題名拆分檢索（Title Decomposition Search）
可以得到什麼
當 ChatGPT 等生成式模型給出的長題名無法用完整字串檢索到結果時，把題名拆開、去掉區分度低的研究方法詞，再以辨識度高的概念組合或題名前半段檢索，能夠定位到主題相近的真實論文，並進一步判斷生成條目是否由多篇真實來源的題名片段拼接而成（半真半假）。這個方法適合處理「題名與期刊錯配」、「題名疑似拼接」、「模型輕微改寫題名」三類常見錯誤。
適合哪些情況
- AI 給出的長題名在多個資料庫中找不到對應記錄，但又主題相關、學科合理時。
- 找到若干與題名部分相似的結果，但無法確認是否為同一篇時。
- 想區分「整條虛構」與「在真實元數據上做局部竄改」這兩類引用錯誤時。
需要準備什麼
- 原始疑似題名，以及模型配套給出的期刊、年份、作者欄位。
- 可用檢索入口：PubMed、Scopus、Web of Science、Google Scholar、Crossref、出版商頁面、機構典藏庫。
- 一份題名拆解工作表：可記錄已嘗試的拆分組合、最相似結果、相似程度判斷依據。
常見做法
- 正規化題名。 去掉標點、統一大小寫、合併不同寫法（例如中英標點混用、希臘字母與英文詞混用）。
- 刪除區分度低的研究方法詞。 常見的高頻低區分度詞包括 systematic review、meta-analysis、randomized controlled trial、case report、retrospective、prospective、qualitative、quantitative、longitudinal 等。中文方面的常見低區分度詞包括「研究」「探討」「分析」「綜述」「影響」「相關性」等。
- 保留辨識度高的概念組合。 從題名中抽出 2–3 個最具體的核心概念（例如具體干預方式、具體測量指標、具體樣本來源），用布爾運算重新組合檢索。
- 嘗試題名前半段。 長題名可嘗試截取前半段（連續 4–6 個高辨識度詞）單獨檢索，這對「題名拼接」類錯誤尤其有效。
- 用「作者＋年份」組合輔助。 如果模型給出了作者與年份，把它們也作為過濾條件一起檢索，可以縮小範圍。
- 逐欄位比對相似結果。 對找到的相近論文逐欄位檢查作者、題名、期刊、年份、卷期頁碼、DOI 是否一致，避免把主題相近誤判為同一篇。
- 回到原始 DOI 或出版商頁面。 確認最相近記錄的正式元數據，再決定是否替換模型給出的書目。
真實案例與教程
限制與檢查點
- 找不到結果時，仍需保留「在已查詢資料庫中未能驗證」的嚴謹措辭，不可直接升級為「絕對虛構」。
- 拆分後找到相似結果，並不等於找到原引用；必須逐欄位比對作者、題名、期刊、年份、卷期、頁碼和 DOI 才能確認是否同一條記錄。
- 此方法只解決「存在性」與「元數據一致性」兩層，不替代 書目欄位拆分與逐項核驗 中的「內容支持性核驗」。
相關方法與工具
- 書目欄位拆分與逐項核驗：題名拆分檢索是其中的一個子步驟。
- AI 參考文獻的局部竄改與題名拼接：題名拆分檢索最直接針對的風險類型。
- ChatGPT：本方法所要核驗的典型生成模型。
- 通用檢索入口：PubMed、Scopus、Web of Science、Google Scholar、Crossref、出版商頁面、機構典藏庫；這些工具並不為它們各自建獨立頁，而以方法頁內列出。
來源邊界
題名拆分檢索的具體操作來自 SRC-LEARN-008 第三條英文書目的核驗過程。原文明確展示：題名無法直接檢得 → 拆開長題名 → 用前半段或關鍵詞組合找到若干主題相近的真實論文 → 識別「半真半假」的生成引用。本方法並未經過大規模樣本驗證，更多是館員層級的實務技術。