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、Scopus）
Web 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 Science | AND / OR / NOT，必须大写 | 双引号 | 记住用TS=字段限制 |
| PubMed | AND / OR / NOT | 双引号，[tiab]限字段 | 不用写字段也能跑，但要限tiab |
| Scopus | AND / OR / NOT，必须大写 | 双引号 | 用TITLE-ABS-KEY包裹 |
| Google Scholar | 空格=AND，OR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-XX | Web of Science | TS=(...) | 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。
