从检索到写作：AI赋能文献综述六大核心步骤

引言Introduction

文献综述常见的痛点，不是不会写，而是检索太散、筛选太慢、提炼不准、论点不清 。对医学生、医生和科研人员来说，真正耗时的往往不是“写”，而是把证据整理成能支撑观点的逻辑链。AI可以提速，但前提是用对流程。

1. 先把题目想清楚，文献综述核心论点才站得住

1.1 选题不是越大越好，而是越聚焦越有效

文献综述的第一步，是确定选题。这个环节决定后续检索范围，也决定综述能否形成清晰的文献综述核心论点 。常见错误是题目过宽，导致证据分散，最后只能做成“资料汇总”，很难形成观点。

更好的做法，是从临床问题或研究空白出发。比如从“某类治疗是否优于标准方案”切入，再逐步明确人群、干预、结局和时间范围。这样得到的题目更容易写出逻辑闭环，也更符合系统性综述的思路。

AI在这一阶段的价值，是帮助快速拆解问题。 它可以把临床问题转成可检索的关键词组，帮助你识别主要变量和潜在结局，但最终题目仍需研究者自己判断，不能让AI替代学术判断。

1.2 先形成问题框架，再谈写作

一个可操作的框架通常包括以下内容。

• 研究对象是谁。
• 比较什么干预或暴露。
• 关注哪些结局指标。
• 证据类型是RCT、队列研究，还是回顾性研究。
• 是否需要限定年份、语言或人群。

当这些边界明确后，综述的核心论点才不会漂移。没有问题框架的综述，往往只能罗列研究，不能回答问题。

2. 检索策略决定证据质量，AI只能辅助，不能替代

2.1 检索式是结果范围的“阀门”

第二步是文献检索。检索策略和检索式非常重要，它会显著影响结果范围。开始时建议先聚焦，再逐步放开范围，避免一开始就被大量噪音淹没。

实际操作中，常用数据库应尽量覆盖全面，至少包括：

• PubMed。
• Web of Science。
• Cochrane Library。
• 必要时补充Embase、CNKI或其他专业数据库。

检索的目标不是“找得越多越好”，而是“找得全且准”。 检索式过窄会漏文献，过宽会引入大量无关研究，增加筛选负担，也会影响结论稳定性。

2.2 AI可以帮你扩展词汇，但要人工复核

AI在检索阶段最有用的地方，是帮助生成同义词、近义词、主题词和缩写。比如疾病名称、干预方式、结局指标，常常存在多个表达方式。AI可以帮助你先列出候选词，再由研究者检查是否符合数据库语法。

但必须注意两点：

1. 数据库语法不能直接照搬。 每个数据库对主题词、字段和布尔逻辑的要求不同。
2. 检索式需要人工验证。 如果关键词错配，AI生成得再快也没有意义。

检索完成后，建议记录检索日期、数据库名称、检索式和命中数量。这一步不仅是规范要求，也是后续可重复性的基础。

3. 筛选不是机械删文，而是建立可追溯的证据链

3.1 初筛和精筛都要有规则

第三步是论文筛选，分为初筛和精筛。初筛通常看题目和摘要，精筛则要阅读全文判断是否纳入。很多综述质量不高，不是因为文献不够，而是因为筛选标准不统一。

标准化筛选应至少包含以下内容：

• 纳入标准。
• 排除标准。
• 人群、干预、结局和研究设计要求。
• 重复文献处理规则。

筛选阶段建议两人独立完成，并记录每一次决策。 如果出现分歧，再由第三方判定。这样可以降低主观偏倚，也方便后续按照PRISMA流程图汇报。

3.2 AI适合做初步分拣，不适合直接定稿

AI可以快速标注疑似相关文献，帮助你缩短初筛时间。尤其在文献量较大时，它能先把明显无关的研究分出去，提升效率。

但AI无法替代全文判断。原因很简单，很多研究的纳入与否，取决于细节，比如：

• 结局指标是否一致。
• 随访时间是否符合要求。
• 研究对象是否真正匹配。
• 数据是否可提取。

所以，AI适合做“助手”，不适合做“裁判”。 最终纳入名单必须由研究者确认。

4. 数据提取要围绕结局，不要只抄摘要

4.1 全文提取比摘要提取更可靠

第四步是数据提取。真正有价值的信息，往往不在摘要里，而在全文的结果表、补充材料和方法部分。尤其是做meta分析时，必须明确提取关注的outcomes，否则后续无法合并数据。

常见提取内容包括：

• 基线特征。
• 干预措施。
• 结局指标。
• 效应量。
• 随访时间。
• 偏倚风险相关信息。

双人提取并核对，仍然是最稳妥的方法。 因为不同研究的报告方式不同，单人提取很容易漏项或误读。

4.2 AI最适合做结构化摘要整理

AI在这一阶段的作用，是把长篇全文拆成结构化信息。比如要求它按“研究对象、方法、结局、主要发现、不足”五项输出，能显著降低人工整理时间。

但要强调一点，AI输出的内容必须回到原文核对。尤其是数值、效应量、P值、CI区间和结局定义，不能直接依赖AI自动摘要。凡是用于统计分析的数据，都必须以原文为准。

5. 统计分析决定结论能否站稳，不能跳过质量判断

5.1 森林图、异质性和偏倚评估是核心

第五步是统计分析。对于meta分析来说，统计不只是画图，更是判断证据是否可靠。常见分析包括森林图、I²异质性判断、偏倚评估、漏斗图以及GRADE证据等级评分。

其中几个关键点必须把握：

• I²用于判断异质性强弱。
• 森林图展示各研究效应量及合并结果。
• 漏斗图可用于观察发表偏倚。
• 红绿灯图常用于偏倚风险展示。
• GRADE用于评估证据确定性。

如果异质性较高，不能简单合并得出结论。需要回到研究设计、结局定义和人群差异中寻找原因。统计分析的目标不是制造结论，而是检验结论是否成立。

5.2 AI可以辅助解释结果，但不能替代统计判断

AI适合协助解读图表结构、整理分析步骤，或者根据已有结果生成初稿说明。但对于模型选择、亚组分析、敏感性分析和证据等级判定，仍然需要研究者根据方法学原则做决定。

特别是当研究结论存在冲突时，AI可能会给出流畅但泛化的解释。这种解释不能直接用于论文定稿。 科研写作需要的是可验证的理由，而不是语言上的顺滑。

6. 写作要遵循PRISMA，AI负责提速，研究者负责定论

6.1 写文章不是从头编，而是按证据组织

第六步是写文章。对于文献综述和meta分析，写作并不是凭空生成内容，而是把前五步得到的证据按逻辑组织起来。常见结构包括引言、方法、结果、讨论和结论。

写作时建议遵循PRISMA 2020的27条规范。它的价值在于提高透明度、可重复性和报告完整性。对审稿人来说，规范写作意味着更容易判断你的研究是否严谨。

6.2 AI最适合做三件事

在写作阶段，AI最适合做以下三件事：

1. 生成大纲。 先搭建逻辑框架，再填充内容。
2. 提炼综述。 帮助总结已有研究的共识、差异和不足。
3. 润色语言。 提升表达流畅度，减少重复和冗余。

但要记住，文献综述核心论点必须由研究者自己提出。 AI可以帮你把论点说清楚，但不能替你决定论点是什么。真正有价值的综述，不是把文献堆起来，而是通过证据回答一个明确问题。

总结Conclusion

从选题、检索、筛选、提取、分析到写作，文献综述是一条标准化的证据工作流。AI的价值，不在于替你完成全部工作，而在于把重复劳动压缩，把研究者的时间留给判断、整合和论证。 当你需要更高效地完成文献整理、综述框架搭建和初稿写作时，可以借助解螺旋的工具与服务，把流程做得更快、更稳、更规范。