用DeepSeek写文献综述，关键不是代写，而是用结构化追问链串起检索、证据矩阵、批判审稿与成稿校验，让每一步可核查可回溯。
文献综述写不下去，往往不是资料太少，而是问题太散、证据太乱、论点太虚。DeepSeek 能读长文本、能追问、能扮演审稿人，但它不会自动替研究者建立学术判断。真正有用的一招，是把 DeepSeek 放进一条结构化追问链：先锚定研究问题与检索框架，再搭建证据矩阵，接着做主题综合与批判审稿，最后完成成稿校验。这条链把大任务拆成可验证的小任务，既保留 AI 的效率，也把编造、误读和逻辑跳跃的风险压到最低。
1. 研究问题与检索框架的锚定
文献综述的起点不是打开数据库，而是把研究问题写到可以检索、可以争论。作为 AI 指导老师，我通常让学生先向 DeepSeek 发出这样的指令：请扮演文献综述方法学导师，围绕生成式人工智能对大学生批判性思维的影响这一主题，用 PICO 或 SPIDER 框架澄清研究对象、干预或暴露、比较对象、结局指标和研究情境，并给出三个可替代的研究问题。DeepSeek 会输出问题拆解，但研究者要逐条判断哪些概念需要界定，例如批判性思维究竟指高阶认知技能、倾向还是标准化测验得分，生成式人工智能是否包含 DeepSeek、ChatGPT 等具体工具。问题越清楚，后面的检索越不容易跑偏。
问题澄清后，让 DeepSeek 生成中英文检索式和纳入排除标准。中文数据库可围绕 CNKI、万方、维普，英文数据库可覆盖 Web of Science、Scopus、PubMed、ERIC。检索式不要直接照搬，而要让它解释每个同义词和布尔逻辑的作用，例如英文可将 generative AI、large language model、ChatGPT、DeepSeek 用 OR 扩展，再与 critical thinking、higher-order thinking 组合，最后用 AND 连接 undergraduate、college students。纳入标准要写清时间范围、文献类型、语言、研究设计、样本年龄和结局指标，排除标准要写清重复发表、无法获取全文、纯观点文章等。DeepSeek 可以开启联网搜索补充线索，但正式检索必须回到数据库执行，并记录检索日期、数据库、检索式和命中数量，方便后续写进方法部分。
这一节的关键是让 DeepSeek 做脚手架，而不是做结论。研究者需要把检索框架交给导师或同行评议，确认概念操作化是否合理，数据库选择是否覆盖核心期刊，检索式是否遗漏关键同义词。AI 指导老师可以要求学生保存对话记录，标注哪些提示词产生了有效框架，哪些输出被否决以及原因。这样做的好处是，后续筛选和写作有明确边界，不会因为 DeepSeek 多生成几篇看似相关的文献就临时扩大范围。
2. 文献筛选与证据矩阵的搭建
进入筛选阶段，DeepSeek 的优势在于处理摘要和全文。研究者可以把数据库导出的题录、摘要，或在支持文件上传的版本中把 PDF 上传，要求它只基于给定材料提取信息，并明确禁止使用外部知识。一个实用指令是：请逐篇阅读以下摘要，判断其是否满足纳入标准；对每篇文献输出作者年份、研究问题、理论框架、样本、方法、核心发现、局限、与本研究的关系，以及可直接引用的原句；若信息未报告，写原文未报告，不要推测。这样得到的不是一篇现成综述，而是一张可核对的证据矩阵。
证据矩阵的字段要围绕综述论点设计，而不是堆砌信息。比如研究生成式 AI 与批判性思维，矩阵至少应包含工具类型、使用时长、教学场景、测量工具、样本规模、研究设计、效应方向、显著性和作者结论。DeepSeek 可以把二十篇摘要压缩成表格，但表格中的每个数字和结论都要回到原文抽查。我的做法是随机抽取百分之二十的条目，对照 PDF 或摘要逐项核验，尤其关注样本量、统计显著性和因果措辞。如果 DeepSeek 把相关关系写成因果关系，或者把某篇文献的局限漏掉，就要在矩阵中标记并修正。
筛选过程还要留下可追溯记录。研究者可以让 DeepSeek 根据数据库导出结果生成 PRISMA 流程图草稿，包括识别、筛选、纳入和排除数量，再人工核对每一步。排除文献的理由要具体，例如主题不符、样本不是大学生、没有批判性思维测量、无法获取全文、重复发表。DeepSeek 可以帮助归类排除理由，但不能替代研究者的最终判断。对争议文献，建议单独建一个观察清单，让 DeepSeek 梳理支持方和反对方的核心证据，为后面的批判性论证储备材料。
3. 主题综合与批判性论证的生成
当证据矩阵基本稳定，就可以让 DeepSeek 参与主题综合。指令可以写成：请基于以下证据矩阵，归纳三到五个核心主题，每个主题下分别列出支持文献、反对文献、争议点、研究空白和可能的研究问题；不要按作者逐篇罗列，而要按论点组织。DeepSeek 通常能快速识别出工具类型、教学干预、认知结果、伦理风险等主题，但研究者要检查主题之间是否互斥，是否遗漏了负面结果，是否把不同测量的结果混在一起。
更关键的一步是让 DeepSeek 扮演反方审稿人。研究者可以要求它从方法学角度提出十个质疑，例如样本是否具有代表性，是否存在自选择偏差，批判性思维测量是否可靠，干预时长是否足够，是否控制了先验知识，是否存在发表偏倚。然后让 DeepSeek 针对每个质疑给出可能的回应和需要补充的证据。这个过程能暴露综述中过度概括的句子。例如，若矩阵中多数研究是短期实验，就不能写生成式 AI 普遍提升批判性思维，而应写现有短期干预研究显示一定正向关联，但长期效果和迁移效应仍不明确。
在写作层面，DeepSeek 可以帮助生成段落骨架，但最终表达要由研究者完成。可以让它先输出一段以论点为引导的综述段落，再要求它标注每一句话对应的证据来源，随后逐句改写，加入自己的判断和过渡。好的综述不是文献摘要的集合，而是围绕研究问题展开的论证。DeepSeek 能提供对照、分类和质疑，但选择哪个主题优先、如何解释矛盾结果、怎样提出研究空白，仍然依赖研究者的学术判断。AI 指导老师应把这一阶段当作思维训练，而不是文本代工。
4. 成稿校验与学术规范的风险控制
成稿校验是 DeepSeek 最容易帮倒忙也最能帮上忙的环节。所谓帮倒忙，是因为它可能生成看似规范的引用，但作者、年份、期刊或页码并不存在。研究者必须把每一处引用放回数据库或原文核验，并让 DeepSeek 做反向检查：请逐句核对以下综述段落与提供的证据矩阵，标出没有原文支持的结论、过度推断的措辞、混淆相关与因果的句子，以及引用信息不完整的条目。对不确定的内容，要求它写待核，而不是补全。这样可以把 AI 生成风险控制在可管理范围内。
学术规范方面，要提前查看目标期刊或学校对生成式 AI 的使用政策。多数场景允许用 AI 辅助语言润色、文献整理和思路拓展，但通常要求披露使用范围，禁止把 AI 列为作者，禁止直接提交 AI 生成的整段文字。研究者应保留提示词、对话记录和修改版本，说明 DeepSeek 参与了哪些环节。查重前要用自己的语言重写关键段落，尤其是主题综合和批判性论证部分。DeepSeek 可以辅助检查逻辑连接和术语一致性，但不能替代查重软件和学术判断。
结构完整性检查同样不能省略。让 DeepSeek 依据 PRISMA 2020 清单或综述写作规范，检查研究问题、检索策略、纳入排除标准、筛选流程、质量评价、证据综合、局限性和结论是否齐全。它还可以检查时间范围是否一致、缩写是否首次定义、图表编号是否连续、参考文献格式是否统一。
