Google Scholar 找到很多結果，Deep Research 也生成了一份引用完整的報告，文獻就算找齊了嗎？恐怕沒有這麼簡單。

針對同一個研究問題，即使採用相同的檢索策略，在不同資料庫或檢索引擎中，也可能得到不同的檢索結果、核心文獻與主要作者。搜尋結果雖然很多，但卻不代表已涵蓋研究問題的所有面向，就像是每份報告皆附有參考文獻，但卻不代表每一篇資料都具有相同的參考價值。

在AI時代中，當研究者逐漸把文獻蒐集與整理的工作交給 AI，我們更應理解：學術搜尋系統各自看見了什麼，又遺漏了什麼？

在哪裡搜尋，本來就是研究方法的一部分

Gusenbauer（2022）比較 56 種學術搜尋系統，發現各平台在學科涵蓋、資料規模與檢索功能上存在明顯差異。若研究者已經知道要找哪一篇文獻，使用收錄紀錄較多、涵蓋學科較廣的學術搜尋系統，通常較容易定位該篇文獻，並進一步取到全文；探索新主題時，則需要能支援引用追蹤與延伸發現的系統，而系統性搜尋還是必須搭配多個綜合性與專業資料庫。

因此，沒有一個資料庫能同時適合所有研究目的。同一個詞彙在醫學、工程或社會科學中，也可能指向不同概念，需要不同的同義詞、控制詞彙與專業資料來源作為輔助。因此，選擇在哪個資料庫進行搜尋，不僅是涉及操作上的便利性，也會影響研究者最後看見的知識範圍。

每個資料來源，都畫出不同版本的學術世界

Visser、van Eck 與 Waltman（2021）比較 Scopus、Web of Science、Dimensions、Crossref 與 Microsoft Academic 等資料來源，發現這些系統收錄的資料，在年代、學科、文件類型及引用連結的完整性上各有差異。

但作者並未選出一個「最好的資料庫」，而是強調：理想的書目資料環境應同時具備廣泛的文獻涵蓋，以及能依研究目的進行選擇的彈性篩選機制。多搜尋一個資料庫，意義不只是增加結果筆數，也可能補入原先平台上所欠缺的書籍、會議論文、預印本或特定學科成果。

換句話說：搜尋結果並不是學術世界本身，而是某個資料來源所呈現出來的學術概貌。

開放索引，讓更多研究進入視野

資料來源的差異，也會影響哪些國家、地區與出版模式能被看見。

Maddi、Maisonobe 與 Boukacem-Zeghmouri（2025）以 Directory of Open Access Scholarly Resources (ROAD) 收錄的 62,701 種現行開放取用期刊為比較基準。以 2024 年 5 月的資料而言，OpenAlex 收錄其中 34,217 種，WoS 收錄 6,157 種，Scopus 則收錄 7,351 種；另有近 2.5 萬種 OA 期刊只出現在 OpenAlex。

這項結果並不表示 OpenAlex 已經完整無缺。研究同時發現，三個索引系統仍各有地區與學科代表性的差異。這份結果提醒我們的是：開放索引能讓更多區域性、開放取用及未進入傳統核心索引的成果獲得能見度。

因此，不宜將開放索引與商業資料庫簡化成「品質較差」與「品質較好」的對立。研究者需要的不是尋找唯一正確的平台，而是理解不同來源的收錄範圍與特性，以及它們可以如何互補。

被找到的論文，不一定具有相同的證據價值

然而，擴大搜尋範圍後，新的問題隨即出現：搜尋到的文獻，是否都值得成為研究的基礎？

Parker、Boughton、Bero 與 Byrne（2024）指出，論文工廠( paper mills )會透過製造虛假稿件及販售作者資格牟利，而且已有數以千計的相關稿件成功刊登於經同儕審查的期刊，但許多研究者與讀者仍不熟悉其辨識方式。

當然，這項研究並非表示同儕審查失去價值，而是提醒我們：同儕審查是重要的品質控制機制，卻不是絕對的品質保證。

文獻正式出版於哪本期刊、是否具有 DOI 或被其他研究引用，都不能取代對研究方法、樣本、資料透明度、研究限制，以及更正與撤稿狀態的檢查。多篇文章得到相似結果，也不一定代表證據更強，若其中混入來自論文工廠的文獻或研究誠信存疑的文獻，就更需要逐篇檢查其資料、方法與研究誠信的狀態。

當這些工作交給 AI Agent，問題會消失嗎？

隨著AI Agent 的興起，文獻檢索可能不再侷限於單一平台，而是能跨越商業資料庫、專業資料庫、開放學術索引與 Open Web，自動辨識研究語境、展開同義詞、去除重複資料等步驟，並於獲取檢索結果後，將大量內容整理集結成結構完整的報告。

這樣的發展，確實可能讓研究者在文獻回顧上，找得更廣、整理得更快。但當數千篇資料被濃縮成幾段流暢的文字，另一種更難察覺的資訊過載也可能悄悄地出現，面對以下問題，研究者是否仍有能力回答？

是否知道 AI 實際搜尋過哪些來源？
AI 使用了哪些概念與條件，又排除了哪些資料？
不同研究設計、審查狀態與可信程度的文獻，經過 AI 摘要後，是否會看起來具有相同分量？
如果品質不佳、已被撤稿的或研究誠信存疑的文章，藏進長長的參考文獻清單中，使用者是否仍能察覺？
即使 AI 沒有捏造引用，仍可能把原本差異很大的證據，整理成語氣一致、看似已有共識的結論。

AI 時代不缺整理好的文字，真正稀缺的是能看見問題如何被發現、答案如何形成。

從最小可行的改變開始

建立負責任的 AI 使用或協作習慣，不一定只存在於複雜的研究流程中，最容易實踐的做法，是先把基本規範寫進像是 ChatGPT 等工具的自訂指令中，例如要求 AI 在引用外部資料或研究資料時，清楚標示作者、年份、題名、期刊、DOI 或連結，並以如 APA格式列出參考文獻。這樣的做法，多少能提醒使用者：一段看似完整的回答，仍應有可以回頭查證的來源。

進一步來說，使用者可以把常用的資料整理或蒐集的提示詞，彙整成固定可沿用架構的提示詞、範本或 Skill，例如限定年代、語言、文獻類型與研究設計等，並要求 AI 分開呈現搜尋結果、篩選依據與彙整結論。與其每次臨時下指令，不如建立一套可重複使用的檢索與彙整流程，讓不同批次的結果更容易比較，也降低因不同提示詞作用，造成 AI 每次提供的結果有過多差異的風險。

不同工具也可以負責不同階段。AI工具所提供的 Deep Research 或AI Agent ，適合協助跨來源蒐集與初步整理；取得全文後，則可透過 NotebookLM 等以指定資料為基礎的 RAG 工具進行摘要、比較與提問。但無論使用哪一種工具，都應確認回答是否能回指原文、引用是否正確，以及 AI 是否曲解了作者的論證。

最重要的仍是 Human-in-the-Loop，也就是讓研究者持續參與判斷。凡是準備納入分析、支撐論點或列入參考文獻的資料，都應回到原文逐篇確認。研究者必須自己閱讀、理解並形成判斷，才能進一步與 AI 追問、比較和討論，而不是直接接受生成結果。

AI 可以協助搜尋、整理與比較，但不能取代研究者理解文獻的過程，唯有經過人的閱讀、判斷與確認，引用的文獻才真正禁得起檢驗。

參考文獻

Gusenbauer, M. (2022). Search where you will find most: Comparing the disciplinary coverage of 56 bibliographic databases. Scientometrics, 127, 2683–2745. https://doi.org/10.1007/s11192-022-04289-7

Maddi, A., Maisonobe, M., & Boukacem-Zeghmouri, C. (2025). Geographical and disciplinary coverage of open access journals: OpenAlex, Scopus, and WoS. PLOS ONE, 20(4), e0320347. https://doi.org/10.1371/journal.pone.0320347

Parker, L., Boughton, S., Bero, L., & Byrne, J. A. (2024). Paper mill challenges: Past, present, and future. Journal of Clinical Epidemiology, 176, 111549. https://doi.org/10.1016/j.jclinepi.2024.111549

Visser, M., van Eck, N. J., & Waltman, L. (2021). Large-scale comparison of bibliographic data sources: Scopus, Web of Science, Dimensions, Crossref, and Microsoft Academic. Quantitative Science Studies, 2(1), 20–41. https://doi.org/10.1162/qss_a_00112

推廣組 柯文仁 / 本文搭配AI工具進行寫作輔助

這篇文章 找到很多文獻之後，我們還看得見答案如何形成嗎？ 最早出現於 NYCU陽明交大圖書館-陪你做研究。

Google Scholar 之後，你可以多走一步：也來認識 Semantic Scholar

從「找得到文章」到「開始學會判讀文章重不重要」，讓文獻蒐集不只停在第一步

先承認一件事：大家都是從 Google Scholar 開始的

如果你現在是研究生，或至少是個會寫報告、做專題、交文獻回顧的人，那你第一次找資料，很高機率就是打開 Google Scholar。

這件事很正常，真的不用裝。
因為 Google Scholar 就是方便、直覺、熟悉，像研究旅程一開始發給你的新手裝備：先讓你能出門，不會赤手空拳站在村口發呆。

而且說句公道話，Google Scholar 也不是沒本事。它涵蓋廣，常常連灰色文獻、學位論文、預印本都撈得到，對剛開始摸索主題的人來說，確實很好用。

問題不是它不能用，問題是，很多人會在這裡停太久。

真正的問題不是找不到，而是你太早以為自己找夠了

Google Scholar 最大的優點，是讓你很快找到幾篇看起來很像的文章。但研究最麻煩的地方，通常不是完全找不到，而是你太快進入一種「嗯，我大概抓到了」的狀態。這種感覺很常見：你搜尋一個主題，點進前幾篇標題很對味且有全文的文章，掃一下摘要，再順手看一下被引用次數。然後腦中就開始浮現一句話：

「好，這主題的文獻我找得差不多了。」

小等一下(Sió-tán–tsi̍t-ē)！這通常只是研究起步時很常見的錯覺。
找到幾篇文章，跟找到核心文獻，甚至跟看懂研究脈絡，完全不是同一件事。

而且 Google Scholar 本身也有一些很現實的限制，我猜你不知道！就是單一查詢最多只顯示 1,000 筆結果，雖然也知道不可能看到第1,000筆檢索結果；但如果你做的是比較正式的文獻整理，這其實默默產生影響。再加上它的書目與引用資料主要來自自動解析，可能會出現錯誤、重複或辨識不完整的情況。

換句話說，Google Scholar 很適合當入口，但它不太適合單獨扛起「完整、可交代、可重現」的文獻回顧工作。

這時候，Semantic Scholar 很適合當一張過渡地圖

如果說 Google Scholar 是研究起步時附上的簡易地圖，那 Semantic Scholar 比較像便利商店買到的環島地圖：資訊比前者多一點，路線也清楚一點，至少會讓你開始知道哪些地方值得停下來看；但它還不是最完整、最穩、最能拿來正式規劃路線的導航系統。

不過，Semantic Scholar的定位並非「更強的 Google Scholar」，也不是「圖書館資源替代品」，而是「一個過渡資源」。它的價值不在於幫你一步到位，而在於幫你從「先找到文章」往前跨一步，開始學會看文章內文之外的資訊。

這一步，其實很重要。因為多數人都會看標題、看摘要、看關鍵字、看引用次數，但還不太習慣看：

• 這篇被引用的狀況怎麼樣
• 它在這個主題裡可能扮演什麼角色
• 它是不是值得優先花時間讀的那篇

而 Semantic Scholar 的好處，就是它會把一些這類線索整理得比 Google Scholar 再明確一點。

真正要學的，不只是看內文，還要學會看「文章外部資訊」

很多人以為文獻判讀就是看內文：研究問題是什麼、方法是什麼、結果是什麼。這當然重要。但如果你正在做文獻蒐集，還有一層功課也得慢慢學，就是看文章外部資訊。

例如：

• 這篇被引用很多次，是因為真的很重要，還是只是常被當背景引用？
• 這篇在這個主題裡，是方法基石、綜述文，還是補充材料？
• 這篇是不是你現在最該優先讀的那篇？

這種判斷，不是只靠標題和摘要就能完成。

Semantic Scholar 可以提供一些比較結構化的線索，例如 citation count、Highly Influential Citations、TLDR，以及部分排序資訊。這些東西都不是答案，更不是品質保證，但它們至少會提醒你：

文獻不是只有「有沒有對題」，還有「它在這個領域裡站在哪裡」。

這件事很重要。因為一旦學生開始在意「位置」和「重要性」，他就不再只是撿文章，而是真的開始做文獻判讀。

TLDR 很方便，但它比較像第一層篩選，不是最後裁判

這裡特別想講一下 Semantic Scholar 的 TLDR( Too Long; Didn’t Read )，也就是太長不看專用的懶人包，這功能很好用，但千萬不能過度依賴，TLDR可以理解為 AI自動生成的摘要的摘要。TLDR 最適合的用途，不是替你讀文獻，也不是替你做最終判斷，而是當作第一眼篩選工具。你可以先用它快速看一下：這篇大概在談什麼？值不值得先點開摘要？再決定要不要往下看全文。

所以它真正對研究者有幫助的地方，不是讓你少讀，而是讓你比較不會一上來就把時間砸在不必要的全文上。

順序大概是這樣：

TLDR → 摘要 → 全文 → 最後才是要不要引用、要怎麼引用的判斷

如果把 TLDR 當成最終理解，真的是大可不必，但如果把它當成第一層分流，它其實很好用。

認清工具的邊界：Semantic Scholar 的侷限性

講到這裡，還是要峰迴路轉一下！Semantic Scholar 雖然比 Google Scholar 多給你一些判讀線索，但它不是正式學術資料庫，也不是全文取得平台，更不是那種可以直接把引用網路用圖像化方式攤在你面前的工具。

而且它目前仍以英文文獻為主。如果你的研究高度依賴中文文獻、臺灣在地研究、中文期刊或學位論文，那 Google Scholar、在地資料庫與圖書館資源還是不可或缺。

所以，Semantic Scholar 很適合扮演學習判讀文獻的橋梁，卻不適合扮演文獻蒐集的終點。

為什麼最後還是得回到圖書館？

因為真正要把研究做好做滿，最後還是會遇到幾個逃不掉的問題：

• 我有沒有漏掉關鍵文獻？
• 我能不能穩定拿到全文？
• 我怎麼建立正式而可交代的檢索策略？
• 我怎麼處理重複、錯誤與書目品質問題？

這時候，圖書館的價值就會非常清楚。

如果 Google Scholar 是起手用的簡易地圖，Semantic Scholar 是資訊多一點的過渡地圖，那圖書館的資料庫與工具更像是真正可靠、更新快、還能依研究需求規劃路線的導航系統。它提供的不只是「找到幾篇文章」，而是更完整的全文取得、更穩定的書目品質、更正式的檢索策略，以及更有把關的學術資源環境。

所以這篇文章真正想幫同學跨過的，不只是「多認識一個工具」，而是這一步：從「我找到了幾篇文章」走到「我開始學會判斷哪些文章真的值得優先讀」而這一步，通常就是你真正開始做研究的起點。

陪你做研究的最後

Google Scholar 很方便，這件事沒有問題。Semantic Scholar 也值得認識，因為它能幫你從「找到文章」再往前走一步，開始練習看文獻的重要性、引用狀況與外部位置。但說到底，這些都不是終點。

如果 Google Scholar 是研究的第一站，Semantic Scholar 可以是一座橋。那麼當你真的開始在意文獻的重要性、引用脈絡、全文取得與檢索策略時，你最後還是會發現：圖書館，才是研究真正的主場。

參考資料

Semantic Scholar. (n.d.). Frequently asked questions. Retrieved March 30, 2026, from https://www.semanticscholar.org/faq

推廣組 柯文仁 / 本文搭配AI工具進行寫作輔助

這篇文章 Google Scholar 之後，你可以多走一步：也來認識 Semantic Scholar 最早出現於 NYCU陽明交大圖書館-陪你做研究。

這樣的狀況，往往不是工具使用出了問題，而是研究流程中最前面的一步還沒有準備好。當研究問題尚未被釐清，再有效率的搜尋工具，也很難真正幫助研究者建立清楚的研究脈絡。

這一篇文章要處理的，正是研究流程中這個經常被忽略、卻影響深遠的起點：研究問題如何被拆解，才能成為文獻探索的可靠起點。

不是所有「看起來完整的問題」，都能直接研究

在研究討論或提案中，我們常會聽到一些語言上相當完整的研究問題。這些問題乍聽之下方向明確，但當研究者真的嘗試開始找文獻時，卻往往會發現無從下手。

這並不代表研究問題不好，而是它仍停留在「直覺理解」的層次，尚未被拆解成可以被理解、被比較、也能被搜尋的狀態。換言之，問題不是出在研究動機，而是在於研究問題還沒有準備好進入文獻探索。

以下，我們用一個例子，示範研究問題在真正開始研究之前，通常需要經過哪些基本的釐清。

示範：一個需要被拆解的研究問題

以一個看似完整、但其實尚未準備好進入研究階段的問題為例：「演算法推薦機制如何影響使用者的資訊接觸多樣性？」
這樣的題目乍看之下方向清楚，但一旦嘗試開始找文獻，往往會發現卡關——因為題目中的關鍵概念，仍停留在直覺理解的層次。

如果仔細看，這個問題其實同時包含了幾個需要先被釐清的重點。
第一，是研究情境。「演算法推薦機制」在這裡不必被視為一套需要深入理解的技術，而可以先當成一種影響資訊接觸的情境。研究關心的重點，並不在於演算法如何運作，而是在這樣的情境下，使用者接觸資訊的方式是否出現變化。當研究焦點從「機制本身」轉向「影響結果」，研究問題才開始具備可討論的輪廓。

第二，是研究對象。題目中的「使用者」可能指的是一般大眾，也可能是特定平台的使用者，或某一類特定族群。不同的研究對象，對應的是不同的研究脈絡與文獻背景；在研究對象尚未被界定之前，很難判斷哪些研究與這個問題真正相關。

第三，則是核心概念的定義。「資訊接觸多樣性」並不是一個自動成立的概念，它可能指的是接觸內容的主題是否多元、觀點是否多樣，或資訊來源是否集中於少數管道。當這個關鍵名詞沒有被說清楚，研究問題就仍停留在抽象層次，難以進一步展開文獻探索。

到這一步，我們仍未進入研究設計，也尚未開始檢索資料，但已經完成了一個關鍵的準備工作：把一個原本過於寬廣的研究問題，拆解成可以被理解、被討論，並即將可以被搜尋的狀態。

拆解研究問題，其實是在替研究流程鋪路

這樣的拆解，並不是為了把研究問題變得更複雜，而是讓研究者清楚自己正在處理的是哪一個層次的問題。當研究情境、研究對象與核心概念逐漸被釐清，文獻探索才有了實際的參照點。

在這個狀態下，研究者不再只是「感覺這篇文章好像相關」，而是能夠判斷：這篇研究是在回應哪一個概念？與自己的研究問題重疊的部分在哪裡？哪些文獻其實並不在同一個討論範圍內？

換句話說，拆解研究問題，是讓文獻閱讀與整理不再只是累積資料，而是開始形成有方向的研究理解。

在這個階段，還不用急著找答案

值得提醒的是，在研究流程的這個階段，研究者其實還不需要急著設計研究方法，也不必立刻評估研究好不好。真正重要的，是確認研究問題是否已經準備好進入文獻探索。

如果這個準備沒有完成，後續即使花了大量時間搜尋與閱讀文獻，也很容易反覆繞圈，難以看出研究脈絡或真正的討論焦點。相反地，當研究問題被適度拆解後，文獻探索反而會變得更有效率，也更有意義。

結語：讓研究問題，成為文獻探索的起點

一個被拆解過的研究問題，才能成為真正可用的研究起點。當研究情境、研究對象與核心概念逐漸清楚，接下來的問題自然會浮現：這些概念該如何轉化為可以搜尋的語言？

在下一個階段，研究者要面對的，已不只是「我要不要用工具」，而是「如何設定合適的關鍵詞與檢索策略，讓文獻真正回應我的研究問題」。這也正是後續文獻探索中，最關鍵的一步。

延伸閱讀：

Booth, W. C., Colomb, G. G., & Williams, J. M. (2016).The Craft of Research (4th ed., Ch. 3.1–3.3). University of Chicago Press.

📚 本書為本校圖書館館藏，讀者可透過圖書館系統查詢取得。

推廣組 巴詠淳 / 本文搭配AI工具進行寫作輔助

這篇文章 從一個研究問題開始：如何拆解研究主題，讓文獻探索有方向 最早出現於 NYCU陽明交大圖書館-陪你做研究。

這正是 AI 開始能實際協助研究流程的地方。Web of Science Research Assistant（WOS RA）結合代理式人工智慧與 Web of Science 核心合輯資料庫，不只是幫你更快找到文章，而是協助你在大量文獻中看出主題脈絡、研究趨勢，以及可能尚未被充分討論的研究缺口。換句話說，文獻回顧不再只是把文章找齊，而是幫助你釐清：這個領域到底在研究什麼。

從搜尋工具到研究輔助

在研究初期，研究缺口之所以難以辨識，往往不是因為文獻不足，而是資訊過多、層次複雜。常見情況包括：主題範圍過大，難以判斷切入點；關鍵詞尚未成熟，搜尋結果零散，容易漏掉重要研究；即使閱讀了不少文章，仍難以看出整體趨勢與研究關聯，或不確定哪些問題已被充分討論、哪些仍有深化空間。

在傳統研究流程中，這些判斷通常仰賴反覆調整檢索策略、人工比對文獻，以及長時間的閱讀整理才能逐步釐清。對跨領域研究者而言，還需同時理解不同學門的方法與觀點，更容易在文獻中迷失方向。因此，AI 在此階段的角色並非取代研究者的判斷，而是協助加速「理解與整理」，讓研究者能更快掌握研究脈絡並聚焦關鍵問題。

WOS RA 採取對話式引導與結構化分析，協助研究者拆解主題、提出檢索策略，並在分析前確認回顧結構，如研究背景、主要主題、研究趨勢與研究缺口，使整個搜尋與分析過程保持透明且可調整。

更重要的是，WOS RA 不只列出文獻，而是協助整理研究之間的關聯，幫助研究者理解領域焦點、常見研究方法，以及尚待深入探討的問題，為後續研究設計建立清楚方向。

用 WOS RA 找研究缺口 — 6 步核查流程

在實務上，你可以將 WOS RA 的應用理解為一個逐步收斂的流程：

1. 明確驅動問題：先寫下一句核心研究問句，並列出 5–8 個初始關鍵詞。
   
2. 廣域探索：利用 WOS RA 進行 topic-level 探索，觀察子主題與發展趨勢。
   
3. 精煉檢索策略：根據系統建議的關鍵詞與同義詞，調整時間範圍與期刊類型後重新搜尋。
   
4. 文獻結構化摘要：比對研究方法、樣本、資料來源與驗證方式。
   
5. 找出差異與不足：留意方法差異、跨資料驗證不足或實務應用限制。
   
6. 轉化為研究問題或假說：將研究缺口整理為具體且可行的研究題目。

這個過程讓研究缺口不是「靈感突然冒出來」，而是從系統性閱讀與比較中自然形成。

跨域故事案例：AI × 生醫影像

以一位生醫工程研究生小安為例，他想研究「AI 在癌症影像診斷的應用」，但一開始只知道關鍵字如 AI、medical imaging、cancer diagnosis。搜尋後雖然出現數百篇論文，卻仍難以判斷自己的研究價值與切入點。

透過 WOS RA，小安先讓系統協助拆解主題，逐漸看見子領域輪廓，包括影像分割、深度學習模型、跨院資料驗證與臨床可解釋性。接著，他比較不同研究所使用的方法與資料來源，注意到多數模型在單一資料庫中表現良好，但跨醫院驗證仍相對不足，而這一點也經常被作者列為研究限制。

在這樣的整理下，小安將研究方向聚焦為：「結合可解釋 AI 與跨院資料驗證的癌症影像模型評估」。這個題目不再只是追逐熱門關鍵字，而是從文獻結構中自然長出的研究問題。

AI 是輔助，不是取代研究者

需要特別提醒的是，WOS RA 提供的是策略性輔助，而非最終判斷。當系統指出可能的研究缺口時，研究者仍應回到原始論文，檢視方法章節、樣本說明與研究限制，並以實際文獻證據支持自己的判斷。這不僅能確保研究的學術嚴謹性，也能讓研究設計在口試或審查時更具說服力。

結語

WOS RA 結合 AI 推理能力與權威文獻來源，能大幅減少研究初期整理與探索的時間，協助研究生快速掌握研究領域的整體輪廓，並有系統地形成研究缺口。當 AI 成為你的研究夥伴，你就能把更多心力，留給真正重要的思考、設計與創新。

參考文獻

1. Reimann, P. (2025). Streamlining literature review with agentic AI in the Web of Science Research Assistant. Clarivate Blog.
2. Clarivate. (2025). Web of Science Research Assistant: Product overview and training materials.
3. Clarivate. (2024). Web of Science Core Collection help & training documentation.
4. Anara. (2025). How to find research gaps: Tools and steps for innovative research. https://anara.com/blog/ai-for-finding-research-gaps

推廣組 巴詠淳 / 本文搭配AI工具進行寫作輔助

這篇文章 AI 如何幫研究生更快找到研究缺口？— WOS RA 校園應用分享 最早出現於 NYCU陽明交大圖書館-陪你做研究。

輸入期刊名查詢，以 Lancet為例

查詢Lancet後顯示的檢索結果畫面

期刊資訊畫面功能介紹

在刊內檢索中輸入「covid」後顯示的檢索結果畫面

點選期刊資訊畫面中的「查看當期期刊」，會連到期刊最新一期的頁面。

進行刊內檢索後，若您對某篇文章同期的其他文章有興趣，點選「查看本期目次」，就會出現該期的所有文章資訊。

By 推廣組 黃海陵

這篇文章 期刊文章查詢小技巧 最早出現於 NYCU陽明交大圖書館-陪你做研究。

開啟Corporate Tree 

1要打開Corporate Tree瀏覽器，請點選左上角的區域叫出工具列。

2從選單中，點選“Corporate Tree”功能。

Corporate Tree瀏覽器主頁

要開始搜索擁有專利的公司，請輸入完整或部分公司名稱，然後點選“搜索”。

在下面的示例中，Google是Alphabet，Inc.的子公司。最終的母/子層次結構與匹配Google的公司一起顯示。要顯示有關最終母公司的資訊，請點選“Info”。要查看並選擇最終的母子公司做進一步分析，請點選”View”。

公司基本資料

點擊“Info”按鈕後，“Overview”選項將顯示有關最終母公司的資訊，包括公司類型、狀態、產業、總部、成立時間、別名等。 “Financials”選項顯示包括最多5年的年度報表（包括總收入、淨收入、研發費用和資本支出），並可以選擇下載到Excel文件。財務資訊還包括包含總收入和淨收入的組合圖。 “Description”選項提供諸如分類、服務、廣告，季節性和歷史記錄的訊息。欲使用Google搜索公司，或打開有關公司的Wikipedia頁面點擊右上角對應選項即可。

選擇公司並瀏覽

從“Corporate Tree Browser”中點選“View”後，將開啟下一個視窗。頂部包括對最終母公司的簡要概述。主要部分包括擁有專利的子公司和可透過名稱或位置輕鬆查找公司的功能。您可以透過勾選方式選擇最終的母公司和任何可用的子公司或分支資訊。

1要顯示有關最終母公司的公司資料，請點選“Info”。

2您可以使用“find by name or location”，將項目名稱和位置與您鍵入的字符匹配來限制彈出窗口中顯示的項目。

3通過使用標題中的複選框，可以選擇/取消選擇所有具有專利的子級。

4選擇特定母公司及子公司並點選 “Selected” 選單進行下列搜尋:

• 建立選定單位的專利組合
• 儲存為Term List供日後查詢或作為篩選條件使用
• 於Discover模式中匯入作為搜尋依據
• 將搜尋結果以語意概念地圖模式呈現
• 以CSV格式快速下載

文/Hinton Information Services 杜欣穎

這篇文章 查詢公司概況及技術發展趨勢-InnovationQ Plus 最早出現於 NYCU陽明交大圖書館-陪你做研究。

出現無法下載的情況，通常是以下4種原因。

1.Google Scholar未設定「圖書館連結」

無論在校內或校外用Google Scholar查詢，請先設定「圖書館連結」才能連到圖書館採購的全文（如下圖步驟1-5）。

以IEEE的文章「Internet of Things for Smart Cities: Interoperability and Open Data」為例，在校外沒設定，只能點左邊篇名，然後出現無法下載全文，ELSEVIER ScienceDirect的文章也是如此。

有設定就可點選「Fulltext@NYCU Library」，順利取得全文。

2.非IEEE資料庫訂購範圍

IEEE資料庫中部分非IEEE或IET出版的刊物，可能無法在此資料庫直接下載全文。以「Voluntary Saccadic Eye Movements Ride the Attentional Rhythm」為例，請按「Find it in Library」，然後連到其它有收錄全文的資料庫下載。

3.陽明交大沒有訂購

ELSEVIER ScienceDirect自2017年起改訂33種核心期刊（詳公告說明），因此您若需要2017年之後出版的文章，有可能沒有訂購。

建議您免費申請文獻傳遞服務，最快申請隔天即可到館取件，也可傳送到各校區圖書室。申請步驟如下：

步驟1，整合查詢系統查詢篇名；

步驟2，勾選「本館+非本館資源」

步驟3，點「請點此申請圖書代借或館際複印」

步驟4，點「館際複印」，系統表單會自動代入文獻資訊。

步驟5，登入圖書館帳號密碼後，確認資料正確就按「發送申請」

4.系統異常

若您在資料庫中查的每篇文章都無法下載全文，有可能是系統異常。歡迎利用Email或Line等管道與我們聯繫，我們將會儘速處理。

文 / 推廣組 張淑娟

更新日期: 2021.10.22 by推廣組 林玉

這篇文章 為何IEEE、ELSEVIER ScienceDirect等文章經常無法下載？ 最早出現於 NYCU陽明交大圖書館-陪你做研究。

步驟一：圖書館/資源/優良期刊列表

步驟二：依據JCR的領域列表

步驟三：點選其一領域，可以看到JCR公佈最新年度IF值在前25%的期刊列表(依排名順序)

步驟四：點選刊物下方的Statistic，可以連至JCR，觀看期刊的Profile 以及 Key Indicators

文 / 推廣組 劉秀萱

這篇文章 優質期刊列表 最早出現於 NYCU陽明交大圖書館-陪你做研究。

路徑：

介紹：

• 類別：可由領域找出版品的列表，可以看出有些出版品是跨領域的

• 語言：英語之外的其他語言的出版品的排名列表，但其他語言沒有子類別
• H5：過去 5 年中，發表的 H 篇文章中，每篇至少都被引用 H 次。舉例：2013-2017年共發表了5篇文章，在Google Scholar中分別引用了21，8，7，2和1次。有3篇文章引用了三次以上，那麼該出版品的H5指數就是3
• H5中位數：是構成其H5指數的文章的引用中位數，以上例，H中值為8

這篇文章 Google Scholar Metrics 最早出現於 NYCU陽明交大圖書館-陪你做研究。

1.     IF值（Impact Factor）

部分系所修業規章提到，必須投稿SCI IF特定數值以上的期刊。IF值是期刊影響係數，指該期刊被引用的頻率。JCR每年夏季會公布最新數據，IF值每年都不一樣，去年是2不代表今年也是2。請研究生投稿前務必到JCR查詢最新數據，以免耽誤畢業。JCR查詢IF值的操作步驟如下：

Step 1

Step 2

Step 3

Step 4

Step 5

Step 6

2.     Rank

曾經有研究生發生慘絕人寰的悲劇，就是嘔心瀝血完成的論文，經過出版社漫長的審稿流程終於刊登，卻不能計入點數，因為該期刊已經不是SCI收錄期刊。所以建議同學們還要查期刊的Rank，確認其IF值在該領域的排名不是吊車尾，否則等你刊登論文時，可能就不是SCI/SSCI的期刊了。查詢步驟如下：

Step 1

Step 2

Step 3

3.     留校察看黑名單

JCR近日公布2017年數據時，同時表示發現部分期刊因IF值有異常情形，被列入調查名單，將來可能被JCR與WOS剔除。為避免影響投稿權益，請務必詳閱官網公告。

4.     收錄範圍及刊登所需時間

除了到JCR查詢上述資訊，建議還要到期刊官網確認收錄範圍與宗旨，才能投其所好。此外，若你急著畢業，應注意刊登所需時間是否太長。

更新日期: 2021.10.23 by推廣組 林玉

這篇文章 【JCR】投稿期刊挑選指南-JCR 最早出現於 NYCU陽明交大圖書館-陪你做研究。