DeepSeek可辅助检索式设计、文献筛选、主题归纳与初稿润色，但须人工核验引用和批判思考。本文以AI指导老师视角拆解可复现流程。
文献综述的难，不在“写”，而在从海量文献中界定问题、建立检索策略、提取证据、形成论证。很多初学者把综述写成摘要汇编，引用看似丰富却缺少评价线索。DeepSeek的价值在于把重复性认知劳动结构化，让研究者把时间留给判断与写作。使用时需要明确，它生成的检索词、分类框架、引用信息都只是候选材料，必须回到数据库和原文验证。AI指导老师应把DeepSeek嵌入选题、检索、分析、成文四个环节，而不是交给它一键生成。
1. 文献综述的真实难点与DeepSeek的能力边界
文献综述写作常见的问题是把相关研究按年份排列，每篇给出一段摘要式复述，最后加一句研究不足。这样的文本无法回答已有研究如何解释该现象、不同结论之间为何冲突、理论和方法留下了什么空白。真正的综述需要围绕研究问题建立概念框架，说明检索范围、纳入排除标准、证据来源和分析方法。系统综述还要报告检索日期、数据库、筛选流程和偏倚评估。叙述性综述虽不要求同等严格，但同样需要清晰的论证链和可追溯的文献来源。DeepSeek能理解自然语言指令，适合协助把模糊主题拆成概念、同义词、研究变量和潜在理论，但它不能替代数据库检索，也不能直接判断一篇论文的质量。
DeepSeek的长处在于快速生成结构化草稿、归纳摘要、模拟审稿人提问和多轮改写。例如，当研究者提出“生成式人工智能如何影响大学生批判性思维”时，它可以迅速列出可能的研究维度，如认知参与、元认知调节、信息验证行为、教师引导和学术诚信，并给出中英文关键词建议。这些输出能帮助初学者打开思路，减少面对空白文档的焦虑。但模型存在训练数据截止、语境缺失和幻觉引用等风险。它可能生成看似规范的作者、年份和期刊，却与真实文献不符。AI指导老师必须让学生形成一条底线，任何进入参考文献表的条目，都要在DOI或期刊官网找到原文记录。
因此，DeepSeek的定位应是文献综述的认知脚手架，而不是代笔工具。它可以承担检索词扩展、摘要编码、主题聚类、语言润色等辅助任务，研究者则负责提出研究问题、设定纳入排除标准、阅读全文、评价方法质量、解释矛盾结论。把DeepSeek当作“第二导师”时，最有价值的用法不是让它写出一段完整综述，而是让它不断追问，这个概念如何操作化，这个结论来自多少样本，这项研究的局限是否影响你的论点，是否存在相反证据。这样的互动能把写作从复制粘贴转向论证训练，也更符合学术伦理。
2. 从研究问题到检索式：提示词设计的关键动作
文献综述的质量在检索阶段就已经分出高下。研究问题过于宽泛，例如“人工智能与教育”，会带来数万条结果，筛选成本极高；问题过于狭窄，又可能找不到足够文献。DeepSeek可以帮助研究者把兴趣领域转化为可操作问题，常用的做法是明确对象、干预或现象、结果、情境和时间范围。以“生成式AI对大学生批判性思维的影响”为例，可以拆成生成式AI、大学生、批判性思维、高等教育情境四个概念。DeepSeek可据此生成中英文同义词，如生成式人工智能、大语言模型、ChatGPT、DeepSeek、critical thinking、higher education students，并提示不同数据库常用的主题词和自由词组合。
提示词设计需要给出角色、目标、背景、约束和输出格式。一个可用的指令可以写成：“你是一位教育技术领域的系统综述方法专家，请围绕生成式AI与大学生批判性思维，生成CNKI、Web of Science和Scopus的检索式。要求分别列出核心概念、同义词、英文表达、布尔逻辑组合，并说明截词符和短语检索的用法。输出为表格，不要编造不存在的主题词。”这种指令比“帮我找文献”有效得多，因为它限定了领域、数据库、格式和防幻觉要求。DeepSeek输出的检索式仍需人工在数据库中试检，观察结果数量、相关性和漏检风险，再调整AND、OR、NOT的组合。
检索式确定后，DeepSeek可辅助生成纳入排除标准草案。例如纳入2020年至2025年发表的同行评议期刊论文、中英文实证研究或系统综述，排除新闻报道、社论、会议摘要和无法获取全文的条目。它还可以把标准转化为筛选表格，帮助研究者在标题摘要阶段记录排除原因。但标准必须由研究者根据研究问题确认，不能直接照搬模型建议。AI指导老师在这里要提醒学生保留检索日志，包括数据库、检索日期、检索式、结果数量和筛选决定。这样形成的检索路径可复现、可审计，也能在论文方法部分如实报告。
3. 文献矩阵与主题聚类：DeepSeek辅助分析路径
拿到一批文献后，最忌讳逐篇复述。更高效的做法是建立文献矩阵，把作者、年份、研究情境、样本、方法、核心变量、主要发现、局限和与本研究的关系逐项提取。DeepSeek可以根据题录和摘要生成矩阵初稿，尤其适合处理几十篇到上百篇摘要的初步编码。研究者可以把RIS或BibTeX导出的题录整理成文本，也可以粘贴摘要，要求模型按统一字段输出表格，并标记信息缺失。例如在AI辅助写作研究中，模型可能归纳出学习成效、认知负荷、学术诚信、教师角色四个主题。此时它的作用不是下结论，而是提供可检查的分类假设。
主题聚类之后，需要让DeepSeek协助识别共识、争议和研究空白。可以要求它回答，哪些结论在多篇研究中重复出现，哪些结论存在样本或情境差异，哪些变量可能调节结果，哪些问题尚未被实证检验。以批判性思维为例，有的研究认为生成式AI通过即时反馈促进反思，有的研究担心它削弱独立推理，还有研究指出效果取决于任务设计、提示质量和教师介入。DeepSeek可以把这些矛盾并置，提示可能的解释路径。但研究者必须回到全文核对，确认样本量、测量工具、研究设计和统计结果是否支持模型摘要。
使用DeepSeek分析文献时还要注意数据安全和版权边界。未发表的访谈资料、受保密协议约束的数据、付费墙后的全文不应随意上传到公共模型。更稳妥的做法是只上传自己整理的摘要、笔记和引文信息，并对敏感内容做匿名化处理。模型生成的主题名称和编码表需要经过人工合并、拆分和重命名，避免把表面词语当作理论概念。AI指导老师可以让学生做一次反向检验，随机抽取三篇被归入同一主题的文献，检查它们是否真的共享研究问题或结论。如果归类站不住脚，就说明分析仍停留在词语匹配层面，需要继续阅读和修正。
4. 引用核验与学术表达：把生成内容转化为可提交文本
DeepSeek生成的内容进入论文之前，引用核验是最不能省略的一步。模型可能把真实作者与错误年份组合，也可能把相似标题拼接成不存在的文献。研究者应逐条在Crossref、DOI官网、期刊页面或Google Scholar核对作者、年份、标题、期刊、卷期、页码和DOI。对于中文文献，还要核对CNKI或万方记录，确认作者单位和期刊名称。核验后的条目应导入Zotero、EndNote或NoteExpress统一管理，再按学校或期刊要求的APA、MLA、GB/T 7714等格式插入。这样既能减少手工错误，也能在修改时保持引用与参考文献表同步。
学术表达方面，DeepSeek更适合做语言润色、逻辑检查和段落过渡建议，而不是直接生成最终文本。研究者可以先写出自己的论证草稿，再让模型指出重复、模糊指代、论证跳跃和句式冗长之处。例如，把一段主题句不清晰的综述段落交给DeepSeek，要求它在不改变原意、不新增文献的前提下给出三种改写方案，研究者再选择最贴合学术语气的版本。直接提交模型生成的段落存在抄袭和学术不端风险，也可能因为表达空泛而被导师识别。AI指导老师应要求学生保留修改记录，明确哪些内容由自己分析，哪些环节使用了模型辅助。
透明披露和最终检查决定文献综述能否真正提交。许多期刊和高校已要求作者说明是否使用生成式AI、用于哪些环节、如何验证输出。研究者应遵守所在机构政策，在方法或致谢中如实说明，不把AI列为作者，也不让模型替自己承担责任。提交前还要回到整体逻辑，研究问题是否贯穿，检索策略是否可复现，纳入排除是否合理，主题之间是否有递进关系，矛盾证据是否得到解释，引用是否一一对应。只有当每一条结论都能追溯到原文证据，DeepSeek才真正成为文献综述的加速器，而不是学术风险的放大器。
