GenAI文獻回顧知識創造

2. 研究問題

作者真正要回答的是：「如何有效運用 GenAI 工具，支援資訊系統文獻回顧中的特定知識發展活動？」這個問題重要，因為多數討論只把 GenAI 用於潤稿、摘要或檢索，容易把「文字處理效率」誤認為「知識創造」。文獻回顧不只是重述過去研究，而是要整合概念、批判假設、發展理論、辨認研究缺口並提出研究議程。既有文獻雖談到 GenAI 的幻覺、偏誤與效率，卻缺乏一套依知識活動類型判斷「什麼能交給 AI、什麼必須由研究者負責」的框架。本文補足的正是這個認識論與方法論缺口。

3. 理論基礎

第一個理論主軸是文獻回顧的認識論分類。作者承接 Schryen 等人（2020），將知識發展拆成六種活動：研究綜整（synthesizing research）、證據聚合（aggregating evidence）、批判（criticizing）、理論建構（theory building）、研究缺口辨認（identifying research gaps）與研究議程發展（developing a research agenda）。第二個主軸是 GenAI 的生成原理與能力限制：大型語言模型擅長從既有訓練資料辨識樣式、重組文字與提供廣度，但不具有人類式理解、直覺、情境判斷與認識論模型。第三個主軸是人本協同：GenAI 應補充研究者的搜尋與重組能力，研究者則保留批判、驗證、理論選擇與最終責任。整體上，文章不是提出一個因果理論，而是建立「知識活動特性 × GenAI 能力邊界 × 人類責任」的整合框架。

4. 研究架構

文章的論證架構可文字化為：先界定文獻回顧的六種知識發展活動，再依各活動所需的認知與方法能力，對照 GenAI 的強項與限制，最後推導人機協作建議及不同回顧類型的適用性。六類活動又可區分為較偏後向的知識整理，以及較偏前向的知識創造：綜整與證據聚合主要處理既有研究；理論建構、缺口辨認與議程發展指向未來；批判則是從既有知識跨向新問題化的重要橋樑。作者以「IS business value」為示範領域，透過多個 GenAI 工具與提示案例，觀察工具如何支援不同活動。此架構沒有自變數、中介、調節或依變數，而是活動導向的能力—任務配適論證。

5. 假設邏輯

本文沒有統計假設，應改以命題邏輯理解。第一，GenAI 若主要依賴既有語料的機率式樣式重組，便較適合快速掃描、彙整、比較觀點與提供搜尋起點，而不適合被視為真理來源。第二，愈需要統計推論、深層批判、真正新穎理論或情境化判斷的活動，愈不能由純文字生成工具獨立完成。第三，AI 可以重現文獻已指出的缺口，卻難以知道「未知之未知」；因此研究缺口最好由 AI 先協助畫出已知知識地圖，再由研究者透過問題化與完整查證辨認。第五，知識品質來自互補分工，而非自動化程度最大化：AI 提供廣度與速度，人類提供深度、創造力與認識論責任。

6. 方法

研究採概念分析加示例展示。作者先從文獻回顧方法論整理六類知識發展活動與不同回顧類型，再以「資訊系統商業價值」為共同示範題材，使用 ChatGPT（GPT-4）、Perplexity（文中標示 GPT-3）、Bing AI／Microsoft Copilot（GPT-4）與 Google Gemini 1.0 Pro。作者對工具輸入多組提示，挑選具說明力的成功與失敗輸出，展示各活動的潛能與限制，再彙整成能力、限制與研究者建議表。這不是受控比較實驗：沒有固定提示集、盲評、信效度檢驗、樣本數或統計分析，也不試圖判定哪個模型最好；其證據性質屬概念性示範與方法論推論。

7. 結果

核心結果不是「GenAI 能不能做文獻回顧」的二分答案，而是能力高度依賴活動。研究綜整方面，GenAI 能快速提出多重理論視角、比較概念及提供初步文獻線索，但可能捏造引用、混用不同版本模型或受限於過時訓練資料，所有內容都要回到原始文獻核對。證據聚合方面，AI 可協助定性敘述與初步編碼，但純文字生成工具不能取代研究品質評估、效果量計算與後設分析。批判方面，AI 多半重現既有批評，較難真正問題化深層假設；它更適合協助尋找支持與反證材料。理論建構方面，AI 可提供操作化、跨領域概念與可能因果鏈，卻不能直接產生可信的新理論。研究缺口方面，直接問「有何缺口」往往只得到既有文獻已說過的清單；較可靠做法是先讓 AI 映射理論元件與已知關係，再由研究者判斷真正空白。研究議程方面，AI 可擴展設計選項，但難以自行提出具策略性、可行且具脈絡的研究藍圖。整體結論是採人本協同模式，且禁止把單次輸出當成完成品。

8. 理論貢獻

本文最重要的理論貢獻，是把「GenAI 支援研究」從工具功能層次提升到認識論活動層次。它不再籠統問 AI 是否有效，而是追問不同知識任務要求何種理解、判斷與證據，因此能解釋為何同一工具在綜整上看似強大，在理論創新與研究缺口上卻很脆弱。第二，它將文獻回顧類型重新視為六類知識活動的不同組合，使 AI 適用性可以隨任務組合判斷。第三，它提出具方向性的協同角色：研究者先當導演，界定問題、理論與資料邊界；再當監督者，驗證、修正與承擔責任。這是對人機協作與知識創造研究的活動—能力配適框架，而非單純的效率論。

9. 實務意涵

最該讀這篇的是正在做學位論文、系統性回顧、理論回顧或研究計畫的研究者，以及需要制定 GenAI 研究倫理與課程規範的教師。實務上，可把六類活動做成工作表：每個活動都記錄輸入來源、提示、模型版本、AI 輸出、原文核對、研究者判斷與修改理由。使用 AI 時應優先把它當作搜尋詞發想、概念比較、跨領域線索與初步知識地圖工具；統計聚合、關鍵引用、理論命題、研究缺口與研究議程則必須由人類以原文與方法規範完成。所有 GenAI 使用應透明揭露，以維持問責、可複製性與研究誠信。

10. 研究限制

作者明確承認三類限制。第一，文章主要依賴假設性案例與工具輸出，缺乏真實研究團隊、對照組、品質評分及長期追蹤，因此不能證明採用建議後一定提高回顧品質。第三，模型快速更新且同一模型輸出具有隨機性，今日判斷可能很快失效。額外來看，作者挑選哪些提示與輸出展示缺乏完整稽核軌跡，存在選擇性呈現；示範領域集中於 IS business value，對醫學後設分析、質性統合或跨文化管理研究的外部效度仍有限；六類活動之間在實際研究中也會重疊，分類並非完全互斥。

11. 對我研究的啟發

這篇最可直接累積到我的研究中的，不是某個量表，而是一套可重複使用的「AI 協作式知識創造流程」。可將研究歷程設計為：AI 協助建立概念地圖與跨理論候選 → 研究者核對原文並界定理論邊界 → AI 協助尋找支持／反證與不同情境 → 研究者進行問題化並形成真正缺口 → AI 協助展開設計選項 → 研究者決定可行且有理論意義的模型。這篇可作為 framing paper，用來界定 GenAI 在知識創造中的角色；也可作為 methods reference，支持文獻回顧階段的人機分工與透明揭露；更可作為 research gap 來源，因為它自己缺乏對協作流程品質的實證檢驗。若延伸成研究，可操弄協作方式（單次生成、迭代提示、人類主導驗證）、任務類型（綜整、批判、理論建構）與研究者專業程度，檢驗知識品質、理論新穎性、引用正確率與認知負荷；也可測試認知風格是否影響研究者採用 AI 建議、問題化能力與過度信賴。

12. 整體評價

值得讀，也值得收進核心文獻，但用途要放對位置。 它最強之處，是提供比「AI 幫助／傷害研究」更精細的六活動框架，能直接改造成研究流程、訪談架構或實驗操弄；最弱之處，是證據主要來自作者選取的提示案例，無法對效果大小與因果關係下結論。它適合作為 AI × 知識創造與人機協作的 framing paper，也適合作為規劃 AI 輔助文獻回顧的 methods reference；不適合作為「GenAI 已能提升理論創新」的 empirical support。未來值得反覆回看的是六活動分類、人類責任邊界與表 3 的任務建議，而不是文章中已會快速過時的特定模型表現。

---

今日結論

今天讀的是 Schryen、Marrone 與 Yang（2025）刊於 Electronic Markets 的開放取用正式期刊論文。期刊的 SSCI、Scopus 與 Scimago Q1 可確認，FT50／UTD24／AJG 等級未明確確認。最可重用的研究角度是「知識任務類型 × 人機分工 × 研究者認知風格 → 知識品質／理論新穎性」。