心理学综述撰写新时代:7款AI辅助工具

朋友。收假愉，拾文悦。

或许，这是一则好消息：我们的“文献苦力”生涯，可能就要终结了！

如果你正在或曾经为写综述熬到脱发，那一定懂这种“痛”：上百篇论文堆在文件夹里，筛标题、读摘要、提取数据（元分析）……每一项都是体力活。不夸张地说，一篇高质量的系统性综述，平均耗时超过一年，甚至15年。但现在，AI正在改写“游戏”规则。

2025年12月，一项发布在心理学国际顶刊《Learning and Individual Differences》（中科院1区top）的研究，从全球282款工具中严选，最终锁定7款能切实帮到教育心理学研究者的AI综述助手：ASReview、Rayyan、Trialstreamer、Colandr、Abstrackr、Meta‑CART、SWIFT‑Review。它们不仅免费、透明，而且完全不需要会编程。

一、为何要关注此事？

我们必须得接受一个“残酷而又充满希望”的事实：我们的“人工”快跟不上文献的“智能”了。每年发表的论文数以万计，传统的综述模式不仅昂贵，而且还充满风险：人累了会犯错，会有偏见，而AI恰好能在这两点上做得更稳。

研究团队筛选工具的尺度相当严苛：必须真用到了AI、免费可用、保护数据隐私、技术透明，还得适用于教育心理学场景。最终，上面这7款工具“杀出重围”。

“Meta‑analyses should also strive for reproducibility, given their use in important policy decisions and their influence in guiding practice and future research.” — Pigott & Polanin, 2020鉴于元分析在重要政策决策中的应用及其对实践和未来研究的指导作用，它们也应努力追求可重复性。

二、它们如何被选出？

研究团队先是从4个大型数据库里捞出了282款工具，然后经过五轮筛选，才留下最后的“七武士”。

被淘汰的理由五花八门：有的根本不是AI，有的不免费，有的会偷传你的数据到云端。筛到只剩34款时，只有一半的开发者回复了询问邮件——开源工具的活力与风险，一并显露。

这套透明到极致的筛选流程，本身就在示范什么叫“好的科学实践”。所有步骤和原始数据都公开在OSF平台，任何人都能复核。

三、概览：谁负责哪一环节？

在介绍具体工具前，先记住一张“分工表”。

【研究综合】(research syntheses)分为几个步骤：搜索/筛选、数据提取、质量评估、综合分析与报告。这7款工具各有侧重：

接下来，重点介绍其中几款，但不代表其他工具不重要——比如Meta‑CART专攻统计综合，Trialstreamer自动抓取临床试验数据，都是独特而强大的存在。

四、重点解析

1. ASReview：私人文献筛选训练师

它很聪明。你只要先告诉它“这篇相关”“那篇不相关”，它就能边学边干，把最可能是你“菜”的论文优先塞给你。运行在本地，数据不外传。你甚至可以自由选择背后的机器学习分类器（逻辑回归、随机森林等），这在同类工具里独一份。缺点是，目前不原生支持多人同时协作。

2. Rayyan：团队作战的首选

网页版，主打协作。可以邀请同事一起标文献，决策实时同步，一键去重。AI在你手动标了至少50篇后激活。界面友好，但去重偶尔“手重”，容易把不是重复的文献也误删掉，事后建议留个心眼再复核一遍；同时，也无法隐藏作者信息——看作者名气判断论文好坏。老实说，这事儿有没有干过？

3. Colandr：从计划到提取，一条龙服务

雄心更大。不仅管筛选，还管数据提取。但代价是：注册可能要等好几天，上传偶尔失败，网站响应慢。最后一次主页更新还停在2018年——维护状况，着实揪心。

4. SWIFT‑Review：用主题建模探索文献

自带主题建模功能，能自动从你的.ris文件中抽出主题，快速摸清文献全貌。只需标注十来篇文章，它的排序算法就能把最可能相关的推给我们。但要注意，它生来是为PubMed数据优化的，跨领域使用时部分功能会受限。

五、刹一下车

在“吹爆”这些工具之前，有几盆“冷水”必须泼。

第一，维护是个大问题。Colandr的更新停滞不是孤例。开源工具一旦失去资金和开发者，就会逐渐“衰弱”。未来若没有长期资助计划，研究者可能被迫倒向收费的商业软件。

第二，别让偏见从人转移到机器。AI也会“偏心”，尤其那些依赖大语言模型的工具，通常只“吃”英文文献。教育心理学关注个体与文化差异，这种偏差可能导致致命疏漏。

第三，人永远不能退场。这7款工具全都坚持“human‑in‑the‑loop”原则——最终决定权攥在你手里。系统性综述与元分析的严谨性，终究还是由研究者自身的判断力来守护的。

“Garbage in, garbage out: Mitigating risks and maximizing benefits of AI in research.” — Hanson et al., 2023垃圾进，垃圾出：最大限度降低风险，发挥AI在科研中的效益。

六、原作的爱：别只盯工具，要盯着问题

这篇综述的作者们并没有停留在“安利”层面，而是给出了一份清醒的“前景研判”。

首先，做好被工具“卷”的准备。他们判断，一旦AI把做综述的门槛打下来，发表综述的数量可能会激增。这本身是好事，心理学本来就苦于单个研究难以复现，需要更多高质量综合。但硬币的另一面是：如果太容易，也可能冒出大量“水综述”，问的问题压根不重要，或者分析浮于表面。

其次，工具的覆盖面仍是硬伤。很多AI工具主要为英文文献优化，面对教育心理学中复杂多样的全球研究场景时，往往力有不逮。用它，可以跑得更快；全信，可能漏掉关键风景。

最后，研究者自己得站稳脚跟。原作在文中反复强调，市面上所有靠谱的工具，都只敢做“半自动化”，把最终“敲槌定音”的权力留在了人的手里。在可以预见的未来，AI是外挂，不是替身。平衡好AI的效率红利与它的先天局限，才是新生代研究者们的所面临的真正课题。

文献来源：

Fütterer, T., Campos, D. G., Gfrörer, T., Lavelle‑Hill, R., Murayama, K., & Scherer, R. (2026). AI tools for systematic literature reviews and meta‑analyses in educational psychology: An overview and a practical guide.Learning and Individual Differences,126, 102849. https://doi.org/10.1016/j.lindif.2025.102849