我读研那会儿第一次在知网查文献就把AND、OR、NOT当成摆设直接往检索框里敲一整句话结果出来的文献牛头不对马嘴。后来被导师点醒才明白文献检索不是聊天数据库不认自然语言它只认你给它的关键词之间的逻辑关系而AND、OR、NOT就是描述这种关系的三个基本运算符。这篇内容就是写给刚开始做文献综述、写开题报告、或者正在为查不全文献发愁的人把这三个运算符掰开揉碎讲明白配合可以直接拿去用的检索式示例让你在知网、万方、Web of Science、PubMed这些平台上少走弯路。1. 为什么新手老是在第一步就翻车布尔逻辑到底解决了什么问题1.1 你以为的“检索”和数据库眼里的“检索”不是一回事人跟人对话时你说“我想找找人工智能在教育领域怎么用的”对方能听懂语境会帮你过滤掉无关信息。数据库没有这个能力它本质是一个匹配工具把你输入的字词跟论文里的标题、摘要、关键词、正文去做字符匹配。你输入一整句话“研究人工智能如何应用于教育领域”数据库不会理解“研究”“如何”“应用于”这些词只是修饰成分它可能会把“如何”也当成一个要匹配的词也可能把整句话切碎之后按自己的算法打分结果自然很乱。这一点在英文数据库尤其明显。比如你在Web of Science里输入“How does artificial intelligence affect education”系统会拆出how、does、artificial、intelligence等词有的词是禁用词会被自动忽略有的词会被当AND关系处理结果很可能是一堆噪音。所以在学术数据库里最可靠的做法是把你的需求翻译成一个由关键词和运算符组成的检索式让它去做精准匹配。1.2 查全率与查准率两个互相打架的指标做文献检索的人都会提到两个指标查全率和查准率。查全率指你检出的相关文献占所有相关文献的比例查准率指你检出的文献中真正相关的比例。新手不需要背定义但必须理解它们的关系当你想把相关的文献都捞出来就得多用OR去扩词结果是杂音变多查准率下降当你想让结果很精准就得多用AND去限制结果可能误伤一批同义表达查全率下降。这就好比筛黄豆你想把带虫眼的挑出去查准率和你想把饱满的豆子全部装袋查全率用的筛子粗细完全不同。文献检索里没有一种检索式能同时做到既全又准关键是看你的目标是什么。比如你写开题报告需要全面了解一个领域此时查全率更重要宁可结果多几百条自己花时间筛选比如你做系统综述已经明确要回答某个具体问题此时查准率更重要检索式要尽量收窄。1.3 AND/OR/NOT就是给你的需求画边界理解了上面这些你就会发现AND、OR、NOT不是“高级功能”而是你在需求尚不明确时唯一能精确表达边界的方式。AND用来加约束OR用来扩展表达NOT用来划掉噪音。把它们组合起来一个检索式就能变成一句严谨的“话术”。这种能力越到后来越重要。我刚读研那会儿也以为检索式就是多打几个词直到我帮导师做综述面对三四千篇候选文献时才发现真正花时间的不是读文献而是把一个研究问题翻译成一套稳定的检索策略让搜索结果尽可能贴近“你真正想要的那片区域”。这个翻译过程靠的就是布尔逻辑。2. 三个运算符的语义拆解分别什么时候用怎么组合2.1 AND交集用来收窄范围AND的语义是两个词或两组词必须同时出现在文献里。比如“人工智能 AND 教育”最后返回的文献既要出现人工智能也要出现教育。它的作用是收窄范围让你的结果更加聚焦。生活化的类比就是集合里的交集喜欢唱歌的人和喜欢做饭的人两者的交集才是既喜欢唱歌又喜欢做饭的人。AND使用得越多你的结果就越少但越靠近核心需求。这里我要提醒一个新手特别容易犯的错一上来就把题目里的所有词用AND连起来比如“人工智能 AND 教育 AND 高校 AND 教学模式”结果往往只有几十条甚至几条。这时候不一定是文献少而是你把条件卡得太死了。因为有大量文章可能不写“高校”只写“课堂”“学校”或者不写“教学模式”只写“教学”。检索式不是把题目里的所有词照搬而是选出核心概念再决定每个概念怎么用词。2.2 OR并集用来合并同义词OR的语义是文献只要包含其中任意一个词就放进来。它的作用是扩展范围解决同义词、缩写、中英文表达不一致的问题。比如“人工智能 OR AI”要求文献出现“人工智能”或“AI”都算命中。再比如“在线教育 OR 网络教育 OR 远程教育”三个是同一个概念的不同说法在中文文献里有的作者用这个词、有的用那个词甚至有翻译差异。你用AND连接它们就会把大量本应纳入的文献排除在外用OR连接它们才能把这个概念的外沿都捞进来。规律就是一句话同一个概念之下的多个表达方式用OR不同概念之间用AND。这是新手最应该记住的原则。类比来说OR像是扩大渔网的面积把同类的鱼都网进来AND像是加过滤网孔把不够格的挡在外面。2.3 NOT差集用来排除干扰项NOT的语义是排除包含某个词的文献。比如“抑郁症 NOT 药物”如果某篇文献讨论的是药物治疗抑郁症它会被直接排除。它的作用是切除你不想要的方向或者当你检索结果里混着大量明显无关类别的文献时用它快速切走。但我要特别提醒NOT是一把双刃剑容易误伤。因为它是按字符匹配的它不知道“抑郁”和“药物”出现在同一篇文献里时是并列还是排斥。比如一篇文章叫“抑郁症的药物与非药物治疗比较”你排除了“药物”这篇就丢了可它恰恰可能是你需要的比较研究。所以新手尽量少用NOT或者只在结果数量很大、无关类别非常明显时才使用。一个相对安全的使用场景是你想做“抑郁的非药物治疗研究”结果里铺天盖地都是药物试验这时加上NOT可以把大部分噪音切掉。即便如此也要清楚知道你会丢掉一批同时讨论药物与非药物比较的文献后面可以通过手动筛选或跑第二个检索式补回来。2.4 优先级与括号先算哪一步很关键当检索式里同时出现AND、OR、NOT时数据库会按默认优先级计算常见顺序是NOT AND OR但这个顺序跟自然语言的直觉并不一致所以强烈建议用括号把逻辑关系显式地框出来。典型例子“人工智能 AND 教育 OR 机器人”。按默认优先级理解它会被解释成“(人工智能 AND 教育) OR 机器人”意思是“包含人工智能和教育或者包含机器人的文献”。但如果你的本意是“人工智能或机器学习并且和教育相关”就必须写成“(人工智能 OR 机器学习) AND 教育”这样语义才准确。所以每个概念组都加括号是预防低级错误最好的习惯。不管数据库默认优先级是什么加了括号就一定按你的意图走。我见过太多人因为少了一个括号检索结果完全跑偏自己还在那跟数据库较劲。三个运算符这么用可以整理成一张速查表运算符语义作用典型场景AND交集必须同时出现收窄范围多个概念同时限定OR并集任意一个出现即可扩大范围合并同义词、缩写、不同表达NOT差集排除包含词的文献切除干扰排除你不关心的方向慎用3. 拿过来就能用的检索式示例从简单需求到复杂需求3.1 一个概念的简单需求人工智能在教育中的应用以知网为例如果你用专业检索可以写(人工智能 OR AI) AND 教育这个检索式的意思是文献里要出现“人工智能”或“AI”同时必须出现“教育”。为什么要给“人工智能”配OR呢因为中文文献有的用全称“人工智能”有的直接用缩写“AI”你只写“人工智能”会漏掉一大批写AI的文献。这就是同义词合并的价值。如果用万方或者Web of Science写法逻辑一样。英文可以写成(artificial intelligence OR AI) AND education其中artificial intelligence加了引号代表把它当成一个短语精确匹配避免被拆成 artificial 和 intelligence 两个词。这个技巧先记住后面第5章再展开。3.2 多概念组合需求短视频对青少年心理健康的影响这个题目至少有三个核心概念短视频、青少年、心理健康。每个概念都可能有多种表达。中文检索式可以这样写(短视频 OR 抖音 OR 快手) AND (青少年 OR 未成年人 OR 学生) AND (心理健康 OR 心理问题 OR 抑郁 OR 焦虑)分段解释短视频是该领域的高频词但很多研究直接以具体平台为例比如抖音、快手如果你只写“短视频”就漏掉这些平台研究。不过要注意是否加入平台名取决于你的研究范围如果你只关心泛化的短视频研究加平台词反而会引入噪音。青少年在不同文献里可能写作“未成年人”“中学生”“大学生”等全部列入OR分支。心理健康相关词同理可以是“心理健康”“心理问题”“抑郁”“焦虑”。这种检索式出来之后初筛数量可能在几百到几千不等然后你可以再加限定条件比如发表年限、文献类型、核心期刊。3.3 带排除条件的需求电动汽车电池回收不含铅酸电池假设你研究的是动力电池回收并且完全不关心铅酸电池方向可以写成(电动汽车 OR 新能源汽车) AND (电池 OR 动力电池) AND (回收 OR 梯次利用) NOT 铅酸在这里“回收”和“梯次利用”是高度相关的两个动作用OR合并“电动汽车”“新能源汽车”用OR合并因为两者表达经常混用最后用NOT排除“铅酸”把铅酸电池的回收文献剔除。但这个案例也要再提醒一次NOT的副作用“新能源汽车”相关文献很可能同时提到铅酸电池作为背景或对比你用NOT会把这些文献一并排掉。所以我更推荐在“结果太宽”时用NOT如果文献量不大宁可手动筛也别用NOT。写检索式时要对“NOT会误伤什么”有预判。3.4 英文短语需求机器学习与医学诊断进入英文数据库核心难点是短语加引号和同义词合并。一个典型检索式(machine learning OR deep learning OR AI) AND (medical diagnosis OR diagnosis) AND (clinical decision support OR CDSS)注意 CDSS 是 Clinical Decision Support System 的缩写很多文献用缩写当作关键词所以要放进OR分支。英文检索里容易犯的错主要是不区分大小写、不严格用引号。有些数据库把 and 当成普通单词后检索结果会混入大量无关内容非常难清理。4. 不同数据库的语法差异同样一个检索式换个库就废了4.1 基础知识基本检索框和高级检索框的区别很多新手打开知网或Web of Science直接在最上面的检索框里敲一个检索式也不选字段。这样默认在“主题”还是“全文”字段不同库不一样。全文检索口径最大主题检索相对精准。推荐的做法是使用高级检索界面。在高级检索里你可以选择每个条件对应的字段主题、标题、关键词、摘要并把“与”“或”“非”的逻辑关系显式点出来。对新手来说界面上点选“与”“或”“非”比手写检索式更不容易出错。等你在高级检索界面点熟了再尝试专业检索手写带括号的检索式会快很多。4.2 中文数据库的写法差异知网、万方、维普知网的新版检索界面比较友好高级检索会直接给出逻辑关系选择器但如果你用专业检索语法是*代表AND代表OR-代表NOT比如(人工智能AI)*教育意思是先算括号内“人工智能或AI”再与“教育”做AND。这个写法在知网专业检索里能直接用。如果你是旧版界面可能还支持(人工智能 OR AI) AND 教育这类英文运算符但不同时期改过多次建议以数据库页面的语法提示为准。万方数据库的专业检索相对宽松支持(人工智能 OR AI) AND 教育这种写法。维普的语法跟知网接近也是*、、-这套符号体系。这里有一个很实用的小技巧在任何一个数据库准备写专业检索式之前先到“帮助/检索说明/语法帮助”页面扫一眼确认这个库到底认AND OR NOT还是认* -。别凭经验直接套尤其别把知网的写法原样搬去万方翻车的人太多了。4.3 英文数据库的写法差异Web of Science、PubMed、ScopusWeb of Science 最常用的写法是TS(artificial intelligence OR AI) AND TS(education)TS 代表 Topic主题涵盖标题、摘要和关键词。这里的AND、OR、NOT必须大写小写的 and 会被系统当成普通检索词处理。PubMed 的检索比较特别它不强制要求字段标签直接写(artificial intelligence OR AI) AND education也能跑而且它自带一个自动匹配机制会在库里帮你扩展同义词。但如果你做系统综述建议使用字段标识把检索锁定到标题摘要上例如((artificial intelligence[tiab] OR AI[tiab]) AND (education[tiab] OR teaching[tiab]))Scopus 的语法非常严格常用TITLE-ABS-KEY把检索限制在标题、摘要、关键词范围写法是TITLE-ABS-KEY((artificial intelligence OR AI) AND education)可以看到英文库几乎都要求运算符大写、短语加引号这是通用的硬规则。我把这些差异整理成一张表方便你换库的时候对照数据库运算符写法短语匹配新手建议知网* -一般不支持英文引号短语用高级检索界面点选更稳万方AND / OR / NOT支持英文引号直接在高级检索框输入Web of ScienceAND / OR / NOT必须大写双引号记住用TS字段限制PubMedAND / OR / NOT双引号[tiab]限字段不用写字段也能跑但要限tiabScopusAND / OR / NOT必须大写双引号用TITLE-ABS-KEY包裹Google Scholar空格ANDOR大写减号排除双引号只适合粗查别做正式检索4.4 Google Scholar的特殊规则空格、引号、减号Google Scholar 和正统学术数据库的语法差别真的很大。它不支持严格的布尔逻辑表达式而且排序算法会“原谅”你的输入偏差。几个关键点空格默认是AND比如输入machine learning diagnosis它默认要求三个词都出现但可能智能调整匹配。不能用NOT但可以用减号-表示排除比如youth mental health social media -tiktok表示要包含青少年心理健康与社交媒体相关文献但不包含tiktok。支持OR但必须大写例如artificial intelligence OR machine learning education。双引号是精确短语匹配建议所有专业术语都加引号比如medical imaging。所以我在帮人调检索时通常会告诉他们Google Scholar适合做初步探索用来找关键词、了解文献分布真正到系统综述或者需要稳定可复现结果的时候一定要回到支持标准布尔运算的数据库里做正式检索。5. 新手最常踩的坑出现问题时先检查这几个地方5.1 把整句自然语言粘进检索框这是我帮人改检索式时遇到最多的一个问题。很多人以为把研究问题原封不动输进去就能得到答案结果检索式变成“人工智能在高校课堂中的应用效果研究”一堆助词和偏正结构被数据库拆分匹配出来的结果五花八门。正确做法是把这句话里的核心名词抽出来人工智能、高校课堂、应用效果然后用AND/OR连接。如果这个概念还有别的常见说法也要放进OR分支。核心是把自然语言“翻译”成关键词组合而不是把原句喂给数据库。遇到“影响”“分析”“研究”这类词基本都可以扔掉它们对检索没有帮助。5.2 同义词没合并漏检严重而不自知漏检比误检更可怕因为它让你误以为自己查全了实际却丢了很多核心文献。新手最常见的漏检原因就是只用了自己最熟悉的一个词比如只写“人工智能”漏掉“AI”只写“智能手机”漏掉“移动终端”只写“UK”漏掉“United Kingdom”或“Britain”。解决方法就是给每个核心概念配一个同义词/近义词池用OR合并。不是所有同义词第一次就能配全往往要通过试检索后在结果标题、摘要里发现新的高频词再回头补充到检索式里。这也是为什么老手写出来的检索式看起来很长其实每一组词都不是多余的。5.3 NOT一刀切把关键文献一起排掉我在前面提醒过好几次这里再强调NOT的排除是字符级别的它会毫无判断力地删掉所有包含该词的文献。比如你做“人工智能与教育”的研究想排除“编程教育”方向的文献写了人工智能 AND 教育 NOT 编程结果一篇讨论“编程教育中的人工智能素养培养”的文献被删掉了但这篇恰恰可能是你需要的。更极端的例子是排除“小鼠实验”会导致同时讨论小鼠和人的研究也被删掉。所以我的建议是只有当你确定某个词完全不属于你的研究范围并且该词在结果里大量出现导致噪音严重时才考虑用NOT否则宁可在人工筛选阶段再删除。5.4 大小写、引号、通配符的混淆英文数据库里AND、OR、NOT一律大写是行业共识照做最稳妥。引号的作用是精确短语匹配machine learning和machine learning在不少数据库里是两个完全不同的检索前者要求machine learning作为一个连续短语出现后者可能被拆成machine和learning两个独立词做AND匹配。前者查准率高后者查全率高。通配符方面*一般代表词干扩展比如therap*能匹配 therapy、therapies、therapeutic?代表一个字符。但不是所有库都支持用之前看帮助文档。要注意通配符在提高查全率的同时也可能引入一堆无关词形比如manage*会带出 management、manager、managed需要根据你研究的术语特点决定是否使用。6. 一次完整的实战把题目拆成能跑的检索式6.1 概念拆解与选词现在用完整的流程走一遍。假设研究问题是“人工智能辅助医学影像检查对早期肺癌筛查的作用”。第一步把这句话拆成独立的概念。所谓概念就是一句话里不可再省略的核心名词人工智能、医学影像、肺癌、筛查。然后为每个概念收集同义词和常见表达人工智能人工智能、AI、机器学习、深度学习、卷积神经网络医学影像医学影像、影像诊断、CT、影像组学、医学图像肺癌肺癌、肺结节、肺部肿瘤筛查筛查、早期诊断、检出、早筛这一步非常关键宁可多列几个词也别一开始就漏词。6.2 构建中文检索式根据上面的概念表和“同一概念用OR、不同概念用AND”的规则中文检索式可以写成(人工智能 OR AI OR 机器学习 OR 深度学习) AND (医学影像 OR 影像诊断 OR CT OR 影像组学) AND (肺癌 OR 肺结节 OR 肺部肿瘤) AND (筛查 OR 早期诊断 OR 检出)这个检索式在知网、万方里都可以用。你会看到它比题目本身要“啰嗦”得多但这就是它的价值把这四个概念的所有常用表达都放进搜索范围尽量不放过任何一种说法。如果在知网专业检索界面需要把逻辑运算符换成符号体系(人工智能AI机器学习深度学习)*(医学影像影像诊断CT影像组学)*(肺癌肺结节肺部肿瘤)*(筛查早期诊断检出)6.3 构建英文检索式对应英文检索式(artificial intelligence OR AI OR machine learning OR deep learning) AND (medical imaging OR imaging diagnosis OR CT OR radiomics) AND (lung cancer OR pulmonary nodule OR lung tumor) AND (screening OR early diagnosis OR detection)注意几个点短语如artificial intelligence加了引号避免被数据库拆词缩写AI单独列出因为很多文献直接用缩写不用全称CT没有加引号因为两个字母的缩写加引号在部分库里反而会匹配困难可以直接裸写。6.4 根据命中数量判断下一步怎么调写完后先在数据库里跑一遍观察命中数量。这个数量会告诉你检索式是否合理如果命中数量在几十到几百之间而且你查看前几十条标题后发现大多相关这个检索式基本可用。如果命中数量为个位数多半是某个概念下的词选得太窄或者AND关系太多需要从同义词池里再补词。如果命中数量超过一万说明某些概念太宽泛或者检索字段选成了全文。此时可以加限定词、加引号或者把字段从“全文”改成“主题/关键词”。我自己常用的调整顺序是先看数量太高就加限制太低就加同义词然后在结果里随便点开三到五篇最相关的文献看它们的标题、摘要和关键词里有没有你漏掉的表述再回到检索式里补充。这个迭代过程快的话十五分钟就能完成比漫无目的地翻结果强得多。6.5 养成记录检索日志的习惯我强烈建议你从第一次做正式检索开始就维护一个简单的记录包含检索日期、数据库名称、检索式、命中数量、备注。不要小看这个习惯写综述或者论文时你需要能够复现自己的全部检索过程而如果没有记录一周后再回头看你大概率想不起当时用的是哪版检索式。记录格式不用复杂一个表格就够了。比如日期数据库检索式命中数备注2025-07-XX知网专业检索(人工智能AI)*(教育)326范围偏宽后续加高校/课堂过滤2025-07-XXWeb of ScienceTS(...)87加入引号短语后噪音明显下降这个记录在文献综述章节里非常重要因为审稿人和导师经常会问你是用什么检索式找到这些文献的到时候你把这套东西整理出来什么问题都答得上。7. 我最后想分享的两个小习惯7.1 写完检索式拆成几行再读一遍第一个习惯写完任何检索式先分段读一遍。把一个复杂检索式拆成几行每一行只放一个概念用括号包好然后再用AND或对应的运算符串起来。这样即使隔了几天再回来看你也能一眼看懂这个检索式在表达什么而不是面对一堆符号发懵。别说新手我自己以前写复杂检索式时也有过一次括号放错位置、结果全变了的经历。从那以后我再也不写“一坨式”的检索式每行一个概念加注释哪怕当时多花三十秒后面筛选文献时省下的时间绝对值得。7.2 先用最近一年的文献试跑第二个习惯在正式记录检索式之前先跑一个小范围测试只检索最近一年的文献看看前20条结果是否真的切题。如果近一年的文献都不切题那这个检索式基本是废的趁早改比拿回来改半天还快。这个小动作花不了三分钟但能帮你省下大量筛选无效结果的时间。文献检索这回事看着简单实际上是个经验活。我到现在帮学生改检索式时还是会在同一个问题上反复翻车——漏一个同义词、多一个NOT、忘了一对引号都会让结果面目全非。别怕犯错多跑几次多记日志慢慢你就能在自己领域里写出一套稳定的检索策略了。