浏览 AI 知识库
文献检索结果不准确怎么办：一次只定位一个词、字段或边界
检索越改越偏时，先恢复最后一个可用版本，再用种子论文和误检样本定位到底是词、字段、布尔关系还是筛选边界出了问题。
结果从几百条改到几十条，看似更精准，却把已知相关论文一起删了
R07 的远程医疗检索式结果偏多，学生一次加入 adult、HbA1c、randomized trial 和最近五年四个条件。结果数量明显下降，他以为终于精准；可导师给的两篇关键研究也消失了。他又删掉 telehealth、增加 NOT mobile phone，几轮以后已经说不清是哪一步造成漏检。
排错的第一原则不是继续改，而是冻结现场：保存最后一个能命中种子论文的版本、当前错误版本、结果数、筛选器和一批误检记录。接下来一次只验证一个假设。
- 恢复一个可用基线检索式
- 定位导致误检或漏检的具体条件
- 保留每次修改前后可回退的记录
不同结果症状，对应的故障层并不一样
前几十条大量进入另一个学科
- 原因
- 缩写或自由词有稳定歧义，或者字段覆盖范围过宽。
- 怎么改
- 单独运行可疑词，查看误检记录使用了哪个含义；优先改短语、补上下文词或缩到题名摘要字段。
结果很少，种子论文也不见了
- 原因
- 非核心概念、日期、语言、文献类型或设计过滤器过早加入。
- 怎么改
- 从最后加入的限制开始逐项撤回；查种子论文究竟在哪个条件下被排除。
OR 一加结果反而变少
- 原因
- 括号缺失、布尔优先级错误，或某个平台自动解析与预期不同。
- 怎么改
- 拆成单组运行，重写为每个 OR 组都有括号，再查看平台的实际解析记录。
同一概念复制到另一个数据库后完全变样
- 原因
- 主题词、字段标签、通配符或短语规则被原样照搬。
- 怎么改
- 保留概念逻辑，但按目标数据库重写字段和受控词；不要追求字符串逐字相同。
从概念组开始，把错误缩到一个词或一个筛选器
- 01
回到最后一个可用版本
它至少能命中两三篇已知相关论文。复制为新版本，不在原记录上覆盖修改。
- 02
单独运行每个概念组
疾病组偏说明疾病词有问题，干预组偏说明 telemedicine、telehealth 等词有歧义。单组正常再检查 AND 组合。
- 03
抽取十条误检和所有漏掉的种子论文
误检样本告诉你哪些词太宽，漏检样本告诉你哪些条件太严。两边都看，避免只追求结果少。
- 04
只改变一个词、字段或过滤器
重新运行并记录相关记录是否保留、误检是否减少。没有改善就撤回，不连续叠加下一项。
- 05
达到可解释状态后停止
当主要误检已有筛选规则、种子论文能召回、每个词有来源时，进入正式筛选；不要为了得到某个漂亮数量继续修剪。
日志必须写修改理由和代价，不能只留最终检索式
| 版本 | 只改了什么 | 观察到什么 | 决定 |
|---|---|---|---|
| V1 基线 | 疾病组 AND 干预组 | 能命中种子论文，但部分结果与一般远程服务有关 | 保留为可回退基线 |
| V2 | 加入 HbA1c 结局组 | 误检减少，同时漏掉摘要未写 HbA1c 的种子论文 | 撤回；结局留到筛选 |
| V3 | 把含义过宽的自由词限制到 Title/Abstract | 主要误检减少，种子论文仍保留 | 接受，并记录字段变化 |
| V4 | 加入最近五年筛选 | 改变了研究时间范围，而不是词义精度 | 是否保留由方案时间边界决定，不作为排错手段 |
表中观察是教程演示，不是固定结果数。你的日志要填实际数据库、日期、运行结果和被影响的具体记录。
结果太少、OR 失效或关键词跑偏，分别从哪里查
检索结果太少怎么办？
先撤回最近加入的人群、结局、年份、语言或研究设计限制，再检查种子论文被哪一项排除。不要为了增加数量一次删掉整个核心概念组。
为什么 OR 越加结果反而越少？
正常情况下，同一字段和同一集合内增加 OR 不应缩小结果。先检查括号、布尔优先级、短语引号、字段标签和平台实际解析；把每个 OR 组拆开运行后再组合。
怎样判断是哪个关键词导致结果跑偏？
单独运行可疑词，抽查一批误检记录使用了什么含义，再把该词限制到题名摘要、改成更具体短语或删除。每次只改一项，并确认种子论文仍能召回。
先保留能召回种子的基线式，再与跑偏版本逐项比较
| 版本 | 实际输入的检索式 | 种子召回 | 前 20 条观察 |
|---|---|---|---|
| 基线式 | TS=((generative AI OR ChatGPT) AND (citation accuracy OR source verification)) | 3/3 | 目标研究 11 条，另有教育态度与法律引用研究 |
| 故障版 A | TS=(generative AI AND citation) NOT TS=education | 2/3 | 结果变少，但一篇跨学科种子被 NOT 误删 |
| 故障版 B | ALL=(AI AND citation) | 3/3 | 字段过宽，法律引证和非生成式 AI 文献大量进入 |
| 修正版 | TS=((generative AI OR ChatGPT) AND (citation accuracy OR source verification)) | 3/3 | 保留宽式，误检留到标题摘要筛选 |
数量用于演示诊断记录，不代表当前数据库结果。正式排错要保存自己的检索式、平台、日期、筛选器与种子文献。
前 20 条全是另一学科时，先拆词而不是盲删
| 观察 | 单词测试 | 发现 | 修正 |
|---|---|---|---|
| 组合式跑出教育政策论文 | 单独搜索 ‘AI-assisted writing’ | 词本身正常 | 测试 citation 组 |
| citation 组带来法律引用研究 | 题名摘要字段抽查 | citation accuracy 更贴近目标 | 把宽词留作补漏，主式使用更具体短语 |
| 加入 NOT education 后种子消失 | 撤销 NOT 重跑种子 | 排除词误伤跨学科记录 | 先人工筛选，不使用该 NOT |
| 结果数因平台切换翻倍 | 比较 Search Details 和筛选器 | 默认文献类型不同 | 记录平台与筛选状态后再比较 |
检索式变化必须能解释结果变好或变坏
| 字段 | 本轮记录 |
|---|---|
| 只改了什么 | 把 citation 改为 citation accuracy |
| 结果数变化 | 从 2,430 降到 386（示例） |
| 相关性抽查 | 前 20 条中目标主题从 6 条升到 15 条 |
| 种子文献 | 3 篇仍被召回 |
| 下一步 | 保留改动，交由领域人员复核误检 |
能解释主要误检、召回种子论文并回退到上一版，就可以进入筛选
排错不是把结果修到某个预设数量，也不是消灭所有无关记录。系统检索本来就需要在召回和精度之间权衡；只要核心概念边界清楚、已知相关论文能够命中、主要误检可以在筛选阶段处理，就不应继续为追求“看起来干净”而叠加限制。
最终保留基线式、当前式、每次单变量修改、受影响记录和采用/撤回理由。后来发现遗漏时，可以准确回到某一版修正，而不是重新猜一条检索式。