情境：你的流程其實已經不差
很多研究生都想打造一個完美的研究流程，但如果你已經讀到這篇文章，相信會有一個好的開始。
Zotero 裡有一個以研究主題命名的資料夾，PDF 都在裡面，附註和標籤也整理過。你知道 Publish or Perish 可以把引用數字抓回桌面，也大致明白 h 指數在算什麼、不能拿來比什麼。你的參考文獻可以一鍵生成，格式不會出錯。指導教授問你進度，你答得出來讀了幾篇、哪幾篇最重要。
這套流程解決了兩件很實際的事。Zotero 讓你不會弄丟東西，Publish or Perish 讓你不必憑印象判斷一篇論文的份量。它們各自都做得很好。
問題是，它們有一件事都不做。
衝突：那三十篇是怎麼進到你資料夾的
回想一下你 Zotero 那個資料夾裡的三十幾篇文獻，它們是怎麼來的？
拆開來看，來源大概只有三種。第一種是指導教授開的清單，或者某堂課的指定閱讀。第二種是滾雪球：你讀到一篇不錯的，翻它的參考文獻，再往下找。第三種是關鍵字搜尋，你在 Google Scholar 打幾個詞，從前三頁挑幾篇看起來相關的。
這三條路都很正常，多數人也就是這樣做的。但它們有一個共同的結構性缺陷，而且不容易自己察覺：這三條路都只會帶你去已經被連到的地方。
指導教授的清單，反映的是他的訓練背景和他熟悉的學術社群。這通常很有價值，但它同時也是一個範圍。滾雪球更明顯，你從一篇論文的參考文獻往外走，走到的一定是那位作者讀過而且願意引用的東西，你等於是在沿著別人走過的路重走一遍。至於關鍵字搜尋，它的盲點最隱蔽：搜尋引擎只能比對你打進去的詞，可是隔壁領域的人研究的即使是同一件事，用的詞常常不一樣。
▲ 三條路都很正常，也都只會帶你去已經被連到的地方
這件事在跨領域的題目上特別致命。假設你做的是生成式 AI 融入大學寫作課程如何影響學生的修改行為，你在教育科技的語彙裡打轉，用的詞是「回饋」「修改歷程」「寫作素養」。可是同一批現象，在寫作研究那邊叫 revision behavior，在人機互動那邊叫 AI-assisted composition，在語言學習那邊又掛在 automated written corrective feedback 底下。你不知道那些詞，就永遠搜不到那些文獻；而你之所以不知道那些詞，正是因為你還沒讀到那些文獻。
這是一個閉環。你讀過的東西決定了你會用的詞，你會用的詞又決定了你接下來能讀到什麼。待久了，你會把自己所在的那個房間當成整片領域。
▲ 你搜不到，是因為你還沒讀到；問題不是你不夠努力，是關鍵字這個工具本身被你已經知道的東西限制住了
Zotero 幫不上這個忙，因為它是倉庫，只記得你放進去的東西。Publish or Perish 也幫不上，因為它回答的是「這篇有多少人引用」，不是「我還缺哪一篇」。你手上這兩套工具，一套管保存，一套管衡量，中間缺的是第三種能力：看見文獻跟文獻之間的關係。
疑問：有沒有一種找法，不依賴我已經知道的詞
把問題寫得精確一點，會比較容易找到答案。
你要的不是一個更強的搜尋引擎。搜尋引擎再強，都還是在比對你打進去的關鍵字，而你的關鍵字就是被限制的那個東西。你要的是一種不經過關鍵字的找法：從你已經確定相關的那幾篇論文出發，讓論文之間本來就存在的連結，把你沒看見的那一塊指出來。
這個連結其實一直都在。一篇論文引用另一篇論文的時候，作者等於親手標記了一條關係，而且他標記的時候不需要跟你用同一套詞彙。這些關係加起來，就是一張早就存在的網，只是沒有人把它攤開給你看。
解答：讓論文自己說出它跟誰有關
Research Rabbit 做的就是把這張網攤開。
它 2021 年推出，做法很簡單：你丟進去幾篇你確定相關的論文，它沿著這些論文的引用關係往外擴，把結果畫成一張可以互動的圖。官方宣稱可存取三億一千萬篇以上的論文，使用者超過一百萬人；底層的資料來自 OpenAlex、Semantic Scholar 與 PubMed 這幾個開放學術資料庫。
三個方向與一張圖
你丟進去的那幾篇論文，它稱為種子文獻。從種子出發，探索基本上是三個方向。
往回走，是這些論文引用了誰。這條路帶你找到領域的理論根基，那些一再被引用的奠基之作。往前走，是誰引用了這些論文。這條路帶你看見這個題目後來長成什麼樣子，包括那些直接挑戰或修正原始論點的後續研究。往旁邊走，則是內容上相近但未必有直接引用關係的論文，這一條靠的是語意相似度而不是引用連結。
除了論文，它同樣會把作者攤開：這些論文的作者是誰、這些作者還在做什麼、以及跟他們研究內容高度重疊、但你完全沒聽過的其他研究者。
▲ 從種子出發的三個方向；2025 年 10 月改版後，舊名稱 Earlier Work／Later Work／Similar Work 已經退場
在目前的介面上，這些操作集中在收藏庫右上角的 Search from Collection。點下去會跳出一個叫 Create Search 的小面板，第一列是 Articles 與 Authors 的切換，決定你要找論文還是找人；第二列就是那三個方向，依序是 Similar、References、Citations；第三列 Result Count 讓你選一次要回傳 10、20 還是 40 筆。
▲ 探索的入口在收藏庫右上角的 Search from Collection，跑完之後左欄是清單、中間是圖、右欄提示你挑幾篇加進下一輪搜尋
這裡要特別提醒，因為它會讓你查到的教學全部對不上：2025 年 10 月改版之後，舊介面那組 Similar Work、Earlier Work、Later Work、These Authors、Suggested Authors 的名稱已經全部退場。網路上絕大多數中文教學文和 YouTube 影片都還停在舊版，你照著找會找不到按鈕。認三個方向就好，不要背名稱。
為什麼它找得到關鍵字找不到的東西
差別在於，引用關係是人標記的，不是演算法猜的。
一位人機互動領域的學者引用了一篇教育科技的論文，這條連結就存在了，不管兩篇論文的標題有沒有任何一個共同的詞。你從那篇教育科技論文出發往前走，就會走到那篇人機互動的論文，然後你才第一次看到 AI-assisted composition 這個詞。
換句話說，它幫你解開的正是前面那個閉環：你不需要先知道那個詞，才能找到用那個詞的人。
▲ 引用關係是人標記的，不是演算法猜的，所以你不需要先知道那個詞，才能找到用那個詞的人
如果你想先看看實際的操作長什麼樣子，下面這支官方影片示範了帳號註冊後第一輪搜尋的操作：
▲ Research Rabbit 官方頻道的入門示範（英文發音）
實際跑一輪：從三篇種子開始
工具介紹到這裡就夠了，接下來是實際怎麼用。
選種子，不要選最有名的
第一個決定就是最重要的決定：丟哪幾篇進去。
多數人的直覺是丟領域裡最有名的那幾篇，這通常是錯的。太經典的論文被引用了幾千次，往前走會炸出一整片跟你沒關係的東西，因為引用它的人來自四面八方，各自做著完全不同的題目。
比較好的做法是選三到五篇跟你的題目最貼近的近期論文，最好是那種你讀完會想「這幾乎就是我要做的，只差一個變項」的論文。這種論文的引用網絡最集中，往外擴出來的東西命中率也最高。
如果你手上有一篇論文，讀完覺得如果早三個月讀到會少走很多冤枉路，那就是最好的種子。
▲ 種子選錯，整輪就白跑；種子本來就該少而精
先往回走，再往前走
順序有差。
先往回走，去看這幾篇種子共同引用了誰。要有心理準備，這一步的量會比你以為的大：拿四篇價值共創的文獻回顧當種子跑一次 References，回傳的是六百筆。所以重點不是把六百筆讀完，而是找出被你的種子同時指向的那幾篇。如果有一篇論文被你的三篇種子一起引用，而它不在你的清單裡，那就是第一個補洞對象，優先讀它。這種論文通常是這個小領域的共同前提，你沒讀過它，寫文獻回顧時會缺一塊地基。
補完地基再往前走，去看誰引用了這些種子。這一步是在確認你的題目現在的狀態：這條線還活著嗎？最近三年還有人在做嗎？有沒有人已經做了你正打算做的事？
這兩步的順序不能顛倒。先往回走是建立座標，先往前走則容易被一堆新論文淹沒，還分不清哪些重要。
▲ 順序有差，而且不能顛倒；圖很好看，但看過一張圖不等於讀過那些論文
看圖的三個判讀原則
先講清楚這張圖長什麼樣子，因為它跟多數人想像的不一樣。它不是那種節點亂糊成一團的網絡圖，而是一張有座標軸的散布圖：橫軸是發表時間，愈往右愈新；縱軸是被引用次數，愈往上愈高。論文之間的引用關係，用箭頭疊在上面。
▲ 實跑一次的結果。橘色實心是收藏庫裡原有的四篇，全部落在右下角；箭頭指向的左上角那一叢，是一篇都沒收進來的地基文獻
看懂了座標軸，三個原則就很直觀。
第一個原則是看自己落在哪裡。你收藏庫裡原有的文獻會用實心的顏色標出來，跟新找到的空心節點區分開。實際跑一次會很有感：我拿四篇價值共創的近期文獻回顧當種子，那四個實心節點全部擠在右下角，也就是又新、相對又不那麼常被引用的那一區。這張圖等於當場把前面那段話畫給你看，你確實一直待在同一個房間裡。
第二個原則是往左上角看。左上角是舊而且被引用得多的位置，換句話說就是這個領域的地基。那次跑出來的左上角，站著 Vargo 2004、Prahalad 與 Ramaswamy 2004、Belk 1989 這幾篇，全部有箭頭從我的四篇種子指過去，而它們一篇都不在我的收藏庫裡。這就是你漏掉的東西，而且是你的種子自己招供的，不是演算法猜的。這也是整個工具最直接的價值，是唯一一件 Zotero 和 Publish or Perish 都做不到的事。
第三個原則是留意橫軸上的斷層。因為橫軸就是時間，某一條脈絡如果在某一年之後突然沒有新節點，一眼就看得出來。這通常有兩種完全相反的意思：這個取徑被後續研究否證或取代了，或者這是一塊還沒有人補的缺口。一個叫你別去，一個叫你快去，差別很大。圖本身不會告訴你是哪一種，你必須真的去讀那幾篇論文才知道。
順帶提醒一件事，因為它比想像中容易發生：圖很好看，看久了會產生一種已經掌握全局的錯覺。但看過一張圖不等於讀過那些論文。圖的作用是幫你決定接下來要讀什麼，不是替你讀。
▲ 那張圖不是網絡球，是一張有座標軸的散布圖，看懂橫軸縱軸，三個判讀原則就很直觀
別忽略作者那一半
多數人跑完論文那一半就關掉了，但作者網絡對研究生的實際價值可能更高。
論文告訴你這個題目被做到哪裡，作者告訴你這個題目現在是誰在做。這兩件事不一樣。一篇 2018 年的關鍵論文可能已經是定論，作者早就轉去做別的題目；反過來，一位你從沒聽過的助理教授，可能正在密集地發表跟你高度重疊的東西，而他的論文因為太新，引用數還低到不會出現在你的搜尋結果前幾頁。
把作者攤開之後，有三件事會突然變得清楚。
第一是誰還活著。看一位作者的發表時間軸，就知道他是持續在這條線上耕耘，還是十年前做過一輪就離開了。你在文獻回顧裡把一位已經轉行的學者寫成「該領域的主要研究者」，是會被口試委員問到的。
第二是你的口試委員與審稿人可能是誰。同一個小領域裡持續發表的那幾個人，就是未來會坐在你對面、或是拿到你稿件的那批人。提早知道他們的立場，寫討論那一章的時候會很不一樣。
第三是投稿的線索。跟你題目最像的那幾位作者，把論文投在哪些期刊？這比任何一份期刊推薦清單都準，因為那是同一群審稿人已經接受過這類題目的證據。
順著作者往外走還有一個附帶好處：你會發現有些人的研究內容跟你重疊得很厲害，但你們從來不引用彼此，因為分屬不同的學術社群、發表在不同的期刊、開不同的研討會。這正是前面說的那堵牆，而現在你看到牆的另一邊有人。
▲ 論文告訴你做到哪裡，作者告訴你現在是誰在做
知道什麼時候該停
擴散型的工具都有同一個風險，就是停不下來。每一輪都會冒出新的論文，每一篇看起來都有點相關。
一個實用的停止條件是：連續兩輪擴展都沒有出現讓你想立刻打開來讀的論文，就停。剩下的那些只是相關，不是重要，而相關的論文是無限多的。
它做不到的事
這一節可能比前面幾節更重要，因為工具的限制往往決定了你會不會被它害到。
第一，中文文獻幾乎查不到。前面提過它的資料來自 OpenAlex、Semantic Scholar 與 PubMed，這些資料庫以英文期刊論文為主。臺灣的學位論文與多數中文期刊論文不在裡面。做本土題目的人請記住：圖上那個方向沒有節點，不代表沒有人做過，只代表這幾個資料庫沒收。臺灣博碩士論文知識加值系統與華藝那一輪，還是得自己跑。
第二，它的結果不可重製，所以不能拿來做系統性回顧的檢索紀錄。相似度演算法沒有公開，而且同一篇論文用標題查詢跟用 DOI 查詢，可能得到不一樣的結果。系統性回顧要求別人照著你的檢索策略重跑一次能得到相同結果，這一點它給不了。Deakin 大學圖書館的評估講得很直接，建議把它當成探索的起點，不是權威的檢索工具。
第三，它不幫你過濾撤稿論文與掠奪性期刊。免費版沒有這個功能，付費版才有排除撤稿論文的選項。這代表圖上出現的節點，你仍然要自己判斷可不可信，該去查 Retraction Watch 的還是得查。
第四，跟 Zotero 的整合比多數人以為的弱。舊版有雙向同步，2025 年改版後移除了。現在只剩單向而且手動的匯入：你在帳號設定裡連結 Zotero 授權，之後每次要匯入時得自己到收藏庫左下角點 Zotero 那顆按鈕（旁邊就是 BibTeX），選擇要匯入哪個 collection、哪幾篇。它不會自動保持兩邊一致。反方向則靠匯出 BibTeX 再由 Zotero 匯入。官方說雙向同步正在開發中，但現在還沒上線，所以別把工作流建立在這個假設上。
第五，它必須註冊帳號才能使用，你的文獻清單會存在對方的伺服器上。這對多數人不是問題，但如果你的題目涉及尚未公開的研究方向，這件事值得先想一下。
▲ 它的射程到哪裡，以及哪些事它不做；工具的限制往往決定了你會不會被它害到
免費版還剩下什麼
Research Rabbit 長期以完全免費著稱，這一點在 2025 年變了，寫在這裡是因為很多還在流傳的教學文沒有更新。
2025 年 5 月，它被紐西蘭威靈頓的新創公司 Litmaps 收購。Litmaps 本身也是做引文視覺化的，收購同時完成了一輪一百萬美元的募資，兩邊合計使用者超過兩百萬。同年 10 月，Research Rabbit 推出改版並首次導入付費方案。
免費版目前保留：無限次搜尋、無限個收藏庫、協作功能，以及種子文獻上限 50 篇。付費的 ResearchRabbit+ 年繳約每月 10 美元、月繳約 12.5 美元，把種子上限提高到 300 篇，並解鎖多個專案、進階篩選（關鍵字、發表年份區間、期刊分區與 h 指數）以及排除撤稿論文。官方對一百多個國家提供依購買力調整的折扣碼。
對絕大多數研究生來說，免費版夠用。一篇碩士論文的文獻回顧不太可能需要 50 篇以上的種子文獻，種子本來就該少而精。真正會卡住的是兩件事：一是你想同時進行好幾個不同的題目，二是你需要排除撤稿論文這種篩選。後者被放進付費牆，坦白說不太理想，因為那是品質控管而不是進階功能。
三個問題，三套工具
把整件事收攏成一句話：這三套工具回答的是三個不同的問題。
我漏了什麼，問 Research Rabbit。我找到的東西放哪裡、參考文獻怎麼生成，問 Zotero。這篇論文有多少人引用、這個學者的影響力怎麼量化，問 Publish or Perish。
它們不互相取代，而是接力。合理的順序是：Research Rabbit 幫你把視野撐開、找出漏掉的關鍵文獻與作者，判斷完之後把要留的匯出成 BibTeX 丟進 Zotero 保存，需要評估份量或選投稿期刊時再交給 Publish or Perish 算數字。
多數人的流程之所以卡住，不是因為缺工具，而是因為把三個問題全丟給同一套工具，然後怪它答不出來。
▲ 三個問題，三套工具，一根接力棒
今晚可以做的三件事
第一件，挑三篇論文。不要挑最有名的，挑那種你讀完會想「早點讀到就好了」的近期論文，註冊一個免費帳號丟進去。
第二件，先往回走一輪，把被你的三篇種子同時引用、但不在你 Zotero 裡的論文列出來。清單如果是空的，代表你的地基讀得夠紮實；如果冒出三篇以上，那就是你這週的閱讀清單。
第三件，往前走一輪，只問一個問題：過去兩年還有人在做這條線嗎？如果有，去看他們做到哪裡了；如果沒有，去查清楚是這條路走不通，還是根本沒人走過。
三十分鐘就做得完。而它要回答的，是你其實一直不敢問自己的那個問題。
常見問題
Research Rabbit 是什麼？它跟 Zotero 有什麼不一樣？
Research Rabbit 是一套以引文網絡為核心的文獻探索工具，2021 年推出，2025 年 5 月被紐西蘭的 Litmaps 收購。它跟 Zotero 回答的是不同的問題。Zotero 是書目管理器，負責保存你已經找到的文獻、產生正確的參考文獻格式，它只記得你放進去的東西。Research Rabbit 則是負責告訴你外面還有什麼：你丟進去幾篇代表性的論文，它沿著這些論文的參考文獻與被引用紀錄往外擴，把你沒看過但結構上跟你高度相關的文獻標出來。兩者不是替代關係，一個是倉庫，一個是雷達。
Research Rabbit 還是免費的嗎？免費版有什麼限制？
不再是完全免費。它從 2021 年推出後長期免費，2025 年 10 月改成 freemium 制。免費版保留無限次搜尋、無限個收藏庫與協作功能，但把種子文獻上限壓在 50 篇，只能開一個專案，而且進階篩選功能不開放。付費的 ResearchRabbit+ 年繳約每月 10 美元、月繳約 12.5 美元，種子文獻上限提高到 300 篇，並解鎖關鍵字與日期範圍篩選、期刊分區與 h 指數篩選，以及排除撤稿論文的選項。官方對一百多個國家提供依購買力調整的折扣碼。
Research Rabbit 可以跟 Zotero 同步嗎？
目前只有單向而且是手動的。舊版曾經有雙向同步，2025 年改版後移除了。現在的做法是在帳號設定裡連結 Zotero 授權，之後每次要匯入時，到收藏庫點 Zotero 按鈕，選擇要匯入的 Zotero collection 與個別文獻。它不會自動保持兩邊一致，你在 Zotero 新增的東西不會自己出現。反方向則是用匯出：Research Rabbit 可以匯出 BibTeX，再由 Zotero 匯入。官方表示雙向同步正在開發中，但截至目前尚未上線。
Research Rabbit 的資料是從哪裡來的？中文文獻查得到嗎？
它的引文網絡建立在開放學術資料庫上，主要是 OpenAlex、Semantic Scholar 與 PubMed，官方宣稱可存取三億一千萬篇以上的論文。這些資料庫以英文期刊論文為主，臺灣的學位論文與多數中文期刊論文不在其中，因此中文文獻的覆蓋非常薄。做中文或本土題目的人，Research Rabbit 只能用來處理英文那一半，臺灣博碩士論文知識加值系統與華藝線上圖書館仍然要自己另外跑一輪，不能因為圖上沒有節點就認定那個方向沒有人做過。
Research Rabbit 可以用在系統性文獻回顧嗎？
不建議當作主要檢索工具。系統性回顧要求檢索策略可以被別人原樣重跑並得到相同結果，而 Research Rabbit 的相似度演算法沒有公開，同一篇論文用標題查詢和用 DOI 查詢可能得到不同的結果，這使得檢索過程無法完整記錄與重製。它也沒有內建撤稿論文或掠奪性期刊的過濾。Deakin 大學圖書館的評估建議把它當成探索的起點而不是權威的檢索工具，用來補充而非取代系統性檢索。合理的用法是先用它擴大視野、找出你漏掉的關鍵文獻與作者，再回到資料庫用正式的檢索式把過程記錄下來。
