同一个关键词，换一种排序视角
学术检索结果并不是越多越好，真正困难的是识别哪些论文奠定方法、哪些是后来改进、哪些只是题目相近。Semantic Scholar 把论文、作者、引用和相关研究组织在一起，并提供部分自动提取的信息，适合进入陌生主题时快速画出研究轮廓。
我的用法是先用较宽关键词寻找综述和代表论文，再查看引用与参考文献，最后把准确题名放进站内的 Google Scholar 交叉搜索不同版本。两个入口覆盖与排序不同，组合使用比依赖一个数据库更不容易漏掉关键资料。
从一篇种子论文向外扩展
- 核对作者、年份、会议或期刊，确认不是同名论文；
- 查看参考文献，理解它继承了哪些方法；
- 查看后续引用，寻找复现、改进和反对证据。
相关论文推荐适合发现关键词没有覆盖的术语，但算法相似不代表研究质量相同。先读摘要和方法，再决定是否下载全文；不要因为卡片显示“高影响”或引用多，就跳过研究设计与数据来源。
AI 摘要只能用于筛选，不能代替原文
自动生成或提取的要点可能忽略限定条件、样本范围和作者的不确定表述。需要引用时必须回到论文正文和正式出版信息，确认原句位置。研究结论若涉及医疗、法律或政策，更不能只依据搜索页上的一句摘要。
部分全文链接取决于开放获取和出版社权限。找不到 PDF 时，可搜索 DOI、作者主页或机构仓储，不应从来历不明的镜像下载。
系统综述需要更完整的方法
Semantic Scholar 很适合日常发现和探索，但正式系统综述需要记录数据库、检索式、时间范围、去重和筛选标准，并覆盖学科专业数据库。把它用于建立术语表和种子文献，然后按研究方案扩展，会比把首页结果直接当作完整证据库更可靠。
