前言
PRISMA简介
PRISMA全称是Preferred Reporting Items for Systematic Reviews and Meta-Analyses(系统综述与元分析的优先报告项目)。PRISMA是一套被国际广泛采用的报告规范与流程标准。该方法最初由Moher 等人于2009 年提出,并在2020 年进行了全面修订,以适应数字化学术数据库与跨学科研究的需要。
PRISMA强调研究者在进行系统综述时,应按照固定逻辑完成四个主要阶段:识别(Identification)、筛选(Screening)、资格评估(Eligibility)与纳入(Inclusion)。与传统综述(narrative review)不同,PRISMA 要求研究者明示每一步决策标准(例如纳入与排除条件、质量评估方法),并通过附录或表格公布完整的检索与筛选记录。这种规范化操作能够减少研究者主观偏差(selection bias),提升综述结果的可信度与学术再现性。目前,PRISMA已成为教育学、心理学、语言学、医学及社会科学领域系统综述研究的主流标准,尤其在高水平期刊(如Review of Educational Research, Teaching and Teacher Education, Computers & Education 等)中被广泛采纳。
此外,PRISMA 体系还衍生出多个辅助版本:PRISMA-ScR(用于范围综述,Scoping Review)、PRISMA-P(用于综述方案的设计阶段)、PRISMA-S(用于检索策略报告)等,为不同类型的文献整合研究提供方法支持。总体而言,PRISMA 的引入不仅规范了系统综述的技术路径,更推动了研究透明度与可重复性的国际化标准化进程(以上均有官方网站,大家可以通过向AI询问来获取更多网站信息)。
文献综述的四种主要类型
01
叙述性综述(Narrative Review)
叙述性综述的根本目标,是在充分把握既有研究的基础上,由作者提出有组织的解释性框架与价值判断,回答“这个领域究竟在讨论什么”、“哪些观点值得相信”、“我如何整合和推进话题”。材料来源可以是经典文献、代表性研究与关键争议,检索方式不必完全遵循PRISMA,但需要在文中交代检索逻辑(为何如此选取),以降低“随意挑文献”的质疑。结构上宜采用“问题提出—脉络回顾—争议与空白—综合与立场—展望”的五段论,语言上既要保持学术性,又要敢于提出立场(例如以“我们主张/本文认为/据此提出”明确作者贡献)。常见失误包括:仅做“流水账式罗列”、忽视相互矛盾的证据与负面结果、缺少“为什么重要”的理论提升。质量把关的关键是覆盖度(覆盖核心流派)与综合度(提出新框架或新命题)。在国际中文教育中,这一类型特别适合做“理论谱系与范式转向”的工作,例如系统讲清“教师身份研究从社会建构转向后结构主义、再到情感与能动性维度的扩展”。
02
系统综述(Systematic Review)
系统综述的目标是以可复制、可审计的程序,对某一明确问题的全部相关证据进行整合,从而产出尽可能无偏的结论。它强调方法论规范,遵循PRISMA 2020标准:明确研究问题、检索多个数据库,设定纳入/排除标准,双人或多人独立筛选与数据提取,进行偏倚风险评估,并给出定性综合或定量荟萃分析。结构上通常为“问题—方法—结果—讨论—结论”,其中“方法”部分必须细致到“他人可以复现你的检索与筛选”。语言上要克制夸张语气,尽量以证据强度说话。常见失误是将“主题性罗列”误充当系统综述,或忽略研究质量评估、敏感性分析、报告偏倚评估等关键环节。评审看重的质量标准包括:检索的透明性与完备性、纳入研究的质量控制、综合方法的适切性、结论与证据的一致性。
元分析(Meta-analysis)是一种在系统综述框架下进行的定量统计方法,其核心目的是将多个独立研究的结果进行综合与加权计算,从而获得一个总体的效应估计值。它基于这样一种理念:单个研究往往受样本规模、研究情境或方法差异的限制,难以提供稳定而普遍的结论,而通过系统地整合同一主题下的多项研究,可以在统计意义上增强结果的稳健性与解释力。元分析通常要求纳入的研究具有可比的量化数据,如平均差值(Mean Difference)、标准化均值差(SMD)、相关系数(r)、优势比(OR)等,并通过统计模型(如固定效应或随机效应模型)计算总体效应量,同时检验异质性(I²指标)与发表偏倚(如漏斗图、Egger检验),以评估结果的一致性与可信度。其典型成果包括森林图(forest plot)等可视化呈现形式,能直观反映各研究结果与总体效应的关系。
04
范围综述(Scoping Review)
范围综述旨在回答“这个领域总体上研究了什么”,重在描绘版图、界定边界、识别热点与空白,而非判断“效果大小”。它通常遵循Arksey & O’Malley流程与PRISMA-ScR:明确研究问题(往往更开放)、广泛检索多源材料(含灰色文献)、建立编码表对研究进行分类与制图(主题、方法、样本、地域、时间趋势),并辅以可视化工具(如CiteSpace/VOSviewer)呈现关键词共现、作者/机构合作网络与主题演进。结构上强调“范围—映射—提炼—建议”,语言上应客观描述而少做因果判断。常见失误是把范围综述写成“数据密集却没有逻辑编排”的堆砌,或越界下结论(如对干预有效性作因果判断)。质量标准侧重范围的系统性、分类口径的一致性与知识图谱的解释力度。范围综述适合梳理“研究生态”,例如“2000—2025年国际中文教育研究热点与演进:从教学法到教师身份、再到AI赋能”,据此提出未来议程(跨文化评估工具、本土化AI资源、低资源国家教师培训模式等)。
04
理论综述(Theoretical Review/Conceptual Review)
理论综述的核心是概念澄清与模型整合:追踪关键概念的历史(定义演变、适用边界、与近邻概念的区分),比较多种理论框架的解释力与可操作性,进而提出一个更具解释与生成能力的整合模型或新概念框架。材料上既要覆盖代表性理论文本,也要选取使用这些理论的实证研究,检验理论在真实情境中的表现。结构宜采用“概念辨析—模型对话—兼容性与边界—整合方案—检验路径—启示与议程”。常见失误是“只讲概念不落地”或“只做百科性罗列而缺乏整合”。质量判断看两个点:其一,是否解决了长期困扰领域的概念混乱;其二,是否提出可被实证检验的新命题/路径。在ICE中,可将TPACK、DigCompEdu与UNESCO AI能力框架与教师身份理论对话,提出“AI-TPACK-Identity”复合框架,并建议相应的测量工具与干预设计,为后续实证研究提供可检验的逻辑。
国际中文教育领域的系统性文献综述
目前,国际中文教育领域的文献综述研究仍以范围综述(scoping review)和理论综述(theoretical review)为主,系统综述(systematic review)的应用相较教育学、心理学等其他社会科学领域仍然较少。然而,随着近年来国际中文教育学科体系的不断完善,研究数量的快速增长以及研究主题的持续拓展,开展系统性文献综述的重要性正日益凸显。其主要原因包括以下五个方面:
第一,研究的分散性。国际中文教育的研究分布极为广泛,涵盖亚洲、欧洲、非洲及美洲等多个地区,不同研究主题往往在不同国家、机构、学习者群体或者是教师群体中独立展开,缺乏跨研究整合,导致成果呈现明显的区域性与碎片化。
第二,研究话语的多元性。国际中文教育作为跨文化、跨语言、跨学科的综合性领域,其研究话语体系存在显著差异。不同学者常以不同的概念框架或术语对相似主题进行阐释,研究结果难以形成可对比的知识积累。
第三,研究成果的丰富性。近年来,关于国际中文教师教育、教学模式、教材建设、数字化与AI赋能教学等方向的研究数量迅速增加,文献体量庞大,研究主题多样。这为进一步系统整合与证据提炼提供了丰富基础,也对系统综述提出了更高要求。
第四,研究方法的非标准化与多元化。许多领域的实证研究在样本选择、研究设计、统计方法及报告规范等方面差异较大,尚未形成统一的学术标准与研究模板。系统综述能够在此基础上引入标准化的筛选与评估机制,从方法论层面提升研究的规范性与可比性。

第五,学科国际化与政策导向的推动。随着国际中文教育由“项目输出”逐步转向“学科建设”与“质量评估”,国际比较、政策研究与全球传播的需求不断增强。系统性文献综述有助于在多语种、多制度背景下形成可靠的研究证据,为国际组织与教育决策提供科学依据。
在此背景下,对国际中文教师研究各主题开展系统综述,不仅有助于全面回顾和评估既有成果,明确研究趋势与不足,而且能够促进主题的系统化与显性化,推动国际中文教育领域形成更加规范、可积累、可比较的知识体系,从而实现学科研究的良性发展与理论创新。
PRISMA系统综述的具体要求
(以下内容取自其官网https://www./?utm_source=chatgpt.com中的Key PRISMA 2020 documents)
01
摘要的要求
02
文献筛选流程图(必须具备)
03
文章整体要求
注:PRISMA官网发布了更加详细的说明文件。如果您获取不便,我们将一些官方文件进行了整合,并配备了一篇样本文章。可以通过公众号聊天窗口发送:“PRISMA”关键词获取百度网盘下载链接。
操作与学习思路分享
01
操作导向与关注重点
在写系统性综述时,最好的实操办法就是借鉴参考SSCI中的教师教育领域的文献综述。寻找对标的文章,在整体的行文结构上复制。同时,可以重点留意以下几个方面:
第一,系统综述的选题。首先我们要留意选题的切口,大切口的文章的撰写难度可能较大、筛选工作耗费时间;过于精细的切口却文章量过小或不具备选题价值。所以一个系统综述的好选题,其切口大小往往是适中的(大切口文章也很有价值,但是可能需要用到更多的量化统计的工具和软件)。其次,就是主题词的选取,综述文章可能不止一个主题词,往往通过多个主题词叠加融合来实现限缩。比如“外语教师+(专业)身份认同+情绪”(参见:韩晔等,国内外近十年外语教师专业身份认同与情绪的关系研究述评),通过身份限定、两个强关联主题词叠加找到了合适的选题,同时又能够在现状下进行思考,提供更多启示。再次,还有一个技巧就是移用教育学、语言学等相关学科领域的一些综述主题词,对国际中文教育领域下的该主题进行审视,弥补空白。
第二,文献筛选方法。在系统综述中,“方法”部分(PRISMA要求)的撰写是需要准确、清晰的,要学习优秀的文章如何通过合理的图表、证据化的语言对该流程进行呈现。这既是一个流程的规范学习过程,也是一个论文写作的学习过程。这一块的论文撰写整体具有一定套路性,但是我们的筛选过程仍然要保持学术严谨。
第三,怎么提问题、怎么深入分析。系统综述要求在引言部分清晰地提出研究问题。通过文献研究能得出哪些问题,比如研究基本信息的描述性问题、研究的方法论问题、动态变化问题、理论图谱梳理问题、具体的影响因素的研究问题、差异与共性对比问题,等等。这些内容在思路上也具有一定共性。
第四,数据分析与可视化呈现。这里要重点关注,如何去规范地、美观地呈现一些数据。这里主要涉及两部分,如何进行数据统计,如何进行社科绘图。数据统计的方式往往要借助诸多工具,所以找到合适的工具非常重要,比如“文献检索与筛选——检索后的文献导出(EXCEL 、ENDNOTE等格式)——借助AI进行排版与信息分类——导入到工具软件(统计分析软件或绘图软件)——操作分析”的标准化的流程。
02
学会用AI和网站学习
AI和网站资源(尤其是Bilibili)联动真的可以帮助我们学到任何想要拓展的知识,迅速掌握信息差。以下是一个学习的场景化描述:
我看到别人做的综述文章的图片很高级,于是,我萌发出“我要进行社科绘图方法论学习”的念头。我告诉AI:“给我社科类文献综述中最常用的可视化的图,给我20种,每个都给我一个图片实例。”它输出了以下的图片类型,每个都给了我具体的图片和应用场景(如下图)。随后我继续跟进去寻求绘图工具和学习方法。
20种常用社科绘图示例:趋势折线图(Line Chart for Trend)柱状图/堆叠柱状图(Bar / Stacked Bar Chart)、热力图(Heatmap)、关键词共现网络图(Co-word Network)、引文共引网络图(Co-citation Network)、主题演化图/时间演化图(Thematic Evolution Map)、地理分布图(Choropleth / Map Visualization)、桑基图 (Sankey Diagram)/流向图(Flow Diagram)、雷达图(Radar / Spider Chart)、气泡图(Bubble Chart)、矩阵图 (Matrix Chart)/交叉表可视化、层次聚类树(Dendrogram)、散点图(Scatter Plot)、箱线图(Box Plot)、饼图(Donut / Pie Chart)、瀑布图(Waterfall Chart)、词云 (Word Cloud)、多维尺度图(MDS Plot)、极坐标系散点(Polar Chart)、结构模型图(Conceptual Framework Diagram)
同理,我再回到Bilibili进行检索,对我感兴趣、认为有用的图以及没听过的绘图进行搜索、学习方法论,然后发现很多免费资源和教学视频。其次,我会发现有些工具很好用(CiteSpace、VOSviewer等),很多UP主进行了推荐。这时候,Git-hub等开源软件网站获取或者是购买软件,帮我补足了我的软件库。甚至是一些需要用到代码的工具,在与AI的对话中我们也可以大致掌握(指的是应用层面)。剩下的就是投入时间去学习、应用与掌握。
列举以上的琐碎的话,我们想表达的是:作为社科工作者,对技术的应用能力越来越成为一个显性能力,而AI等诸多综合工具的出现真的极大降低了信息成本。在AI时代下,我们每个人都要拓展知识、技能的边界,建立一套自己的“学习方法论”。只要想学,我们确实可以扎实地掌握许多未曾接触的方法技巧。所以,保持知识迭代的能力、保持学习的新鲜感、保留自我学习的精力与时间越来越重要。
后续如果有时间,我们会分享一些具体的社科类可视化绘图的软件和工具。但是,其实Bilibili和AI已经可以给出我们很多方法论的答案。一起学习,我们在路上,和大家共勉!