החוקר הדיגיטלי: Literature Review וכתיבה אקדמית עם AI
מסלול עבודה מלא של מחקר אקדמי עם AI - מ-PubMed search ועד manuscript: screening, extraction, drafting, ICMJE disclosure

שלב 1 - רחב. דוגמה ל-query:

'((dupilumab[Title/Abstract] OR "anti IL-4"[Title/Abstract] OR "IL-4 receptor inhibitor"[Title/Abstract]) AND ("bullous pemphigoid"[MeSH Major Topic] OR "BP"[Title/Abstract]))'

תוצאה: 200 records

שלב 2 - filtering: הוספת '("2020"[PDat] : "2026"[PDat]) AND english[Language] AND humans[MeSH]'. תוצאה: 80 records

שלב 3 - publication types: הוספת '("randomized controlled trial"[Publication Type] OR "meta-analysis"[Publication Type])'. תוצאה: 25 records

PRISMA flow:

•Identified: 200 records

•After duplicates removed: 180

•After title/abstract screening: 100

•After full text screening: 25

•Eligible: 25, Included: 20

Reasons for exclusion:

•Not English: 10

•Not relevant: 40

•Not RCT/SR (Systematic Review): 105

תיעוד: PRISMA flow diagram + table of search strategy. חובה לפרסום SR.

PubMed Best Match (פותח 2018, הושק 2019): ML algorithm שאומן על מיליארדי clicks של משתמשים ב-PubMed

האסטרטגיה: queries דומים -> אנשים הקליקו על paper X -> X relevant to similar queries

השוואה: Most Recent - מסדר לפי תאריך, גרוע כשמחפשים classic papers. Best Match - מסדר לפי relevance + citation count + date. ברירת המחדל ב-PubMed מ-2019

ניסיון: search 'psoriasis biologics'. Most Recent: papers from 2024-2025 only, miss seminal papers. Best Match: top 20 includes RCT defining trials (Adesa, EXTEND) from 2010-2020

מתי Most Recent עדיף: עדכון על נושא ידוע. 'מה החדש ב-X?'

המלצה: Best Match כברירת מחדל, Most Recent ל-recency-focused queries

MyNCBI (חשבון חינמי של NLM): שמור searches ו-collections של papers. תכונה מרכזית: alerts

הזרימה: הקם search query מורכב. 'Create Alert' - הגדר תדירות (daily, weekly, monthly). פורמט: email עם links ל-papers חדשים שתואמים ל-query

דוגמה: alert על 'dupilumab AND psoriasis - 2024-2025'. כל שבוע, email עם 0-5 papers חדשים. אם יש - 5 דקות לסקור ולהחליט אם רלוונטי

רעיון מתקדם: 3-5 alerts על תחומים ספציפיים שמתעדכנים בהם. דוגמאות:

•psoriasis biologics

•BP treatment

•AI dermatology

•Mohs surgery margins

•Skin cancer AI

5 alerts בשבוע = 30-60 דקות update time במקום שעה+

8 שלבים:

•שלב 1: Export RIS מ-PubMed/Scopus/etc

•שלב 2: Install ASReview Lab (Python pip, או Docker). פתח ב-localhost:5000

•שלב 3: Create new project. Upload RIS file

•שלב 4: Setup - בחר model (default: Naive Bayes או Logistic Regression). 5 papers seed מסומנים relevant + 5 irrelevant

•שלב 5: Start screening. כל abstract מוצג, סמן relevant/irrelevant. המודל מתעדכן ברקע

•שלב 6: ה-prediction score של מה שלא קרוב יורד. כשה-confidence מצביע על כך שלא תמצא יותר - עצור. בדרך כלל לאחר 20-30% מה-abstracts

•שלב 7: Export of relevant papers (RIS)

•שלב 8: Continue with full-text review

תועלת: 1,000 abstracts ב-2-3 שעות במקום 12. validation: ASReview validation study הראה 95-100% recall ב-most cases

Caveats: AI אינו מושלם, יש 0-5% false negatives. למחקר high-stakes (Cochrane SR), reviewer שני אנושי ידני על subset (כדי לוודא שלא הוחמץ דבר)

Rayyan (free tier מספיק לרוב SR). פיצ'רים:

•Upload RIS, deduplication אוטומטית

•Multi-reviewer support - הזמן קולגה. כל אחד סוקר עצמאית, blind

•Conflict detection - כש-2 reviewers חולקים, שלישי מכריע

•AI assistance - מסמן papers similar למה שכבר included

•Inclusion/exclusion criteria - הגדר לפני screening

•Tagging - הוסף tags אישיים

•Export - RIS, CSV, custom report

תהליך טיפוסי: Reviewer 1 ו-2 סוקרים independently. Disagreements עוברים ל-Reviewer 3 (PI). התוצאה: high-quality screening עם consistency

Pricing 2026: 2 individual plans (Essential ו-Advanced). Annual savings עד 40%. Premium features: auto-resolving duplicates, mobile app, PICO extraction

רוב SR אקדמיים משתמשים ב-Rayyan או Covidence. Rayyan עדיף ל-team workflow, Covidence עומד ב-Cochrane standards

ASReview, Rayyan, Covidence - כולם פותחו על תוכן אנגלי. Tokenization, ML models - אנגלית-centric

עברית? תיאורטית עובד אך לא נבדק לעומק. מאמרים בעברית (Harefuah, IMAJ): ASReview יעבוד אך פחות יעיל - המודל אינו מבין את הניואנס. Recall יכול לרדת ל-80% (מול 95%+ באנגלית)

עצה: לרוב SR בדרמטולוגיה - 99% מה-papers באנגלית. אם יש few Hebrew papers - hand-screen

למחקר שבו Hebrew papers הם chunk משמעותי:

•AI screening לאנגלית

•Manual screening לעברית

•Combined PRISMA flow

בעיה רחבה יותר: כלי AI כלליים פחות יעילים בעברית. RTL displays עובדים, ה-semantics סובלת. ב-2026 זה עדיין open issue

הקמה (30-60 דקות):

•שלב 1: ב-ChatGPT - Create Custom GPT, או ב-Claude.ai - Create Project

•שלב 2: System instructions: 'אתה medical research data extractor. למשתמש PDF של clinical trial. חלץ data ב-JSON עם schema הזה: paste schema. אם field לא ברור - unclear. אם missing - not reported. ציטוט page number לכל extraction'

•שלב 3: Knowledge base: upload 1-2 example papers extracted, להראות formatting הרצוי

•שלב 4: Conversation starters: 'Upload your RCT PDF and I'll extract structured data'

•שלב 5: בדוק על 3 papers ידועים - ודא דיוק. אם 90%+ accuracy - מוכן

שימוש שוטף: drag-drop PDF, מקבל JSON תוך 30 שניות. validate edge cases. paste ל-spreadsheet

ROI: 30-60 דקות הקמה -> 5-10 שעות חיסכון per project

שגיאות שכיחות:

•Numbers in tables - AI לעיתים אינו קורא טבלאות נכון. דוגמה: PASI-75 = 71% in table, AI extracted as 75% (mistook column). הפתרון: validate numbers בטבלאות specifically

•Dates - 'Recruitment 2018-2021' - AI לעיתים אומר 2018 בלבד או 2021 בלבד

•Nuanced outcomes - 'Complete response' definition משתנה. במחקר 1: 'no visible disease'. במחקר 2: 'PASI 100'. AI לעיתים מתעלם מהגדרה

•Missing data - 'Not reported' vs '0' vs 'unclear' - AI לעיתים מבלבל

•Subgroups - 'Effect in elderly was 60%, total 75%' - AI נצמד ל-total

•Drug names variations - 'Adalimumab biosimilar' vs 'Adalimumab' - לעיתים מאוחדים יחד

להדגיש: בכל validation, התרכז ב-numerical accuracy + outcomes definitions

5 שלבים אוטומטיים:

•שלב 1: PDFs בתיקייה (לאחר screening). 50-200 PDFs

•שלב 2: Custom GPT/Claude Project setup as above

•שלב 3: Manual workflow: drag-drop כל PDF, אסוף JSON. אופציה אוטומטית: Python script ב-LangChain (framework לבניית AI workflows ב-Python) שקורא PDF, sends to API, אוסף JSON

•שלב 4: Concatenate JSONs לטבלה אחת. ב-Excel: paste JSONs, parse עם Power Query. ב-Python: pandas

•שלב 5: Validation - בדוק 10% randomly. אם accuracy 90%+ - good. אם נמוך - re-prompt או manual

התוצאה: spreadsheet עם 50-200 rows, 20-30 columns, מוכן ל-analysis

ROI: 100 papers extraction. Manual: 60 שעות. AI workflow: 10 שעות (3 setup, 5 extraction, 2 validation). חיסכון 50 שעות

כלים:

•ChatGPT Plus + Excel = sufficient for most

•למתקדמים: Python + LangChain + pandas + Pydantic/zod/Instructor (libraries לאימות schema של JSON)

•למחקר commercial: DistillerSR-AI (בתשלום)

שאל ב-NotebookLM לאחר שהעלית כל ה-included papers, 5 שאלות:

•'What are the main themes/findings across these studies?' - מקבל overview thematic

•'Where do studies agree, and where do they disagree? Cite specifically' - מזהה consensus + controversy

•'What are the methodological strengths and limitations of these studies as a body of evidence?' - critical assessment

•'What populations are well-represented and what are underrepresented?' - זיהוי gaps

•'What are open research questions or future directions suggested by this evidence?' - research agenda

כל answer מקבל ציטוטים

כעת human work:

•Read top 5 papers in depth

•Compare AI synthesis to your reading

•Add critical insights AI missed

•Re-prompt AI with specific questions ('What about subgroup X?')

התוצאה: synthesis-draft עם human voice + AI breadth

AI יכול לזהות:

•Funding bias - 'supported by Pfizer' שכתוב ב-paper

•Conflict of interest - declared COI

•Sample size limitations - 'n=15' בקטן

•Selection bias שעולה ב-text - 'convenience sample'

•Reporting bias - 'primary outcome not reported'

AI אינו מזהה:

•Subtle methodological flaws - randomization quality, blinding adequacy

•Statistical issues - data dredging, multiple comparisons ללא adjustment

•Author conflicts שלא הוצהרו

•Publication bias - אינו רואה את ה-unpublished papers

•Spin - טוויסט חיובי ב-titles/abstracts כשה-data אינו תומך

דוגמה: paper ש-primary endpoint missed אך abstract אומר 'promising results'

RoB-2 Cochrane tool הוא הסטנדרט ל-bias assessment. AI יכול לסייע ב-domains 1-3 אך לא בכל ה-domains

מחקרי validation ב-2024-2025: GPT-4 הגיע ל-RoB-2 accuracy של כ-60-75% מול expert humans - sufficient כעזר, לא כתחליף. Manual remains gold standard

התהליך:

•שלב 1 (AI - 30 דקות): NotebookLM draft של סעיף discussion על themes

•שלב 2 (אדם - 60 דקות): קריאה ותיקונים

•שלב 3 (AI - 15 דקות): polish (Claude Opus 4.7 או GPT-5.5)

•שלב 4 (אדם - 30 דקות): final read

תיקונים בשלב 2:

•הוסף clinical insight שלא נמצא ב-papers

•חבר ל-broader knowledge

•הסר generic sentences ('further research needed')

•הוסף specific quantitative comparisons

•הסר irrelevant points

Prompt לשלב 3: 'Polish this discussion - improve flow, fix grammar, ensure consistency in terminology. Don't add new content'

שלב 4: fact-check numbers. validate citations. סגנון personal

ROI: 2-3 שעות לעומת 10+ ידני. איכות: לעיתים טובה יותר מ-pure manual (AI catches gaps שאדם מפספס)

אזהרה: disclosure - אם השתמשת ב-AI ב-drafting, רוב ה-journals דורשים disclosure. לפי ICMJE (עדכון ינואר 2026, Section V חדש): 'authors who use AI-assisted technologies should describe in both the cover letter and the submitted work how they used it'

Grammarly: כללי. טוב ל-day-to-day writing (emails, drafts). חוזק: speed, ubiquity, ב-Browser/Word/Outlook. חולשה: אינו specialized. תיקון: 'patient' שגוי לעיתים, terminology רפואית אינה מובנת. Premium: כ-30 דולר לחודש

Trinka: academic-focused. תיקון: tone, terminology medical, US/UK. journal styles. consistency in references. כולל plagiarism checker. UI: less polished from Grammarly. ב-2026: החל מ-$6.67/חודש (annual) לתוכנית בסיסית, עד ~$20/חודש למלא. הטוב ביותר למאמר

Paperpal: similar to Trinka. פותח ב-Cactus Communications. plagiarism, grammar, journal styles, similarity check. ב-2026 Prime: $25 לחודש, $55 לרבעון, או $139 לשנה. UI נחמד

כל ה-3: Word add-in, Web app, Browser extension

בחירה: ל-day-to-day writing - Grammarly. למאמר אקדמי - Trinka או Paperpal. ל-power user שאינו רוצה לשלם על כלי ייעודי - Claude Pro או ChatGPT Plus (כ-20 דולר לחודש) יותר flexible

Editing prompt template: 'אתה medical journal editor. ערוך את הפסקה הבאה לפרסום ב-JAAD. כללים: Active voice preferred. Past tense ל-methods, present tense ל-results. AMA citation style. Hedging מקצועי כשהראיות לא חד-משמעיות. הימנע מ-jargon ו-redundancy. Don't change numbers, dates, citations, drug names. הצג את הגרסה המתוקנת + רשימת השינויים שביצעת. Paragraph: paste'

התוצאה: גרסה מתוקנת + explanation. אפשר ל-iterate

עוד prompts useful: 'Rephrase this paragraph for better flow without changing meaning'. 'Identify any grammatical errors or awkward phrasings'. 'Check tone - is it appropriate for academic medical writing?'. 'Compare two versions and tell me which is better'

יתרון על Grammarly/Trinka: יותר flexible, מתחשב ב-whole-paragraph context, יודע medical terminology אם prompted

חיסרון: צריך לזכור prompts. הפתרון: prompt library שמור

6 קטגוריות:

•Tense inconsistency: 'We performed the study and find...' -> 'We performed the study and found...'. Methods past, Results past, Discussion present

•Active vs passive: 'The study was conducted by us' -> 'We conducted the study'. מודרני: active

•Hedging level: 'Drug X cures' (over-claim) -> 'Drug X showed efficacy in...'. AI catches over-claims

•Wordiness: 'in order to ensure that' -> 'to ensure'

•Specific numbers: 'approximately 25' -> '25 (95% CI 23-27)'. כתיבה אקדמית דורשת precision

•Anglicized Hebrew: writing in English under Hebrew thinking. דוגמה: 'the patient that was treated' -> 'the patient who was treated'

ההבדל: ה-3 הראשונים grammar/style - AI catches. ה-3 האחרונים content/precision - דורשים אדם בנוסף ל-AI

3 templates לפי מידת השימוש:

Template 1 (Light use - grammar editing):

'The authors used Grammarly Premium and Trinka AI for language polishing of the manuscript. No AI tools were used for content generation, data analysis, or interpretation. The authors are solely responsible for the integrity of the work'

Template 2 (Moderate use - literature, drafting):

'The authors used the following AI tools in this work: NotebookLM (Google) for literature synthesis assistance. Claude Opus 4.7 (Anthropic, released April 2026) for first-draft generation of the discussion section. GPT-5.5 (OpenAI) for grammar editing. All AI-generated content was reviewed, fact-checked against primary sources, and substantially edited by the authors'

Template 3 (Heavy use - SR/extraction):

'The systematic review process incorporated AI assistance: ASReview Lab for screening (95%+ recall validated). Claude Opus 4.7 for data extraction (90% accuracy, 100% manually validated). GPT-5.5 for narrative synthesis assistance. All AI outputs were validated by N reviewers independently. PRISMA-AI flow diagram is provided as Supplementary Figure X'

הגישה:

•Be specific

•Be honest

•Be accountable

כלי detection:

•GPTZero - founded Jan 2023 על ידי Edward Tian (Princeton student). גרסה חינמית. אלגוריתם: perplexity (מדד לחיזוי - טקסט אנושי vs AI) + burstiness (מדד לסדר במשפטים - אנושי = יותר variance). 2026 claims: 95.7% detection, ~1% false positive על polished text. בפועל: 88-95% accuracy על raw AI text, נופל ל-60-80% על paraphrased/edited

•Originality.ai - commercial. 2026: ~95% accuracy בbenchmarks, גבוה false positive על academic writing

•Turnitin AI Detection (2023) - integrated ב-Turnitin. ב-2026 הקפדני ביותר ב-tests. Suppresses scores מתחת ל-20%

False positives: עולה על non-native English speakers (Liang 2023, Patterns). מחקרים נוספים מצאו false positive rates של 25-30% על TOEFL essays של non-native writers. 1-2% על polished native text - גבוה יותר על academic style formal

False negatives: מודלים חדשים (GPT-5.5, Claude Opus 4.7) פחות AI-sounding. ב-2026 tests, accuracy hovers 88-95% על raw AI text אך נופל ל-60-80% על heavily paraphrased או edited content

הבעיה הבסיסית: ככל שהמודלים משתפרים, הם דומים יותר לאדם. Detection הופכת חסרת תועלת

מסקנת academia ב-2025-2026: לא לסמוך על detection. במקום: trust + disclosure. אם מחבר מצהיר על שימוש ב-AI - accept. אם לא - assume good faith. נתפס ב-fabrication - retract

אין הולכים לכיוון של AI testing כמו anti-doping. בישראל: same approach

Fully acceptable:

•Grammar/typo correction (Grammarly)

•Literature search assistance (PubMed Best Match)

•Citation formatting (Zotero)

•Idea brainstorming

•Structure/outline generation

Acceptable with disclosure:

•Drafting first version of paragraphs (heavily edited after)

•Data extraction (validated)

•Synthesis assistance (NotebookLM)

•Translation (with validation)

Borderline (must disclose, careful):

•AI generates major sections without major editing

•AI does statistical analysis (need to validate code)

•AI selects studies for inclusion (without human override)

Unacceptable:

•AI fabricates data

•AI generates entire manuscript without disclosure

•AI used for peer review without disclosure

•Citations from AI without verification

•Image generation that misleads

Red flags:

•'regenerate response' text left in

•Citations to non-existent papers

•Numbers don't match between sections

•Generic non-specific writing

•Submitting AI text as own

הקו המנחה: AI is tool that augments your work. AI is not a ghost writer

שבוע 1 - Setup:

•יום 1-2: Zotero + browser extension. הוסף 20 papers שברשותך על מנת להכיר את הכלי

•יום 3-4: NotebookLM. צור 2 notebooks על נושאי המחקר שלך. שאל 5 שאלות בכל אחד

•יום 5-7: הרשמה ל-Claude Pro או ChatGPT Plus. תרגל 5 prompts ל-academic writing

שבוע 2 - Search workflow:

•יום 8-10: PubMed advanced - MeSH, filters, alerts. הקם 3 alerts על הנושאים שלך

•יום 11-14: integration. מ-PubMed search ל-Zotero ול-NotebookLM. הרץ workflow על נושא חדש

שבוע 3 - Drafting:

•יום 15-18: כתוב section אחד של paper שלך עם AI assistance. NotebookLM ל-related work, Claude ל-drafting, Trinka ל-polishing

•יום 19-21: review. אילו prompts עבדו? אילו הספיקו? בנה prompt library

שבוע 4 - Optimization:

•יום 22-25: שיפור. הוסף Trinka או Paperpal ל-editor. נסה Claude Project עם 30 papers

•יום 26-28: review final

הסיכום: 28 שעות השקעה ומעל 100 שעות חיסכון בשנה

6 טעויות שכיחות:

•אבקש מ-AI לעשות הכל. טעות: AI הופך הכל ל-generic. תיקון: AI ל-mechanical, אדם ל-intellectual

•איני צריך ליצור disclosure - זה רק polish. טעות: ICMJE דורש disclosure גם ל-light use. תיקון: always disclose. better safe

•AI יודע יותר ממני - אסמוך עליו. טעות: AI hallucinates. תיקון: validate every fact, especially numbers and citations

•אעשה את כל ה-screening עם AI. טעות: AI אינו מבין clinical context fully. תיקון: AI screens 80%, human reviews edge cases

•אם זה ב-AI, זוהי הוכחה. טעות: AI מחזיר probable, לא correct. תיקון: AI is starting point, human verification is endpoint

•איני צריך לקרוא papers כי AI סיכם. טעות: AI summary מחמיץ ניואנס. תיקון: read top 5 key papers ב-depth, AI ל-broader context

המסקנה: AI is augmentation, not replacement. השמירה על critical thinking היא ה-essence

5 פעולות קונקרטיות:

•הירשם ל-NotebookLM (חינמי). הצעד הכי שווה. תוך שבועיים תרגיש את ההבדל ב-research speed

•הקם Zotero (חינמי) אם עדיין אין לך. browser extension + Word integration. כל מאמר שאתה קורא -> 1-click לאחסון

•הקצה שעה ביום למשך חודש לרכישת ה-stack. אל תנסה ללמוד הכל בבת אחת

•צור prompt library אישי. תיקייה ב-Notion/OneDrive עם 10 prompts השימושיים ביותר: literature query, drafting, polishing, DDx, extraction

•Disclosure תמיד. שמור template של disclosure statement מוכן. Simply add ל-acknowledgements של כל מאמר חדש שאתה כותב

בונוס: עקוב אחרי @AnthropicAI, @OpenAI, AI in research blogs ב-X. 10 דקות ביום של scrolling = updates על trends

קצב השינוי: ב-2026 כל 2-3 חודשים יש tool חדש או feature important. עדיף לדעת