找到很多文獻之後，我們還看得見答案如何形成嗎？
找到很多文獻之後，我們還看得見答案如何形成嗎？
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