Keenious – En AI-sökmotor

Keenious är en sökmotor som rekommenderar vetenskapliga artiklar genom att analysera dokument med hjälp av artificiell intelligens. Du kan använda Keenious både i din webbläsare och i Microsoft Word eller Google Docs.

 

Vad är Keenious?

Keenious är ett rekommendationsverktyg för vetenskapliga artiklar där du söker efter liknande eller relaterade artiklar baserat på antingen en artikel eller din egen text. Istället för att söka efter enskilda sökord analyserar Keenious text med hjälp av AI och presenterar ett sökresultat baserat på textens ämne. 

Artiklarna i Keenious kommer från ett kurerat urval av OpenAlex. OpenAlex är en öppen katalog med både öppet tillgängliga och låsta artiklar, konferensbidrag och workshopbidrag. Keenious urval innehåller enbart tidskriftsartiklar och preprints. Artiklar som saknar nödvändig information som exempelvis författarens namn, publiceringsdatum eller giltigt DOI har utelämnats.

Keenious kan analysera text på en stor mängd språk, inklusive svenska. Keenious översätter icke-engelskspråkiga texter (med Microsoft Azure's Translator Service) och använder sen översättningen för att söka efter vetenskapliga artiklar på engelska. Om du vill ha resultat på ursprungsspråket bockar du ur alternativet ”Cross Language” i det övre högra hörnet. Notera att det finns en begränsning på 20 000 tecken (ca 3000–5000 ord) för textöversättningar. Motsvarande begränsning finns inte för texter på engelska.
 

 

Registrera ett konto

Keenious är tillgängligt för alla studenter och anställda vid Stockholms universitet. Skapa ett konto i Keenoius med din e-postadress från SU för att ta del av alla Keenious funktioner och för att få tillgång till artiklar via bibliotekets prenumerationer. För studenter är e-postadressen SU-användarnamn följt av @student.su.se.

Registrera ett konto i Keenious
 

 

Så här använder du Keenious

Keenious använder dokument istället för sökord. För att få ett så bra resultat som möjligt finns det fem verktyg som är bra att känna till. Dessa är ämnen (topics), fokussökning, likande artiklar (similar articles), avgränsa med nyckelord och filtrera med publiceringsdatum, antal citeringar eller öppen tillgång (Open Access)

Videon från Keenious ger en introduktion till hur du kan använda dessa verktyg för att söka i Keenious både i din webbläsare och i Microsoft Word. 

 

Läs mer om hur du kan använda Keenious på Keenious hjälpsidor

 

Använd Keenious i din webbläsare

Keenious kan användas direkt i din webbläsare. Du kan logga in med ditt personliga konto på Keenious webbplats och antingen klistra in texten du vill analysera eller dra och släppa, alternativt ladda upp en PDF.

Sökning med Keenious i webbläsare

Gå till Keenious i din webbläsare

 

Använd Keenious i Microsoft Word and Google Docs

Keenious finns också tillgängligt som ett tillägg i Microsoft Word och Google Docs. Keenious dyker upp i ett sidofält bredvid din text och analyserar din text och ger rekommendationer relaterade till den skrivna texten. Det innebär att du med hjälp av Keenious kan söka medan du skriver.

Keenious i Microsoft Word

Ladda ner Keenious till din ordbehandlare
 

 

Eftersom Keenious inte förlitar sig på sökord kan Keenious vara användbar om du har svårigheter med att söka i traditionella databaser. Keenious är också användbart om du vill utöka din sökning. Se dock inte se Keenious som ett alternativ till traditionella databaser eller bibliotekets söktjänster utan som ett komplement.

Keenious är användbart för åtminstone följande ändamål:

  • Inspirera till nya idéer och lära dig nya begrepp. Om ditt ämne är nytt för dig eller om du är osäker på vad du ska skriva om kan sökning i traditionella databaser vara utmanande. Keenious kan då vara användbart eftersom du kan skriva en mer generell beskrivning istället för att vara tvungen att kunna rätt sökord.
  • Söka på valfritt språk. Med hjälp av funktion ”Cross Language” kan du söka på svenska (eller ett annat språk) och ändå hitta vetenskapliga artiklar på engelska.
  • Hitta liknande eller relaterade artiklar. Om du redan hittat någon eller några användbara källor kan du söka utifrån dem i Keenious.
  • Söka medan du skriver. Med tillägget i Microsoft Word eller Google Docs kan du söka efter relevanta artiklar i Keenious sidofält samtidigt som du skriver din text. Du kan också markera specifika delar av din text om du vill hitta relevanta artiklar till just den delen av texten.
  • Utöka din sökning och söka tvärvetenskapligt. Eftersom Keenious söker i ett enormt urval så kan du få hjälp att hitta artiklar som inte finns i databaserna du vanligtvis söker i, särskilt om dessa är mer ämnesspecifika.
  • Identifiera nyckelforskning och nyckelforskare inom ett fält. Antalet gånger en artikel citerats kan vara ett användbart mått på en artikels inflytande inom ett fält. Eftersom Keenious rankning belönar artiklar med många citeringar och även gör det möjligt att filtrera med antal citeringar kan du använda Keenious för att hitta artiklar högt citerade artiklar. Tänk dock på att artiklar kan ha citerats flitigt av andra anledningar än deras akademiska kvalitet. Citeringar påverkas också av faktorer som publiceringsdatum, tidskriftens prestige och citeringspraxis inom olika forskningsfält.

 

 
  • Om transparens och replikerbarhet är en viktig del av din metod är Keenious inte lämpligt. Eftersom Keenious använder en AI-algoritm är det inte möjligt att förklara exakt hur Keenious söker. Det är därför inte möjligt att söka systematiskt i Keenious. Traditionella akademiska databaser ger dig mycket mer kontroll över sökningen och möjlighet att dokumentera exakt hur databasen sökt.
  • Om du vill göra en uttömmande sökning. Keenious är inte utformat för uttömmande sökningar där målet är att finna all tillgänglig forskning för en väl avgränsad forskningsfråga. Om din ansats är att göra en uttömmande sökning bör du istället använda traditionella akademiska databaser.
 

Keenious använder många olika faktorer för att förutse och göra sina rekommendationer. Det finns dock fyra nyckelfaktorer som påverkar rankningen:

  1. Gemensamma termer. Keenious tar hänsyn till hur många termer som återfinns både i din text och i titlar och abstract i de artiklar som rekommenderas.
  2. Förutsedd mening. Keenious använder en språkmodell för att förutse din texts innebörd och ämne. Det gör det möjligt att hitta artiklar som inte har så många gemensamma termer men som fortfarande är relevanta. Det förhindrar också att den rekommenderar artiklar som kanske har många gemensamma termer men som fortfarande inte är relevanta för ditt ämne.
  3. Antal citeringar. Keenious beaktar hur många gånger en artikel citerats och premierar de med många antal citeringar.
  4. Publiceringsdatum. Keenious premierar nyare artiklar.

 

 

Eftersom det inte är möjligt att göra den typen av uttömmande sökningar i databaser som krävs för systematiska översikter är Keenious inte lämpligt att använda i den delen av processen. Keenious kan dock vara användbart i vissa andra delar av processen:

  • Testsökningar. Keenious kan hjälpa dig med att utforska ett ämne tidigt i processen och även med att undersöka hur unik din forskningsfråga är. Eftersom Keenious analyserar text så kan du utförligt beskriva ditt ämne för att undersöka om det finns liknande artiklar redan publicerade.
  • Formulera en sökstrategi. En avgörande del av att formulera en sökstrategi för systematiska översikter är att inkludera alla tänkbara sökord. Keenious kan användas för att hitta alternativa sökord och synonymer att lägga till i din sökstrategi.
  • Kompletterande sökningar. Du kan ladda upp artiklarna du hittat genom databassökningarna i Keenious för att se om du får förslag på artiklar databaserna eventuellt kan ha missat.

 

 

Du hittar fler instruktioner och svar på vanliga frågor på Keenious webbplats.

Keenious F&Q

Du kan också kontakta Keenious via deras webbplats om du har frågor.

Kontakta Keenious

På denna sida

mainArticlePageLayout

Studenter i Bergdahlsrummet
{
  "dimensions": [
    {
      "id": "department.categorydimension.subject",
      "name": "Global categories",
      "enumerable": true,
      "entities": [],
      "localizations": {}
    },
    {
      "id": "department.categorydimension.tag.Keywords",
      "name": "Keywords",
      "enumerable": false,
      "entities": [],
      "localizations": {}
    },
    {
      "id": "department.categorydimension.tag.Person",
      "name": "Person",
      "enumerable": false,
      "entities": [],
      "localizations": {}
    },
    {
      "id": "department.categorydimension.tag.Tag",
      "name": "Tag",
      "enumerable": false,
      "entities": [],
      "localizations": {}
    },
    {
      "id": "webb2021.categorydimension.Keyword",
      "name": "Keywords (Webb 2021)",
      "enumerable": false,
      "entities": [],
      "localizations": {}
    }
  ]
}