从检索筛选、结构化精读到批判整合与引文核验，拆解DeepSeek介入文献综述的可复用流程，并划定人机分工与学术规范边界。
文献综述长期被视为研究入门的第一道难关。真正消耗时间的并不是成稿阶段的打字，而是在上百篇文献中建立一张可对话的知识地图：判断哪些研究属于同一脉络，哪些结论彼此冲突，哪些空白值得切入。多数研究生的实际体验是，读得不少却理不出线索，写得很长却停留在观点罗列。大模型进入这一环节后，效率提升的关键并不在于让AI代写全文，而在于把重复性的信息转换工作交给机器，把判断权牢牢留在自己手里。DeepSeek在长文本理解、结构化输出和中文学术语体上的表现，使它具备了承担这部分工作的现实条件，但前提是使用者清楚它能做什么、不能做什么。
1. 文献综述的成本结构与可压缩环节
一篇硕士层级的文献综述，通常需要泛读八十到一百五十篇文献，精读三十到五十篇，从选题聚焦到成稿修改的周期在四到八周之间。把时间拆开看，检索与初筛约占四分之一，精读与做笔记约占三分之一，结构搭建与观点整合约占两成，剩下的是成稿与润色。真正难以压缩的是判断环节，比如某篇实证研究的样本是否存在选择偏差，某个理论框架能否支撑你的研究问题。而信息转换环节的压缩空间很大，包括把摘要改写成统一格式的笔记、把散落的方法信息归入同一张表、把不同作者的结论按主题重新排列。这些工作重复度高、规则明确，恰好是大模型擅长的部分。
以一篇关于“生成式AI与高校教学”的综述为例，人工逐篇摘录研究设计、样本规模、干预和主要结论，五十篇文献大约需要十到十二小时。若把PDF文本分批输入DeepSeek，要求它按固定字段输出表格，同样的工作量可以压缩到两小时左右，剩下的时间用于核对原文和判断质量。效率翻倍的说法并不夸张，但翻倍发生在整理环节，而非思考环节。
需要警惕的是把压缩误解为替代。模型生成的笔记条目看起来整齐，却可能把“相关”写成“因果”，把作者的限定条件悄悄抹掉。一个可行的做法是给每条笔记附上原文页码或段落位置，形成可回溯的锚点。整理速度提升之后，省下来的时间应当投入到比较与质疑上，而不是提前收工。
2. 检索策略与文献筛选的结构化处理
检索环节的常见问题是关键词过于狭窄或过于宽泛。前者漏掉同义表达，后者淹没在数千条结果里。DeepSeek可以帮助拆解研究问题中的概念块，把一个题目分解为对象、情境、干预、结果四类要素。例如研究“AI反馈对大学生写作修改行为的影响”，可让模型分别列出每个要素的中英文同义词与近义词，再组合成布尔检索式，并针对中国知网、Web of Science、Scopus的字段规则做适配。模型给出的检索式不能直接照搬，但可以作为起点，人工补充学科惯用语和数据库特有的主题词。
筛选阶段更适合让模型做批量预处理。把检索结果的标题、摘要、关键词整理成文本，要求它依据事先写定的纳入与排除标准逐条判断，并给出判断理由。标准必须具体，比如“排除没有实证数据的评论文章”“纳入2020年之后、样本量大于一百的定量研究”，否则模型会给出模糊的中间态。实际使用时，一次性投喂过多文献容易导致上下文截断，建议按二十到三十条分批处理，每批结束后人工抽查若干条，确认判断口径是否稳定。对于边界模糊的条目，让模型标注“存疑”而不是强行归类，再由人来决定去留。
这套流程的价值在于把筛选从“凭感觉翻页”变成“按规则过筛”。但规则本身必须由研究者制定，模型只是执行者。如果纳入标准写得含糊，模型输出得再整齐也只是把模糊放大了。
3. 主题聚类与批判性整合的写法
综述写作最容易滑向逐篇介绍，读起来像文献清单而非学术对话。要避免这一点，需要在动笔前先建立比较框架。可以让DeepSeek基于已整理的结构化笔记，生成三类中间产物：一是观点对照表，把持相近结论的研究归为一组，标出它们在样本、方法、情境上的差异；二是方法矩阵，按研究设计、测量工具、分析策略排列，看哪些结论来自弱设计、哪些来自强设计；三是争议谱系，梳理某个问题上的分歧是如何随时间演变的，早期研究关注什么，近期研究又转向何处。
以“数字素养与学业表现”这一主题为例，模型可以快速整理出三组彼此不完全一致的研究：一组报告正相关，一组发现相关性在控制家庭社会经济地位后消失，还有一组指出存在倒U型关系。把这些差异摆在一起，就能追问：结论的分歧是否来自数字素养测量工具的不同，是否来自样本学段的差异，是否来自中介变量的遗漏。这类追问才是综述的增值部分。模型能帮你把材料摆上桌，但提出问题、判断哪条解释更可信，仍然依赖研究者的学科训练。
在成稿阶段，可以让模型起草“研究之间的对话”段落，明确要求它写出“A的研究在何种条件下支持B的结论，又在何处与C冲突”，而不是笼统地说“学者们对此看法不一”。生成的文字必须经过改写，删掉套话，补上自己的评价。模型写出的连接词往往过于顺滑，读起来工整却缺少立场，这是需要人工介入最明显的地方。
4. 可信度核验与学术规范的实际操作
使用大模型写综述，最大的风险不是文笔，而是引文失真。模型可能把两篇文献的结论拼接在一起，可能编造不存在的DOI，也可能把综述文章误认为原始实证研究。控制风险的办法并不复杂，核心是三条：只让模型基于你提供的原文文本作答，不依赖它的记忆；任何进入正文的引用必须回到原文核对页码与表述；参考文献列表由文献管理软件生成，而不是由模型输出。把PDF按段落切分后输入，并在提示中要求“仅依据以下文本回答，找不到依据时明确说明”，可以显著降低编造率。
学术规范层面，不同期刊和高校对生成式AI的使用要求差异很大。有的要求在使用辅助工具时于方法部分声明，有的明确禁止AI参与正文撰写，有的只允许用于语言润色。动笔之前应当查阅所在单位的最新规定，保留提示词与生成记录，以备核查。更稳妥的分工是：模型承担信息提取、格式统一、初步聚类等辅助工作，研究问题的界定、文献质量的评判、观点的取舍与最终表达由人完成。效率翻倍的前提是这条分工线划得清楚，一旦模糊，省下来的时间会以返工和信任损失的形式还回去。
