據投稿期刊的具體規定，在文稿中**誠實揭露（Disclosure）**AI 工具的使用情況。

總結：研究者應採取多資料庫交叉驗證、主動尋找反方意見、回到原始文獻核實、查核撤稿記錄，並對 AI 的輸出進行獨立驗證。關鍵在於將研究的主導權掌握在自己手中。

5.3 AI 輔助研究的進階應用與展望

隨著技術發展，AI 在研究中的角色也日益深化，從簡單的問答延伸至更複雜的研究管理與深度分析。

深度研究（Deep Research）：一些新興工具（如講者提及的 SideSpace、Consensus 等）專注於提供更深入的資料評估與綜整功能，幫助研究者形成更成熟的問題框架與證據結構。
研究管理與知識庫建置：資深研究者可利用爬蟲與 AI 建立個人知識庫，管理大量文獻與跨專案進度，並讓 AI 介入任務分派、進度整理等重複性工作。
AI Agent 的探索：嘗試代理更完整研究流程的「AI Agent」正在發展中，但其透明度、可驗證性與倫理規範仍需持續關注。

總結而言，AI 是適合在各個研究環節提供對話式支援的夥伴。透過 AI 的輔助，研究者可更清楚地形成對文獻與研究的具體構想，再帶著更成熟的成果與問題與指導教師或領域專家討論，從而提升研究品質與效率。