Nursing research की literature search में AIDatabase है bookshelf, AI है librarian

सबसे पहले हर tool की भूमिका साफ़ कर लें। PubMed, CINAHL या national databases जैसे literature databases वे "bookshelves" हैं जहाँ papers ठीक से व्यवस्थित रखे हैं। जिस search में comprehensiveness और reproducibility चाहिए, उसका मैदान आज भी यही है।

दूसरी ओर, generative AI ख़ुद bookshelf नहीं है। वह librarian है जो साथ बैठकर सोचता है कि कौन सी shelf, किन शब्दों से खोजनी चाहिए। भूमिकाएँ उलट दीं और AI से सीधे papers की list निकलवाई, तो ऐसी citations घुसने का ख़तरा है जिनका कोई वजूद ही नहीं। ढूँढने का काम database का; तैयारी और pre-reading AI की। यही starting point है।

Search के ख़ाली हाथ लौटने की सबसे बड़ी वजह है — सवाल धुँधला रहते हुए ही search box के सामने पहुँच जाना। "fall prevention nursing" डालने पर results की बाढ़ आ जाए, तो यह संकेत है कि सवाल अभी बहुत बड़ा है।

पहले उसे "किसे, क्या करके, क्या बदलेगा" के साँचे में, अपनी भाषा में, ठोस बनाएँ। मसलन: "rehabilitation ward के बुज़ुर्ग patients में रात की scheduled rounding बढ़ाने से क्या falls कम होते हैं?" यह एक वाक्य हाथ में हो, तो search terms उसमें से लगभग यंत्रवत् निकाले जा सकते हैं।

यहाँ से AI की पारी शुरू होती है। अपना एक-वाक्य वाला सवाल दिखाकर कहें: "इस सवाल पर literature search करनी है। Search terms के candidates बताओ — synonyms, related terms और वैकल्पिक phrasings समेत।"

"falls" के लिए "fall prevention", "accidental falls", "inpatient falls"; "rounding" के लिए "intentional rounding", "hourly rounding" — ऐसी phrasings मिलेंगी जो अपने बस से शायद कभी न सूझतीं। आपकी search का जाल कितना बारीक है, यह पूरी तरह इस synonym list की समृद्धि पर टिका है। Databases में controlled vocabulary (subject headings या thesaurus, जैसे MeSH) का system भी होता है — मिले papers पर लगे headings देखकर उन्हें अपनी search में वापस शामिल करना एक आज़माया हुआ दाँव है।

English पहली भाषा न हो, तो मन करता है कि अपनी भाषा के database में ही काम निपटा लिया जाए। पर topic के हिसाब से international literature कहीं ज़्यादा गहरा हो सकता है।

English कमज़ोर हो तब भी घबराइए नहीं। AI से कहें "इस सवाल को English search terms में बदलो", और PubMed व CINAHL तक पुल बन जाता है। मिले English papers की AI summary से पहले पूरी तस्वीर पकड़ें, फिर सिर्फ़ cite करने वाले हिस्से original में जाँचें — यह workflow realistic भी है और टिकाऊ भी।

Search आख़िरकार चल निकली, तो उलटी समस्या खड़ी होती है: इतने papers कि पढ़े न जाएँ। सबको गहराई से पढ़ने की ज़रूरत नहीं है।

Title और abstract से पहली छँटाई करें, बचे papers को AI summary से "population, care, result" के स्तर तक समझें, और सिर्फ़ अपने सवाल के सबसे क़रीबी papers गहराई से पढ़ें। AI summary है प्रवेश-द्वार, original PDF है प्रमाण — जो भी paper cite करें, उसकी population, care का ब्योरा और असल आँकड़े original text में ज़रूर verify करें।

एक नियम है जो कभी नहीं टूटना चाहिए। Search terms बनाते समय हों या AI से मशविरा करते समय — patient की जानकारी, case के details या hospital का unpublished internal data कभी input न करें।

सवाल को हमेशा पहले generalize करें (जैसे "बुज़ुर्ग postoperative patients"), फिर इस्तेमाल करें। शक हो, तो ख़ुद से पूछें: "क्या यह बात मैं institution से बाहर किसी को बता सकता/सकती हूँ?" — और अपने facility के नियमों का पालन करें।

Download किए papers folder में पड़े छोड़ दिए, तो कुछ हफ़्तों में याद ही नहीं रहेगा कि कौन सी search से कौन सा PDF मिला था — और क्यों मायने रखता था।

Paperfy में PDF डालते ही AI summary, figures और original text — सब एक paper के एक page पर मिल जाते हैं। Summary में notes जोड़कर save कर सकते हैं — "सवाल से कितना क़रीब है", छँटाई के memo — और वे paper के साथ बने रहते हैं। इस तरह search → pre-reading → गहरा पढ़ना → research notes एक ही सिलसिला बन जाता है। Search हो bookshelf पर; पढ़ना और सहेजना library में। यही बँटवारा literature search को स्थायी asset बना देता है।