ASReview

ASReview 是由荷兰乌得勒支大学协调开发的开源 AI 文献筛选工具，专攻系统综述里最耗人力的一步：读标题和摘要、判断哪些文献该留下。它的核心思路是「Screen, Interact, Learn, Improve」——你每筛选几篇，模型就学习一次你的判断标准，并把最可能相关的文献不断排到前面，让你在尽可能少的阅读量内找出全部相关文献。官网引用媒体评价称「ASReview 把一年的工作量压缩成两周」，并强调其可靠性来自可验证的开源流程。

核心能力

• AI 辅助筛选：用主动学习算法加速标题与摘要筛选环节，目标是「以最少的阅读量获取全部相关文献」，让研究者把时间花在该看的文献上。
• 交互式学习：筛选过程中模型持续学习你的判断，排序实时更新——越筛越懂你的相关标准，而非一次性给出固定结果，这是它与静态关键词检索的本质区别。
• 模拟与基准测试（Simulate & Benchmark）：可在历史数据上模拟整个筛选过程，对比不同模型与特征提取器的表现，先在模拟环境验证工作流，再正式投入。
• 众筛模式（Crowdscreen）：让 AI 智能体把候选文献推荐给一组专家分工处理，适合团队协作的大规模筛选，兼顾效率与多视角判断。
• 开放学习材料：官网提供系统的学习资料、实时在线演示与大量科学出版物，上手、培训与复现都有据可依，也方便向评审说明方法。
• 数据与合规：完全开源，符合 GDPR，无追踪 cookie，数据控制权在使用者手中，并提供持续的安全更新，符合研究机构的合规要求。

适合谁

需要做系统综述或 meta 分析的研究团队，尤其是文献量以千计、人工筛选不可行的场景；循证医学、公共卫生、社会科学等领域需要严格证据合成的研究者；以及想在正式筛选前先用模拟功能验证流程的方法学团队。完全开源且可本地部署的特性，也让有数据合规要求的研究机构可以放心使用。

注意事项

• ASReview 负责「筛选」这一环，不替代系统综述的检索、质量评价与数据提取等其他步骤，适合嵌进已有流程而非整套替换。
• 效果依赖初始标注质量：前几十篇的筛选判断直接决定模型学到的标准，建议由熟悉课题的成员负责起步阶段。
• 本地部署需要一定的 Python 环境与命令行基础，纯网页用户可从官网的在线演示与学习资料入手，先理解机制再部署。
• 开源项目不提供商业级支持，遇到问题主要依赖官方文档与社区；正式综述流程建议先在模拟模式下验证模型表现，再全量执行。

使用建议

正式投入前先跑一遍 Simulate 功能，用历史数据对比不同模型的表现，确定最合适的工作流；团队协作时优先考虑 Crowdscreen 模式分工。官方学习材料与论文都指向「先学再用」，上手前花一点时间读官方教程能显著减少返工，也让综述流程更可复现、更经得起方法学审查。