这一页讲的是 AI 工具在文献综述中的应用，强调活动即将开始，并邀请参与者进行自我介绍。

这一页讲的是 AI 工具如何帮助进行文献综述（literature reviews）。幻灯片的标题明确了主题，即通过人工智能技术优化学术研究中的文献整理和分析过程。这页还提到活动即将开始，同时邀请参与者在聊天中介绍自己，包括所属学院（faculty）和研究领域（research area）。背景设计采用蓝色调和大学标志，体现了专业性和学术氛围。这种开场方式不仅有助于活跃气氛，还能帮助讲师了解听众的背景，从而更好地调整内容。这页为后续深入探讨 AI 工具的具体功能和优势做好了铺垫，例如提高效率、发现研究趋势和自动生成报告等。

这一页讲的是课程的快速投票和整体路线图，包括五个主要主题：AI在研究中的应用、文献综述、文献发现、数据筛选与提取，以及评估工具与输出。

这一页讲的是课程的快速投票和会话路线图，明确了接下来讨论的五个主要主题。第一部分是“Using AI for research – navigating policy”，讨论如何利用人工智能处理研究中的政策问题，帮助研究者更高效地导航复杂的政策环境。第二部分是“Literature review overview”，概述文献综述的主要步骤与方法，为后续的AI应用打基础。第三部分是“AI for literature discovery”，探讨如何利用AI技术快速发现相关文献，提高研究效率。第四部分是“AI for screening and data extraction”，重点是AI在筛选数据和提取关键信息中的作用，帮助研究者处理大量数据。最后一部分是“Evaluating - use case, tool, output”，讨论如何评估AI工具的使用场景、选择合适的工具，以及分析输出结果的质量。这一页为整个课程内容提供了清晰的结构和方向。

这一页讲的是如何使用 AI 来支持学习、研究或个人应用的讨论。

这一页讲的是如何使用 AI（人工智能）在学习、研究或个人应用中的实际情况。标题“Pātai”是一个问题的提示，目的是引导观众反思他们在这些领域中对 AI 的使用情况。例如，在学习中，AI 可以帮助完成复杂的计算、语言翻译或提供个性化学习建议；在研究中，AI 可用于数据分析、模式识别或生成假设；在个人应用中，AI 技术可能用于提升工作效率、优化日常任务或开发创意项目。这一页旨在鼓励观众分享自己的经验，从而促进交流与知识共享。

这一页讲的是人工智能（AI）在科研中的应用，强调其对研究工作的支持和提升。

这一页讲的是人工智能（AI）如何服务于科研工作，帮助研究人员更高效地完成任务并推动创新。页面标题“AI for Your Research”表明主题是人工智能在研究领域的具体应用。图中使用了一个机器人图标，象征着AI技术的智能性和自动化特征。背景中的线条图案可能暗示了数据流动或技术网络的概念，进一步突出了AI在处理复杂数据和优化研究流程中的重要性。这一页旨在引导观众思考如何将AI技术整合到自己的研究中，例如通过数据分析、模式识别或预测模型等方式提升科研效率和精准度。

这一页讲的是指导可接受使用的因素，包括国家政策、出版商规定、学科惯例和机构规则。

这一页讲的是指导可接受使用的主要因素。首先，国家政策（National）提供了法律和法规层面的指导，例如版权法和数据隐私法，确保使用行为符合国家法律框架。其次，出版商（Publishers）通常会制定具体的使用条款，例如许可协议和访问限制，以保护其知识产权。第三，学科惯例（Discipline practices）指的是不同学术领域的使用规范，例如引用标准或实验数据的共享方式，这些惯例确保学术活动的规范性和专业性。最后，机构（Institution）层面的规则，例如大学或研究机构的政策，规定了资源使用的范围和条件，确保内部资源的合理分配。通过这些层面的指导，可以确保资源的使用既合法又符合学术道德。举例来说，访问一个学术数据库时，用户需要遵守出版商的许可协议，同时考虑机构的访问权限政策，这样才能合法使用资源。

这一页讲的是指导可接受使用的原则，包括国家政策、出版方、学科实践和机构标准等。重点提到政府政策和皇家学会的具体指南。

这一页讲的是指导可接受使用的原则，重点关注如何规范人工智能的使用。首先，国家层面的指导包括政府政策，例如“AI for the Public Service”，明确了公共服务领域使用人工智能的框架。其次，皇家学会 Te Apārangi 提供了一份关于生成式人工智能在新西兰研究中的最佳实践指南，其中涉及重要的文化和伦理原则，例如 Te Tiriti o Waitangi（怀唐伊条约）、毛利、太平洋及原住民数据主权（data sovereignty），以及研究诚信（research integrity）。此外，出版方、学科实践和机构标准也被列为指导可接受使用的重要来源。这些指导原则确保人工智能的使用符合社会伦理、文化尊重和学术规范。例如，毛利数据主权强调了原住民对数据的控制权及其文化意义，这对新西兰的研究实践尤为重要。

这一页讲的是生成式 AI 工具的可接受使用规范，重点包括出版商政策和学术责任。

这一页讲的是生成式 AI 工具的可接受使用规范，主要由国家政策、出版商要求、学科实践和机构规定共同指导。幻灯片重点提到 Taylor & Francis 的 AI 使用政策，明确生成式 AI 工具不能取代研究者核心责任，例如未经严格审查的文本或代码生成、缺乏稳健方法的合成数据生成、以及生成不准确内容（如摘要或补充材料）。这些行为可能会受到编辑调查。此外，Taylor & Francis 禁止使用生成式 AI 创建或操纵图片、图表或原始研究数据用于出版。这个规定强调了学术诚信的重要性，确保研究成果的真实性和可靠性。例如，研究者不能通过 AI 合成数据来填补实验数据缺失，而必须采用科学方法解决问题。

这一页讲的是指导可接受使用的因素，包括国家、出版商、学科实践和机构层面的指导。

这一页讲的是指导可接受使用的因素，主要从四个方面展开：国家层面（National）、出版商（Publishers）、学科实践（Discipline practices）和机构（Institution）。右侧列举了具体的指导资源，例如新西兰法律协会（NZ Law Society）为律师提供生成式人工智能（Generative AI）的指导，强调平衡机会与风险；医学领域的资源包括 AI in Health Research Network 和 National Artificial Intelligence and Algorithm Expert Advisory Group，主要关注人工智能在健康研究中的应用；教育部（Ministry of Education）提供指导和资源，帮助教育专业人士在学校中正确使用人工智能；保护部门（Department of Conservation）则提供了长期洞察简报（Long-Term Insights Briefing）。这些资源展示了不同领域如何定义和指导人工智能的可接受使用，强调了跨领域协调的重要性。

这一页讲的是指导可接受使用行为的因素，包括国家政策、出版商规定、学科实践和机构要求。

这一页讲的是指导可接受使用行为的因素。首先，国家层面的政策（National）对研究和技术使用有宏观指导作用，例如法律法规和国家战略。其次，出版商（Publishers）会通过出版标准和伦理要求影响研究者的行为。第三，学科实践（Discipline practices）强调具体学科内的惯例和规范，例如人工智能领域的伦理讨论。最后，机构（Institution）层面则涉及大学或研究机构的具体规定。右侧问题提示了研究者需要关注自己学科领域的最新报告和研究动态，了解相关研究协会对人工智能的指导意见，并与同行和导师讨论当前研究的应用情况。这些因素共同帮助研究者理解何为“可接受使用”，确保研究行为符合伦理和规范要求。

这一页讲的是指导可接受使用的原则和资源。主要包括国家、出版商、学科实践以及机构层面的规范。还列出了与生成式 AI、研究数据、研究诚信和学术诚信相关的具体指南和政策。

这一页讲的是指导可接受使用的原则和资源。首先，使用行为的指导来源包括国家层面的法律法规、出版商的要求、具体学科的实践规范以及机构内部的政策。页面右侧列出了机构提供的具体资源和指南：生成式 AI (Generative AI) 部分包括大学提供的 AI 使用指导和标准；研究数据部分强调了数据分类标准 (Data Classification Standard) 的重要性；研究诚信与良好研究实践部分列出了研究诚信政策 (Research Integrity Policy)、良好研究实践指导 (Good Research Practice Guidance)、作者和出版指南 (Authorship and Publication Guidelines) 以及版权相关的规定；学术诚信部分则包括学生学术行为条例 (Student Academic Conduct Statute) 和博士政策及指南 (Doctoral policies and guidelines)。这些资源和政策共同确保学术和研究活动的规范性和合法性。例如，生成式 AI 的使用标准可以帮助研究人员正确使用 AI 工具，同时避免伦理和版权问题。

这一页讲的是大学批准的 AI 工具及数据分类标准。主要介绍了工具的使用范围和数据分类的四个级别：Public、Internal、Sensitive 和 Restricted。

这一页讲的是大学批准的 AI 工具及数据分类标准。首先，列出了两类 AI 工具：Enterprise-wide tools 和 Free or user-pays tools。Enterprise-wide tools 包括 Microsoft 365 Copilot Chat、Google Gemini、Google AI Studio 和 NotebookLM，它们分别被批准用于处理 Public、Internal 和 Sensitive 数据。Free 或 user-pays tools 包括 Claude Pro、ChatGPT、Consensus.ai 和 Perplexity，它们的使用范围主要是 Public 和 Internal 数据。此外，页面右侧详细定义了数据分类的四个级别：Public 数据是公开在互联网上的信息，例如社交媒体内容和已发表的研究数据；Internal 数据是限制受众访问的，例如内部邮件和准备发表的研究数据；Sensitive 数据是高度限制的，泄露可能对机构或个人造成损害，例如商业机密和患者数据；Restricted 数据则完全禁止共享。这种分类标准有助于确保数据使用的安全性和合规性。例如，使用 Claude Pro 时，适合处理 Internal 数据，但不应涉及 Sensitive 或 Restricted 数据。

这一页讲的是论文中如何正确使用 AI 的步骤，包括与导师讨论、遵循标准、记录使用情况等。

这一页讲的是在撰写论文时正确使用 AI 的步骤。首先，要与导师讨论 AI 的使用是否合适，并明确其带来的好处、风险和局限性，以及如何解决这些问题。其次，需要遵循 Generative AI usage standard（生成式 AI 使用标准），并优先使用经过 UOA（奥克兰大学）批准的安全工具。第三，记录与 AI 的交互过程，包括提示、输入和输出，以支持研究的完整性。第四，论文应是“实质性的原创作品”，最终内容应是作者自己的工作，而非完全依赖 AI。最后，必须对 AI 的使用进行引用，确保学术诚信。这些步骤旨在帮助学生在使用 AI 辅助研究时保持规范和透明，同时确保论文的原创性和质量。

这一页讲的是如何使用 AI 辅助完成文献综述 (literature review)。

这一页讲的是如何利用人工智能 (AI) 技术优化和加速文献综述 (literature review) 的过程。文献综述是学术研究中非常重要的一部分，目的是整理、分析和总结已有的研究成果，为后续研究提供理论基础。通过使用 AI 工具，可以实现对大量文献的快速筛选、分类和总结。这不仅节省了研究者的时间，还能提高综述的全面性和准确性。例如，AI 可以帮助提取关键主题、识别研究趋势或发现研究空白。页面设计中机器人图标象征着智能化的辅助功能，背景的线条可能暗示信息的流动和整合。总之，AI 在文献综述中的应用可以显著提升研究效率和质量。

这一页讲的是文献综述的目的和成果，包括概述现有文献、发现研究空白、批判性评估等。

这一页讲的是文献综述（literature review）的目的和成果。文献综述的主要目的是为研究提供理论基础，帮助研究者了解现有的研究成果，从而形成基于证据的结论（evidence-based conclusions）。通过综述，研究者可以识别研究中的空白（research gaps），并据此构建新的研究主题。此外，文献综述还强调对现有研究进行批判性评估（critically evaluate research），以确保研究的质量和可靠性。同时，它帮助研究者理解自己学科中的方法论（methodologies），为后续研究提供指导。最后，文献综述还能培养研究者的批判性思维（critical thinking）、阅读能力和写作技能，这些都是学术研究的核心能力。例如，综述某领域的文献时，研究者可能会发现某些未解决的问题，从而提出新的研究方向。这些成果对于推动学术研究和解决实际问题都非常重要。

这一页讲的是使用 AI 完成工作可能带来的收益和损失。主要提出两个问题：通过使用 AI，我们可以获得什么？同时，我们可能会失去什么？

这一页讲的是关于使用 AI 完成全部或部分工作可能带来的收益 (gain) 和损失 (lose)。首先，收益可能包括提高效率、节省时间和成本，以及减少重复性劳动。例如，AI 可以快速处理大量数据，从而帮助人们专注于更具创造性或战略性的任务。其次，损失可能涉及工作中的人类价值，例如创造力的弱化、对技能的依赖减少，以及可能的伦理问题或隐私风险。这些问题提醒我们在使用 AI 时需要权衡利弊，确保技术的应用符合长远目标。通过这两个问题的思考，能够帮助我们更理性地评估 AI 在工作中的角色以及如何最大化其优势，同时规避潜在的风险。

这一页讲的是 Review process（审查过程），包括四个主要步骤：Topic selection（选题）、Search（搜索）、Evaluate（评估）和 Synthesis（综合）。强调审查需要公正、可靠、可重复且透明。

这一页讲的是 Review process（审查过程），主要分为四个步骤：第一步是 Topic selection（选题），即确定审查的主题或研究问题，这是整个过程的基础；第二步是 Search（搜索），指系统地查找相关文献或数据；第三步是 Evaluate（评估），对搜集到的信息进行质量和相关性的评估；最后一步是 Synthesis（综合），将评估后的信息整理并形成结论或报告。这一过程因审查类型不同而有所变化，但核心要求是保证审查的公正性（unbiased）、可靠性（reliable）、可重复性（reproducible）和透明性（transparent）。例如，在学术研究中，选题需要明确研究目标，搜索时需使用数据库或关键词，评估时关注文献的可信度，综合阶段则需得出系统性结论。这些步骤确保审查结果科学且可信。

这一页讲的是是否应该使用 AI 来进行文献综述，重点包括目的、方法和工具。

这一页讲的是是否应该使用人工智能（AI）来进行文献综述。首先，‘Purpose’（目的）强调要明确使用 AI 的目标，例如提高效率、发现潜在的研究方向或减少人为偏误。其次，‘Methodology’（方法）指的是如何正确应用 AI 工具，比如选择适合的算法或平台，确保数据质量以及设定清晰的评价标准。最后，‘Tools’（工具）则是关于具体使用哪些 AI 工具，例如自然语言处理（NLP）技术或文献分析软件。通过这些要点，研究者可以更好地判断 AI 是否适合自己的综述工作，并找到最佳的应用方式。例如，使用 NLP 技术可以快速提取大量文献中的核心信息，从而节省时间和精力。

这一页讲的是是否应在文献综述中使用 AI，包括用途和限制。主要讨论了论文和出版物中的 AI 使用建议。

这一页讲的是是否应在文献综述中使用 AI，重点分析了不同用途的适用性和相关规定。在论文部分，AI可以用于个人学习某个主题、头脑风暴以及寻找初始文章（seed articles），但不建议用于撰写实质性工作（substantial pieces of work）。此外，建议听取导师的意见，确保使用方式符合学术要求。在出版物部分，AI的使用需严格遵守出版商指南、学科标准以及大学政策。这些规定的核心是确保学术诚信和研究质量。举例来说，使用 AI 生成初步的研究方向是可接受的，但直接用 AI 撰写一篇完整的论文可能违反学术规范。

这一页讲的是是否应该在文献综述中使用 AI，重点讨论综述的严谨程度和适用的步骤。

这一页讲的是是否应该在文献综述中使用 AI，重点关注综述方法(Methodology)的严谨性要求。严谨性包括细致性、系统性和透明性，这些因素可以确保研究结果的可靠性和可信度。幻灯片将综述分为两种类型：叙述性综述(Narrative reviews)和系统性综述(Systematic reviews)。对于叙述性综述，AI可能只适用于某些特定步骤，例如研究主题开发(Research topic development)、初步范围界定(Initial scoping)、寻找关键文章(Finding key articles)、人工检索(Hand searching)、筛选助手(Screening assistants)以及监督数据提取(Supervised data extraction)。箭头表示这些步骤可能更适合叙述性综述，而系统性综述对严谨性要求更高，可能需要更加系统化的方法。通过这一页，可以理解在不同类型综述中使用 AI 的适用性及其对研究质量的影响。

这一页讲的是是否应该使用 AI 来进行评审工作。重点包括工具的选择、AI 的角色以及可用工具的种类。

这一页讲的是是否应该使用 AI 来进行评审工作。首先，提到需要考虑是否有适合的工具，包括通用的语言模型（large language models）与针对评审任务设计的专用工具之间的区别。其次，强调了 AI 的角色是作为助手（assistant）还是完全自动化（automation）。幻灯片指出，奥克兰大学（UoA）并未提供专门用于评审的工具。最后列出了可供员工和学生使用的工具，包括 Copilot（支持公共、内部和敏感数据），Gemini 和 NotebookLM（均支持公共和内部数据）。这些工具的功能和数据适用范围有所不同，用户需要根据具体需求选择合适的工具。这一页还建议访问内部页面获取更多关于 AI 使用和数据分类标准的信息。

这一页讲的是人工智能（AI）在文献发现中的应用。主要强调AI技术如何帮助研究者快速定位相关文献，以及提升文献筛选效率。

这一页讲的是人工智能（AI）在文献发现（Literature discovery）中的应用。文献发现是学术研究中非常重要的一环，研究者需要从海量的文献中找到与自己研究相关的内容。传统方法耗时耗力，而AI技术可以通过自然语言处理（NLP）和机器学习（ML）快速分析文献标题、摘要和关键词，帮助研究者定位最相关的文献。此外，AI还能通过模式识别和语义分析，发现潜在的研究方向或知识关联。比如，一个研究者在寻找关于癌症治疗的文献时，AI可以自动推荐相关的最新研究成果，同时过滤掉冗余信息。这种技术极大地提升了研究效率，尤其在面对跨学科或多领域的复杂研究时，AI的作用更加显著。

这一页讲的是传统数据库搜索方法，重点是如何定义概念、同义词和主题词以优化搜索结果。

这一页讲的是传统数据库搜索方法，强调在研究气候变化对公共健康的影响时，如何有效组织搜索关键词。页面分为三个部分：Concepts（概念）、Synonyms（同义词）和Subject terms（主题词）。概念部分列出了两个主要研究领域：Climate change（气候变化）和Public health（公共健康）。同义词部分扩展了每个概念的相关术语，例如气候变化相关的同义词包括Global warming（全球变暖）、Climate variability（气候变异）、Climate crisis（气候危机）等；公共健康相关的同义词包括Human health（人类健康）、Population health（人口健康）和Health impacts（健康影响）等。主题词部分则总结了具体的术语，如Climate change（气候变化）、Greenhouse effect（温室效应）、Public health（公共健康）等。这种结构化的关键词组织方式有助于研究者在数据库中进行更精准的文献检索，确保涵盖相关领域的所有重要信息。例如，搜索“Climate change”时可以同时包含“Global warming”和“Sea level rise”等相关术语，以提高检索的全面性。

这一页讲的是传统数据库搜索方法，重点是如何使用概念、同义词和主题词进行有效检索。

这一页讲的是传统数据库搜索方法，主要介绍如何通过概念（concepts）、同义词（synonyms）和主题词（subject terms）来优化信息检索。左侧的概念包括“气候变化（climate change）”和“公共健康（public health）”。在同义词部分，针对气候变化，列出了相关术语如“全球变暖（global warming）”、“气候变异（climate variability）”、“气候危机（climate crisis）”等；针对公共健康，列出了“人类健康（human health）”、“人口健康（population health）”、“社区健康（community health）”等相关词汇。这些同义词扩展了搜索范围，帮助获取更多相关信息。最后是主题词部分，列出了数据库中常用的分类标签，如“气候变化（climate change/）”、“全球变暖（global warming/）”、“温室效应（greenhouse effect/）”以及“公共健康（public health/）”。这一结构化方法对于提高检索效率和准确性非常重要。例如，研究气候变化对健康的影响时，可以结合使用这些术语来确保覆盖全面的文献范围。

这一页讲的是传统数据库搜索方法，重点是如何使用关键词和逻辑运算符进行有效搜索。

这一页讲的是传统数据库搜索方法，特别是通过逻辑运算符（AND、OR）和关键词组合来搜索气候变化对公共健康的影响。页面展示了三个层次：概念（Concepts）、同义词（Synonyms）、主题词（Subject terms）。在概念层面，搜索包含“Climate change”和“Public health”的内容，并通过AND连接两者。在同义词层面，扩展关键词，例如“Climate change”可以包括“Global warming”、“Climate variability”等；“Public health”可以包括“Human health”、“Population health”等。在主题词层面，使用数据库特定的术语，如“Climate change/”或“Public health/”。这种方法通过广泛的关键词覆盖和逻辑连接，确保搜索结果全面且相关。例如，研究者可以用这种方法找到关于气候变化如何影响社区健康的文献。

这一页讲的是传统数据库搜索方法，用于研究气候变化对公共健康的影响。主要包括构造搜索词组和在不同数据库中进行查询的步骤。

这一页讲的是传统数据库搜索方法，重点在于如何构造搜索词组以研究气候变化对公共健康的影响。首先，搜索词组分为两部分：第一部分聚焦气候变化相关的关键词，例如“Climate Change”、“Global Warming”、“Greenhouse Effect”，以及具体的气候事件如“heatwave”（热浪）、“flood”（洪水）、“wildfire”（野火）等；第二部分关注公共健康相关的关键词，例如“Public Health”、“Health Impact Assessment”、“Morbidity”（发病率）、“Mortality”（死亡率）等。这些关键词通过逻辑运算符（如 AND 和 OR）结合，确保搜索结果涵盖两方面的信息。页面下方的流程图展示了搜索步骤：先在 Medline 数据库中进行查询，随后将搜索结果翻译并应用到 Scopus 和 Web of Science 数据库中。这种方法有助于系统性地收集关于气候变化对公共健康影响的研究数据，确保全面性和准确性。例如，通过搜索“heatwave AND public health”，可以找到热浪对人类健康的具体影响研究。

这一页讲的是关于使用 AI 工具寻找文献的讨论。提问是否听说过或尝试过相关工具。

这一页讲的是关于使用人工智能（AI）工具进行文献查找的主题。标题“Pātai”是一个提问的标志，下面的问题是“你是否听说过或尝试过任何用于寻找文献的 AI 工具？”这引导观众思考他们对 AI 工具的了解和使用情况。这类工具通常用于加速学术研究过程，帮助用户快速找到相关论文、书籍或其他学术资源。它们的重要性在于提高效率、节省时间，并可能发现传统搜索方法无法轻易找到的文献。例如，像 Semantic Scholar 或 ResearchRabbit 这样的工具可以根据关键词、主题或参考文献生成相关研究的推荐。这一页的目的是引发讨论，了解观众的经验和对这些工具的态度，从而为后续深入探讨 AI 在学术领域的应用做好铺垫。

这一页讲的是工具处理的信息来源，包括公共元数据、开放全文、预印本等五种主要来源。

这一页讲的是工具处理的信息来源。主要包括五种类型：第一是公共元数据（Public metadata），例如标题和摘要，这些是学术研究的基本信息；第二是开放全文（Open full-texts），即可以直接访问的完整文章内容；第三是预印本（Preprints），指在正式发表前的学术论文版本；第四是一般网络内容（General web content），例如博客、新闻等；最后是用户自己的论文（Your own papers）。这些信息来源为工具提供了多样化的数据支持，帮助其进行分析和处理。例如，公共元数据可以快速概览研究主题，开放全文则能深入理解研究细节。这些来源的多样性确保工具能够覆盖广泛的研究需求，适应不同的应用场景。

这一页讲的是文献发现的局限性，包括质量（Quality）、全面性（Comprehensive）和偏见（Biases）。

这一页讲的是文献发现过程中可能存在的局限性。首先是质量（Quality），指的是文献的准确性和可信度，低质量的文献可能会误导研究结论。其次是全面性（Comprehensive），即文献的覆盖范围是否足够广泛，遗漏关键文献可能会导致研究视角片面。最后是偏见（Biases），包括作者的主观偏见或数据选择偏差，这可能会影响文献的客观性和科学性。右侧的图片展示了一个机器人与象征科学、教育和社会的图标互动，暗示人工智能可能在文献发现中发挥作用，但也可能受到上述局限的影响。例如，AI可能会因为训练数据的偏差而推荐不全面或有偏见的文献。这些问题提醒我们在使用文献时需要批判性思考，确保研究的质量和可靠性。

这一页讲的是如何以及何时使用 AI 的建议，包括低严格性场景、专家验证、知识构建等。

这一页讲的是在什么情况下可以使用 AI，以及如何合理使用它。首先，当任务对严格性要求较低（rigour is lower）时，可以使用 AI 来辅助完成工作。其次，在输出结果能够经过专家评估或验证（expert evaluation or validation）的场景中，AI 的使用是安全且有效的。此外，AI 还可以帮助个人进行知识构建（personal knowledge building），例如快速学习新领域的知识或获取信息。保持与最新技术和信息同步（keeping up to date）也是 AI 的一个重要用途。最后，建议记录使用 AI 的情况（record your use），以便追踪其贡献和潜在影响。这些建议帮助用户在不同场景中合理利用 AI，同时确保其使用的可靠性和透明度。

这一页讲的是 AI 在筛选 (Screening) 和数据提取 (Data Extraction) 中的应用。

这一页讲的是 AI 在筛选 (Screening) 和数据提取 (Data Extraction) 中的应用。筛选指的是利用人工智能技术快速分析和过滤大量数据以找到符合特定条件的信息，例如在招聘系统中筛选简历或在医疗领域筛选患者信息。数据提取则是指从非结构化或半结构化数据中提取有用的信息，比如从文档中提取关键字段或从图像中识别文字。AI 的这些功能可以显著提高处理效率，减少人工操作的错误率，同时节省时间和成本。例如，在商业中，AI 可以帮助自动处理客户订单数据，快速提取订单号和金额信息，从而加速业务流程。这些技术的应用对现代数据驱动的决策非常重要。

这一页讲的是利用 AI 从研究文章中提取信息的应用，重点是筛选和数据提取。

这一页讲的是利用 AI 从研究文章中提取信息的应用，特别是筛选 (Screening) 和数据提取 (Data Extraction)。AI 技术在学术研究中可以帮助快速筛选大量文献，找到相关内容并提取关键数据。这个过程不仅提高了效率，还减少了人工筛选的时间成本。例如，在进行系统综述时，研究者可以用 AI 工具自动筛选文献标题和摘要，识别与研究主题相关的文章，并提取其中的数据用于进一步分析。这种方法对于处理大规模数据集非常重要，可以显著提升研究的质量和速度。

这一页讲的是版权、许可和全文共享的相关知识。主要包括版权覆盖范围、版权归属，以及图书馆许可的定义和作用。

这一页讲的是如何理解版权 (copyright)、许可 (licensing) 和全文共享 (full text sharing)。首先，版权覆盖范围包括所有文章，除了属于公共领域 (public domain) 的信息。文章可以是付费订阅内容 (paywalled subscription content) 或开放访问 (open access) 的免费内容。其次，版权通常归属于出版商 (publishers) 或作者 (authors)。最后，图书馆许可 (library licenses) 是指图书馆和出版商之间协商的付费订阅数据库访问权限。这种许可决定了大学成员如何使用出版商的版权材料，并且数据库的使用情况由出版商监控。这些内容对于研究人员和学生理解学术资源的获取和使用限制非常重要，例如如何合法共享文章或使用数据库资源。

这一页讲的是 AI 使用版权内容的法律和许可问题，包括新西兰版权法的例外情况和图书馆许可的限制。

这一页讲的是 AI 使用版权内容的法律和许可问题。首先，新西兰版权法（NZ Copyright Act）允许个人在公平使用（fair dealings）范围内复制内容用于私人研究或学习。对于封闭型 AI（closed AI）工具，分享文章可能符合这一例外，但需要确保工具不将提交的数据用于训练或分享给第三方，并且要检查工具的使用条款和隐私政策。其次，关于图书馆许可，虽然大学可能因版权例外不承担责任，但如果超出许可范围，出版商可能会取消大学对数据库的访问权限。此外，文本挖掘项目需要研究团队与出版商单独协商许可，例如 IEEE Xplore 的文本和数据挖掘选项（Text and Data Mining, TDM）。最后，幻灯片提供了相关链接以帮助用户进一步了解版权问题，例如 Auckland 大学的版权页面或联系版权官员。

这一页讲的是IEEE许可协议第3c节的限制条款，主要说明授权用户在使用许可产品时的禁止行为，包括下载、分发、修改和商业用途等。

这一页讲的是IEEE许可协议第3c节的限制条款，明确了授权用户在使用许可产品时的若干禁止行为。首先，用户不得下载、复制、保存或系统性地分发许可产品的全部或部分内容，包括期刊或电子书，也不得通过机器人、爬虫等技术手段访问许可产品。其次，未经IEEE书面同意，禁止电子分发许可产品的任何部分或创建衍生作品。此外，用户不得向非授权用户展示或提供许可产品的内容，也不能出售、转售、出租、转让或以任何形式转移协议授予的权利。最后，禁止将许可产品用于文件传递、收费服务或其他类似商业用途。这些限制确保了知识产权的保护，同时规范了许可产品的使用范围，以防止未经授权的传播或商业化操作。

这一页讲的是数据筛选与提取的建议，包括减少上传、使用公共数据及验证提取信息。

这一页讲的是数据筛选和提取的建议，重点在于保护数据隐私和提高数据处理的准确性。首先建议限制上传数据，并尽量使用封闭系统，以避免用户数据的重复利用。其次，可以选择使用支持标题和摘要筛选的工具，手动提取数据，同时优先使用公共数据资源。这些方法能够降低数据泄露的风险，同时确保数据来源的可靠性。此外，还强调了验证提取信息的重要性，确保数据的准确性和完整性。最后，建议记录数据使用情况，以便后续追踪和管理。这些步骤对于研究人员在处理敏感数据时尤为重要，既能提升工作效率，又能遵守数据安全规范。

这一页讲的是文献综述的搜索工具，包括搜索数据库、引用网络搜索和 AI 搜索三类工具。

这一页讲的是文献综述所需的搜索工具，分为三大类：第一类是搜索数据库（Search Databases），通过关键词搜索主题或问题相关的文献资源，常用工具包括 Google Scholar、Scopus、Web of Science、PubMed 等，这些平台提供了广泛的学术资源。第二类是引用网络搜索（Citation Network Searching），通过文献的引用和参考关系寻找与已知论文相关的其他论文，例如 Litmaps、ResearchRabbit、Connected Papers 和 VOSviewer，可以帮助研究者发现文献之间的连接性和研究趋势。第三类是 AI 搜索（AI Search），利用人工智能技术进行语义分析，根据关键词、问题或输入的论文找到相关文献，例如 Liner、Consensus、Elicit 等工具，其中一些还提供深度搜索（Deep Search）功能，生成额外的分析数据。这些工具对研究者进行高效的文献综述和发现相关研究方向非常重要。

这一页讲的是 Evaluating AI（人工智能评估），重点是如何评估 AI 系统的性能和可靠性。

这一页讲的是 Evaluating AI（人工智能评估），主要关注如何对人工智能系统进行性能和可靠性的评估。这是 AI 开发流程中的重要环节，评估可以帮助开发者了解系统的实际表现是否满足预期目标。评估通常包括多个维度，例如准确性（accuracy）、鲁棒性（robustness）、效率（efficiency）以及公平性（fairness）。此外，评估的结果可以为后续优化提供指导，确保 AI 系统在实际应用中表现稳定且符合伦理要求。举例来说，在图像分类任务中，评估可能涉及测试模型在不同光照条件下的准确率，或者分析模型是否对某些类别存在偏见。

这一页讲的是如何评估你的 AI 使用案例，包括适用性、任务目标、工具选择及风险收益分析。

这一页讲的是评估 AI 使用案例的关键步骤。首先，需要确定 AI 是否适合你的 review purpose（评审目的），即明确 AI 是否能够有效解决你的问题。其次，要具体分析你使用 AI 的 specific tasks（具体任务），例如数据分析、自动化流程等。接着，评估是否有 suitable tool（合适工具）支持这些任务，确保工具的功能与需求匹配。此外，还要考虑 AI 对你的 learning and skill development（学习和技能发展）的影响，例如是否会帮助你提升专业能力或带来新的学习机会。最后，分析 benefits（收益）是否大于 risks and costs（风险和成本），例如时间节省是否超过技术实施的复杂性或经济成本。这些问题帮助你全面评估 AI 的可行性和价值，从而优化决策。

这一页讲的是评估工具（Evaluating a tool）的关键问题，包括方法适配性、数据可信性和政策合规性等。

这一页讲的是如何评估一个工具是否适合使用。首先，工具需要符合你的研究方法（method）和严格程度（level of rigour），确保它能够支持你的研究目标。其次，工具的数据是否可信（trustworthy）且无偏（unbiased）是关键，避免使用有偏见的数据导致结果失真。第三，明确哪些数据可以共享（data can you share），以及哪些工具被允许使用（tools are allowed）。此外，了解工具如何使用你的数据（how will the tool use your data），并确保你有权限共享这些数据（authority to share）。最后，工具是否符合机构（institutional）和政策要求（policy requirements）也是不可忽视的因素。例如，在选择一个分析工具时，如果它的数据来源不透明或不符合隐私政策，可能会导致法律风险。这些问题帮助我们从多个角度综合评估工具的适用性和可靠性。

这一页讲的是如何评估一个输出内容的质量，包括准确性、相关性和证据支持等关键点。

这一页讲的是评估输出内容的质量，主要关注六个方面：第一，内容是否准确且可验证（accurate and verifiable），这是确保输出可靠性的基础；第二，是否有可信的证据（credible evidence）支持其主张，这是判断内容可信度的重要依据；第三，是否包含错误或幻觉（errors or hallucinations），尤其在生成式AI中，这类问题可能影响结果的可信性；第四，内容是否与研究问题相关（relevant to your research question），确保输出对研究有实际帮助；第五，是否缺少关键文献或概念（missing key papers or concepts），这一点关系到内容的完整性；最后，明确下一步验证或改进的措施（next steps to verify or improve it），以进一步提升输出质量。通过这些评估步骤，可以有效筛选和优化内容，从而提高研究的严谨性和可靠性。例如，在学术论文中，若发现某段论述缺乏文献支持，就需要补充相关研究以增强其可信性。

这一页讲的是总结 AI 在文献综述中的应用，强调其发展、伦理责任和规范遵循。

这一页讲的是总结 AI 在文献综述中的应用，主要内容包括六个要点。首先，指出 AI 在文献综述领域仍处于发展阶段（still evolving），说明其潜力尚未完全成熟。其次，强调 AI 应作为辅助工具（augment），而不是完全取代现有的研究实践（replace established research practices），以确保研究的严谨性。第三，用户需对数据的伦理和安全使用（ethical and safe data use）负责，避免滥用或违反隐私规则。第四，建议遵循相关的指南、政策和标准（guidelines, policies, and standards），确保合规性和专业性。第五，强调对使用的工具和输出结果进行批判性评估（critically evaluate），以提高研究质量。最后，要求在文档记录和致谢中保持透明（be transparent in documentation and acknowledgement），以增强可信度和学术诚信。这些要点为研究者在使用 AI 时提供了重要的指导原则。

这一页讲的是提供研究相关的资源和支持，包括 AI 在文献综述中的应用和负责任的 AI 研究工作坊。

这一页讲的是研究支持资源的介绍，重点是如何利用 AI 工具进行文献综述以及负责任的 AI 应用。页面列出了多个资源链接，包括 ResearchHub 上的 AI 相关内容，例如 AI 在文献综述工作流中的应用、AI 文献综述工作坊，以及负责任的 AI 研究工作坊。这些资源旨在帮助研究者提高效率和质量。此外，还提供了文献综述学习资源，如如何查找信息和进行研究写作。页面还提到可以通过 AskUs 联系图书馆以获得更多帮助。这些资源对于研究生和研究人员来说非常重要，可以帮助他们更好地利用 AI 技术完成研究任务，同时了解伦理和责任问题。

这一页讲的是如何培养 AI 素养 (AI Literacy)，强调 AI 在学术中的辅助作用，以及正确使用它的重要性。

这一页讲的是培养 AI 素养 (AI Literacy)。幻灯片强调了人工智能 (AI) 可以成为学术旅程中的强大助手，但关键在于如何正确使用它。右侧的图像展示了一个平衡的图示，结合了 AI 的技术图标与脑部图标，象征着技术与人类智能的结合与平衡。这说明在使用 AI 时，需要既了解其技术能力，又保持批判性思维。培养 AI 素养的重要性在于帮助学生更好地利用 AI 工具提高效率，例如在研究、数据分析和知识学习中。举例来说，学生可以使用 AI 辅助生成报告或优化学习计划，但同时需要理解其局限性，例如可能存在的偏差或错误。

这一页讲的是奥克兰大学的学习与研究资源，包括学科指南、学习支持、研究支持和教师支持。

这一页讲的是奥克兰大学为学生和教职员工提供的学习与研究资源。页面分为几个主要板块：学科指南（Subject guides）列出了多个领域，如商科与经济学（Business and Economics）、工程与设计（Engineering and Design）、医学与健康科学（Medical and Health Sciences）等，帮助学生找到相关的学习资料。学习支持（Study support）包括学习基础（Learning Essentials）、学术技能视频（Academic skills videos）以及人工智能基础（AI Essentials）等资源，旨在提升学生的学习能力和效率。研究支持（Research support）包含研究生技能中心（Postgraduate Skills Hub）、论文提交（Deposit your thesis）和开放获取出版协议（Open Access publishing agreements），为研究人员提供指导。教师支持（Faculty support）则提供嵌入式学习资源（Embedding learning resources in Canvas）和学术参与（Academic Engagement）等服务，帮助教师更好地支持学生。整体来看，这些资源覆盖了从学习到研究的各个环节，体现了大学对学术发展的全面支持。