数智时代以大数据、人工智能（AI）、自然语言处理（NLP） 等技术的深度渗透为核心特征，彻底改变了文献的生产、传播、存储与获取形态 —— 文献载体从传统纸质转向 “文本 + 数据集 + 预印本 + 学术短视频” 的多源异构形态，检索工具从 “关键词匹配” 升级为 “语义理解 + 个性化推荐”，科研对文献的需求也从 “找到文献” 转向 “高效整合文献、挖掘知识关联、辅助科研决策”。在此背景下，高校文献检索课程需突破传统 “工具使用教学” 的框架，转向 “技术应用 + 信息素养 + 科研思维” 的综合培养，其重点、难点及应对措施可具体拆解如下：

       数智时代的课程重点需围绕 “适配数智化科研场景、培养高阶信息素养” 展开，具体包括以下四大模块：

      不再是 “教会学生使用某数据库”，而是聚焦 “如何利用 AI 工具提升检索效率与精准度”，核心内容包括：

1. AI 驱动的学术检索平台操作：如 Web of Science 的 “AI 推荐文献”（基于研究主题自动关联高相关度成果）、CNKI 的 “智能检索”（支持语义联想、多维度筛选）、Google Scholar 的 “引用追踪 AI 提醒”（实时推送新引用文献）；

2. 自然语言处理（NLP）技术的实践：如使用 ChatGPT 等大语言模型辅助 “检索词优化”（将模糊需求转化为精准检索式，例：“如何用 AI 分析教育数据”→“artificial intelligence AND educational data analysis AND empirical study”）、“多语言文献翻译与摘要生成”（应对小语种文献壁垒）；

3. 文献计量与可视化工具的智能化应用：如 CiteSpace 的 AI 辅助 “研究热点识别”、VOSviewer 的 “知识图谱自动绘制”、Dimensions 的 “科研合作网络分析”，帮助学生从 “读文献” 升级为 “分析文献背后的知识结构”。

      数智时代文献资源呈现 “碎片化、多形态” 特征，课程需重点培养学生 “全场景文献获取与质量判断” 能力：

• 多源文献类型的覆盖：除传统期刊论文、学位论文外，新增 “预印本（如 arXiv、bioRxiv）”“开放获取（OA）资源（如 DOAJ、ScienceDirect OA）”“科研数据集（如 Dryad、国家科技资源共享服务平台）”“灰色文献（如政府报告、行业白皮书）” 的检索方法；

• 跨平台资源整合技巧：如使用 “Zotero+WebDAV” 同步多数据库文献、通过 “机构知识库（如清华同方知网研学平台）” 整合校内购买资源与个人文献库、利用 “学术聚合工具（如 ResearchGate）” 追踪领域学者的最新成果。

     课程核心目标从 “找文献” 转向 “用文献辅助科研”，重点包括：

1. 批判性信息评估能力：教学生判断 AI 推荐文献的 “可信度”（如期刊影响因子、作者研究背景、数据重复性）、识别 “学术泡沫”（如低质量会议论文、重复发表内容）；

2. 数据素养融入：结合科研场景，培养 “从文献中提取有效数据”“将文献数据与实验数据整合分析”“利用文献数据验证研究假设” 的能力（例：理工科学生通过文献中的实验参数优化自身实验设计）；

3. 学术规范与伦理意识：明确 AI 工具的使用边界（如禁止用 ChatGPT 直接生成文献综述、需标注 AI 辅助生成的内容）、强调开放获取文献的版权规则（如 CC 协议的不同授权范围）、规避 “文献引用不当”（如漏引、错引、自引过度）。

       数智时代科研多为 “跨学科合作”（如 “AI + 医学”“大数据 + 教育”），课程需突破 “单一学科数据库教学” 的局限，重点培养：

• 跨学科数据库的联动使用：如社科学生需同时使用 “中国社会科学网” 与 “知网大数据平台”、医学生需结合 “PubMed” 与 “生物信息学数据库（如 GenBank）”；

• 跨学科文献的语义关联识别：利用 AI 工具（如 Semantic Scholar）的 “跨学科主题关联功能”，帮助学生找到不同学科中与研究主题相关的 “隐性文献”（例：研究 “教育公平” 的学生，通过 AI 关联到 “社会学中的阶层流动”“经济学中的资源分配” 相关文献）。

       数智时代的技术迭代与学生需求变化，导致课程在 “教” 与 “学” 中面临三大核心难点：

       学生普遍能掌握 “AI 检索平台的基础搜索”（如输入关键词、筛选发表时间），但难以运用工具的 “高阶功能”：

• 不会用 Web of Science 的 “检索策略保存与自动更新” 功能，导致无法实时追踪领域动态；

• 仅用 Zotero 进行 “文献存储”，不会使用其 “AI 辅助文献分类”“引用格式自动生成与校对”“团队文献共享协作” 功能；

• 对 CiteSpace 等可视化工具，仅能 “套用模板生成图谱”，无法解读图谱背后的 “研究热点变迁”“学科交叉趋势”，导致工具沦为 “炫技手段” 而非 “科研辅助工具”。

• 学生存在 “工具使用惯性”：习惯传统 “关键词检索”，认为 “智能工具操作复杂、没必要学”；

• 课程缺乏 “场景化实践”：仅讲解工具功能，未结合具体科研任务（如 “撰写一篇本科毕业论文的文献综述”）让学生感知工具的实际价值。

1. 质量判断难：开放获取平台（如 ResearchGate、arXiv）的文献无需严格同行评审，学生难以区分 “高质量预印本” 与 “低水平初稿”；面对 AI 推荐的 “高引用文献”，学生易盲从 “引用量”，忽视文献与研究主题的 “实际关联性”（如高引用文献可能是该领域的 “奠基性成果”，但与学生的 “细分研究方向” 无关）；

2. 价值整合难：多源文献（如期刊论文、数据集、行业报告）的 “数据格式、研究视角、结论表述” 差异大，学生难以将其整合为 “逻辑连贯的知识体系”（例：学生找到 “教育大数据的技术论文”“某省教育数据的政府报告”“教育数据隐私的法律文献”，但无法将三者结合分析 “某省教育大数据应用的可行性”）。

• 学生缺乏 “批判性思维”：数智时代 “信息过载” 导致学生依赖 “AI 推荐”，弱化自主判断；

• 课程对 “文献评估标准” 的教学过于 “理论化”（如仅讲 “影响因子、JCR 分区”），未针对不同类型文献（如预印本、数据集）制定具体的评估维度。

1. 内容更新滞后：AI 检索工具（如 ChatGPT 的学术插件、新的文献计量平台）迭代速度快，课程教材与课件仍以 “传统数据库（如知网、Web of Science）” 为主，未纳入新工具的教学；

2. 师资能力不足：多数授课教师（如图书馆员、专业课教师）缺乏 “AI 技术与科研场景结合” 的实践经验，仅能讲解工具的 “操作步骤”，无法指导学生 “如何用 AI 工具解决实际科研问题”（如 “如何用 ChatGPT 优化文献综述的逻辑结构”）；

3. 个性化需求难满足：不同专业（如理工科、文科、医学）的文献检索需求差异大（例：医学需关注 “临床试验注册数据”，文科需关注 “灰色文献”），但课程多为 “大一统” 教学，难以适配专业个性化需求。

• 高校对课程的 “资源投入不足”：缺乏针对教师的 “数智化工具培训”，未建立 “课程内容动态更新机制”；

• 课程定位模糊：仍将文献检索视为 “通识工具课”，未与专业科研需求深度结合。

     针对上述重点与难点，需从 “课程体系重构、教学方法创新、师资队伍建设、实践平台搭建” 四方面突破：

1. 模块化设计，覆盖数智化核心内容

• 基础模块：AI 检索工具（如 Web of Science AI、CNKI 智能检索）、文献管理工具（Zotero、EndNote 的 AI 功能）、开放获取资源获取；

• 进阶模块：文献计量与可视化（CiteSpace、VOSviewer 的 AI 辅助分析）、大语言模型的学术应用（ChatGPT 优化检索式、生成文献摘要）、跨学科文献整合；

• 伦理模块：AI 学术工具的使用规范、开放获取文献版权、学术诚信（避免 AI 代写、引用不当）。

2. 分专业定制，适配个性化需求

• 理工科：新增 “科研数据集检索（如 Dryad、IEEE DataPort）”“实验参数文献提取与分析” 模块；

• 医学：重点讲解 “PubMed Central OA”“临床试验数据库（如 ClinicalTrials.gov）”“医学灰色文献（如 WHO 报告）”；

• 文科：强化 “人文社科 OA 平台（如 JSTOR OA）”“政府报告与行业白皮书检索”“多语言文献翻译与评估”。

1. 项目驱动式教学（PBL）：以 “真实科研任务” 为核心，让学生在实践中掌握工具与能力。

• 例：要求学生以 “某一课程论文主题（如‘AI 在中学教育中的应用’）” 为项目，完成 “用 ChatGPT 优化检索式→在 Web of Science 中获取文献→用 Zotero 管理文献→用 CiteSpace 绘制研究热点图谱→撰写文献综述（标注 AI 辅助部分）” 的全流程任务，教师针对任务中的问题（如 “检索式精准度不足”“图谱解读错误”）进行针对性指导。

2. 案例式教学：拆解科研实例

• 引入 “科研一线学者的文献检索案例”（如 “某教授如何用 AI 工具找到跨学科的关键文献”“某研究生如何通过预印本提前获取突破性成果”），让学生理解 “工具如何解决实际科研痛点”；

• 针对 “文献质量判断”，提供 “高 / 低质量文献对比案例”（如同一主题下 “顶刊论文” 与 “低水平会议论文” 的差异），总结不同文献类型（预印本、数据集、OA 论文）的评估维度（如预印本看 “作者单位、是否有同行评论”，数据集看 “数据完整性、更新频率”）。

3. 线上线下融合：拓展学习场景

• 线上：搭建 “数智化文献资源库”，包含 AI 工具教程（如 “Zotero AI 功能操作视频”）、最新文献检索案例、专业数据库入口；利用 “雨课堂、学习通” 发布 “碎片化实践任务”（如 “用 ChatGPT 优化一个检索式”），即时反馈学生问题；

• 线下：开展 “小组协作研讨”（如 “一组学生整合多源文献分析某科研问题”）、“工具实操竞赛”（如 “谁能最快用 CiteSpace 识别某领域研究热点”），强化实践能力。

1. 建立 “师资培训机制”

• 定期组织 “数智化工具培训”：邀请 AI 学术工具开发者（如 Zotero 团队）、文献计量专家开展讲座，指导教师掌握 “AI 检索平台高阶功能”“大语言模型学术应用”；

• 推动 “师资科研实践”：鼓励教师参与 “跨学科科研项目”，在实际科研中积累 “数智化文献检索经验”，避免 “教师只会讲操作，不会讲应用”。

2. 组建 “跨学科教学团队”

• 团队构成：图书馆员（负责工具操作教学）+ 专业教师（负责结合专业科研需求设计案例）+ 科研一线学者（负责分享实战经验）；

• 分工协作：图书馆员讲解 “AI 工具基础操作”，专业教师设计 “专业相关的实践任务”，科研学者分享 “如何用文献检索解决科研难题”，形成 “理论 - 实践 - 实战” 的教学闭环。

1. 与图书馆深度合作，拓展资源获取渠道

• 推动图书馆购买 “数智化文献工具的校园授权”（如 CiteSpace 的校园版、ChatGPT 学术插件的集体账号），确保学生能免费使用高阶工具；

• 建立 “图书馆文献咨询绿色通道”：学生在课程实践中遇到 “文献获取难、工具使用问题”，可直接咨询图书馆的 “数智化文献服务专员”。

2. 对接 “本科生科研项目（URP）”，强化实战

• 将文献检索课程与 “本科生科研训练计划” 结合，鼓励学生以 “参与 URP 项目” 为契机，将课程中学到的 “AI 检索、文献整合、质量评估” 能力应用于实际科研，教师对学生的 “文献应用效果” 进行针对性指导；

• 建立 “文献检索成果展示平台”：学生可将 “课程实践中的文献综述、知识图谱” 上传至平台，供其他学生参考，同时教师对优秀成果进行点评，形成 “学习 - 实践 - 反馈” 的良性循环。

摒弃传统 “选择题 + 简答题” 的理论考试，采用 “过程性评估 + 实践成果评估” 的方式：

• 过程性评估（40%）：关注学生在 “项目驱动任务” 中的表现（如检索式设计合理性、文献管理规范性、AI 工具使用熟练度）；

• 实践成果评估（60%）：要求学生提交 “文献检索与分析报告”，包含 “检索策略说明、多源文献清单、知识图谱及解读、文献综述（标注 AI 辅助部分）”，教师从 “检索精准度、文献整合能力、批判性评估能力、学术规范” 四个维度打分。

       数智时代的高校文献检索课程，本质是 “数智化技术” 与 “科研信息素养” 的融合载体。其核心目标不再是 “教会学生使用工具”，而是培养学生 “用数智化工具解决科研问题、创造知识价值” 的能力。唯有通过 “课程重构、方法创新、师资升级、平台支撑”，才能让课程真正适配数智时代的科研需求，为学生的后续科研生涯奠定坚实基础。

转载本文请联系原作者获取授权，同时请注明本文来自王启云科学网博客。

链接地址：https://wap.sciencenet.cn/blog-213646-1500047.html?mobile=1

收藏

分享