Scoping review कैसे करें:जवाब का पीछा नहीं, नक्शा बनाइए

Systematic review ऐसा सवाल पूछती है जो जवाब मांगता है: "क्या यह intervention कारगर है?" Scoping review effect के बजाय वितरण के बारे में पूछती है: "इस इलाक़े में कैसी, कितनी और किस क़िस्म की research मौजूद है?"

नतीजतन deliverable भी अलग होता है। पहली से मिलता है pooled निष्कर्ष; दूसरी से मिलता है नक्शा — field के study types, populations, methods और समय-अवधियों की एक व्यवस्थित तस्वीर, जिसमें ख़ाली इलाक़े (research gaps) भी शामिल हैं।

Scoping reviews में PICO की जगह PCC framework इस्तेमाल होता है।

P (Population), C (Concept: research किस बारे में है), और C (Context: setting, जगह या परिस्थितियां)। ग़ौर करने लायक़ ग़ैरहाज़िरी है Comparison की — क्योंकि यह effects की तुलना करने वाली review है ही नहीं। सवाल कुछ ऐसा हो सकता है: "घर की setting (Context) में बुज़ुर्गों (Population) के लिए telerehabilitation (Concept) पर research।"

जहां systematic review की search किसी ख़ास सवाल पर सिकुड़ती जाती है, वहीं scoping review की search जान-बूझकर चौड़ी रखी जाती है। आम तौर पर quantitative, qualitative और practice-based — सभी study designs बिना रोक-टोक शामिल होते हैं।

ज़्यादा पकड़ में आ जाने से मत डरिए; नक्शे में छेद रह जाने से डरिए। यही यहां की search philosophy है। Hits की संख्या बड़ी होगी, इसलिए screening का workload शुरू से plan कर लीजिए।

जाल चौड़ा फेंकने का मतलब बिना criteria के काम करना नहीं है। PCC से निकले inclusion और exclusion criteria पहले से तय किए जाते हैं, और screening उसी record-keeping अनुशासन से होती है जैसी systematic review में।

Reporting के लिए एक समर्पित framework मौजूद है: scoping reviews के लिए PRISMA extension (PRISMA-ScR)। संचालन और reporting की बारीकियों के लिए PRISMA-ScR, अपने target venue की शर्तों और supervisor के मार्गदर्शन का पालन कीजिए।

Studies चुन लेने के बाद केंद्रीय गतिविधि गहरी critical appraisal नहीं, बल्कि charting कहलाने वाली प्रक्रिया है। हर source से author, वर्ष, देश, population, study design, concept को कैसे परिभाषित किया गया, और मुख्य findings — पहले से तय fields वाली table में निकाले जाते हैं।

ध्यान रहे कि scoping review में risk-of-bias assessment आम तौर पर ज़रूरी नहीं होता — मक़सद research के वितरण को समझना है, उसकी गुणवत्ता को grade देना नहीं। हालांकि नीतियां मक़सद और venue के हिसाब से बदलती हैं, इसलिए अपनी team से पक्का कर लें।

Chart पूरा होने पर दो क़दम पीछे हटकर नक्शे को देखिए। किन populations या settings पर सबसे ज़्यादा research हुई है? कौन-से designs हावी हैं? समय के साथ field कैसे बदला है?

सबसे क़ीमती खोज है gap। "इस population पर सिर्फ़ qualitative studies हैं।" "इस context में दस साल से कुछ छपा ही नहीं।" Research gaps को नाम देना ही वह baton है जो scoping review अगली study को थमाती है — और वह अगली study आपकी अपनी भी हो सकती है।

चूंकि scoping reviews में references की तादाद बड़ी होती है, ये असल में AI की मदद के लिए ख़ूब मुफ़ीद हैं। Abstracts पर तेज़ नज़र, chart fields के draft, classification के सुझाव — इन सबमें सचमुच वक़्त बचता है।

पर सिद्धांत वही है जो हर review में: chart में जो भी जाए, वह original PDF से verify हो, और AI की गलत व्याख्याएं हाथ से सुधारी जाएं। "Concept को कैसे परिभाषित किया गया" जैसे व्याख्या-आधारित fields अकेली summary से कभी तय नहीं हो सकते।

Paperfy में जुटाए गए हर paper को एक page मिलता है, जिस पर उसकी AI summary, figures, tables और original PDF रहते हैं। Charting के लिए papers की झलक लेते-लेते आप editable summary में सीधे classification notes जोड़ सकते हैं — "P: बुज़ुर्ग / Concept: telerehabilitation / Context: home-based / Design: qualitative" — ताकि नक्शे की सामग्री उसी paper के page पर जमा होती चले।

लिखते समय जब पूछना पड़े, "इस classification का आधार क्या था?" — original text उसी page पर सामने होता है। नक्शे को जो चौड़ाई चाहिए वह भी मिलती है, और अपने evidence तक लौटने की क्षमता भी नहीं छूटती।