核心观点：ASReview LAB通过主动学习把更可能相关的题名摘要优先呈现，从而提高筛选效率；它不负责检索、去重、全文判断、质量评价或最终纳入。停止规则和研究者标签决定漏检风险。
一、工具概览与业务定位
ASReview LAB由乌得勒支大学相关团队维护，是面向系统综述筛选的开源、本地Web应用。研究者不断标记相关/不相关，模型据此更新阅读顺序，体现“Researcher in the Loop”。官方网站；GitHub仓库
它解决的是“先读哪条”，不是“机器替你决定哪条纳入”。图书馆员可帮助团队准备题录、记录配置和解释复现要求。
二、访问方式、功能与费用
- 官方仓库当前要求Python 3.10及以上，可安装后运行本地应用；也可Docker或服务器部署。
- 软件采用Apache 2.0许可证，无订阅费；成本来自电脑/服务器、备份、身份认证、升级维护和人工筛选。
- 支持导入多种题录格式、隐藏重复、标签、主动学习和项目导出；版本功能以官方文档为准。
- 本地运行不收集使用或用户数据是项目公开说明之一，但机构服务器仍要自行配置权限与日志。
三、适用边界
正式使用前必须有去重后的题名摘要、明确纳排标准、先验样本和停止规则。缺少摘要的记录不能自动判为无关；排序靠后的未读记录也不能自动排除。高风险医学、政策或安全综述应采用更保守的停止与独立复核。
四、六类图书馆场景
- 课题检索：与研究团队衔接检索、去重和筛选。
- 学科服务：提供项目文件、字段和复现支持。
- 证据综述：优先发现相关题录，监控停止风险。
- 馆员培训：展示标签如何改变排序。
- 专题资料筛选：筛选大量新闻、政策或会议摘要。
- 方法咨询：帮助报告软件版本、模型和筛选过程。
五、七步标准流程
- 完成数据库检索并保存完整策略。
- 合并题录、去重并保留去重日志。
- 明确纳排标准并用小样本校准。
- 准备至少一个可靠相关先验样本。
- 创建项目、记录软件版本和模型配置。
- 持续人工标签，按预设规则判断停止。
- 导出全部决策、未读记录和项目文件。
六、三个可复现案例
案例一：主动学习筛选馆员AI培训文献
任务背景
数据库检索得到1000条题名摘要，需要优先发现相关研究。
操作步骤
去重；定义纳排；准备已知相关文献；导入ASReview；筛选并记录最后发现相关记录的位置。
可直接复制的筛选规则
纳入：研究对象含图书馆员或图情专业人员；干预涉及生成式AI/AI素养培训；报告学习或岗位结果。排除：纯技术模型论文、无培训干预、仅评论、非目标人群。模糊记录标“待全文”，不得因摘要缺失直接排除。
预期输出
筛选决策表、项目文件和停止理由。
馆员人工复核要点
标准是否一致；初始标签是否正确；停止后未读记录如何处理和说明。
案例二：用已完成数据集验证工作量节省
任务背景
团队想知道工具在本领域是否有效。
操作步骤
选择有全量标签的公开数据；隐藏标签模拟筛选；比较发现95%相关记录所需阅读量；重复不同先验样本。
可直接复制的实验记录
记录：数据集版本、总记录数、相关数、特征、分类器、查询策略、先验样本、随机种子、达到95%召回时阅读量、重复次数和结果波动。不得只报告最好一次。
预期输出
验证报告和是否试点的依据。
馆员人工复核要点
全量标签是否可靠；不要把一个领域的节省比例推广到所有项目。
案例三：培训中演示错误标签的影响
任务背景
让学员理解人类判断如何影响模型。
操作步骤
用教学数据筛选10条；故意错标一条关键相关记录；观察排序；纠正标签并比较。
可直接复制的提示
每位学员记录“原判断｜依据｜是否模糊｜模型后续变化｜纠正后变化”。讨论重点是纳排标准，不比较谁点得快。
预期输出
错误传播与纠正记录。
馆员人工复核要点
不把教学错误带入正式项目；强调双人校准和冲突处理。
七、新手最容易犯的八个错误
- 未去重就导入。
- 纳排标准模糊或筛选中途改变。
- 先验样本错误。
- 摘要缺失即排除。
- 把排序当自动纳入。
- 凭感觉停止。
- 只导出纳入记录，不保留全部标签。
- 不记录软件版本和配置。
八、隐私与部署
本地运行降低把未公开题录上传公共云的风险，但项目文件、备份和服务器日志仍需保护。多人部署应有身份认证、项目隔离、备份和升级流程。导入记录可能含作者联系方式或内部标签，应实行最小权限。开源不等于零成本，也不等于自动合规。
九、8分钟快闪演示脚本
- 0:00—0:40 说明机器只负责排序。
- 0:40—1:30 导入教学数据与先验样本。
- 1:30—3:20 学员筛选10条。
- 3:20—4:30 观察相关记录提前。
- 4:30—5:30 故意错标并看变化。
- 5:30—6:30 纠正并讨论标准。
- 6:30—7:20 展示项目导出与停止记录。
- 7:20—8:00 总结检索、筛选和判断边界。
十、一页式操作清单
导入前
- ☐ 保存数据库检索式；
- ☐ 去重并保留日志；
- ☐ 明确纳排与模糊记录处理；
- ☐ 准备可靠先验样本。
筛选中
- ☐ 记录软件版本和配置；
- ☐ 持续按同一标准人工判断；
- ☐ 保留待全文记录；
- ☐ 监控最后相关记录位置和错误标签。
停止与交付
- ☐ 使用预设停止规则；
- ☐ 说明未读记录处置；
- ☐ 导出全部标签与项目文件；
- ☐ 在方法中报告主动学习流程。
十一、结论与使用建议
ASReview LAB适合题录量较大、团队愿意记录方法的证据筛选项目。它提升的是阅读顺序效率，不降低研究者对纳排、停止和漏检的责任。馆员应重点培训数据准备、复现记录和人机边界。
参考来源与延伸阅读
- ASReview官方网站。
- ASReview GitHub，版本、安装和许可证。
- ASReview LAB介绍。
- 创建项目文档。
- ASReview方法论文。
- 项目内部资料：《面向图书馆工作的AI应用深度调研报告》及AI4L任务卡。
更新提示： 安装要求、模型选项和界面随版本更新，正式项目须记录精确版本。
Let's Make AGI Real 
留下评论