AI Search in Scopus Is Expanding. What Does This Mean for Researchers?

ИИ търсенето в Scopus се разширява. Какво означава това за изследователите?

Plamen MILTENOFF

AI Search in Scopus Is Expanding. What Does This Mean for Researchers?
Scopus is changing the way researchers search for academic literature.
In his recent post, “AI Search capabilities in Scopus are expanding”, librarian and academic-search specialist Aaron Tay discusses two new Scopus features, AI Query Builder and Semantic Search. “AI search” is not one single action. Different AI tools can intervene at different stages of the search process, and researchers need to understand what the system is doing before trusting the results. (aarontay.substack.com)
Traditionally, searching Scopus requires you to think in keywords, Boolean operators and filters. If you want to study university students’ use of generative AI, you might build a query using terms such as “generative AI,” “ChatGPT,” “higher education students” and “technology adoption.”
The new AI Query Builder changes this process.
Instead of building the search from scratch, you can write a question in normal language, for example:
“What factors influence university students’ adoption of generative AI?”
Scopus then translates your question into a more traditional Boolean search. It may add related terms such as “large language model,” “ChatGPT,” “acceptance,” “intention to use” or “higher education students.”
This can save time, especially for students who are still learning academic databases. It can also help experienced researchers identify synonyms they may have missed.
Tay highlights an important issue.
Before Scopus searches the database, the AI first has to interpret your search intentions.
Suppose a tourism student asks:
“Find studies about AI adoption by small tourism businesses in Europe after 2020.”
The system must understand several things at once. The topic is AI adoption. The organizations are small tourism businesses. The geographical focus is Europe. The time period starts after 2020.
If the AI misunderstands one part of the request, the search can move in the wrong direction.
This creates an extra step for researchers. You should not only inspect the papers returned by the database. You should also inspect AI interpretation of your question.
Conveniently, the Scopus AI Query Builder shows the generated Boolean query. This means you can review it, remove irrelevant terms, add missing concepts and adjust filters before running the search.
This connects directly with our earlier Science & Research post, “Scopus or Web of Science? The Better Question Is: What Are You Trying to Do?”. In that post, we argued the choice and use of a database is part of research design. Researchers still need to define concepts, select appropriate sources, build search strategies and explain their decisions. (Science and Research)
AI does not remove this responsibility. It only changes who produces the first version of the search.

The second development discussed by Tay is Semantic Search.
Traditional academic searching depends strongly on the words you type. If you search for “employee intention to leave,” a relevant paper using the term “turnover intention” may not appear unless the database connects the two expressions.
Semantic Search works differently.
Instead of looking only for matching words, the system tries to identify documents with similar meaning. In technical terms, the query and documents are represented as vectors, and the system looks for documents located close to the meaning of the question. (aarontay.substack.com)
Students do not need to understand the mathematics to see the practical value.
Imagine a marketing student studying why people stop following social media influencers. Relevant research may use terms such as “unfollowing behaviour,” “social media disengagement,” “influencer fatigue,” “creator fatigue” or “parasocial relationship deterioration.”
A keyword search may miss some of these papers.
A semantic search may find them because the concepts are related, even when the authors use different terminology.
This can be useful when students are beginning a thesis, dissertation or research project. At the start of a project, students often do not yet know the correct academic vocabulary. Semantic Search can help them identify terms, authors and research streams they did not know existed.
But Semantic Search also creates a methodological problem.
According to Tay, Scopus Semantic Search currently returns the top 100 results.
This matters because a traditional search may return several thousand documents. Researchers can then filter them by year, subject area, document type or other criteria.
Semantic Search works more like a ranking system. It says, in effect: these are the 100 documents most similar to your question.
For exploratory searching, this may work well.
For a systematic review, bibliometric analysis or other research where completeness and reproducibility matter, the situation is different.
Why were those 100 papers selected?
Why is paper number 100 included while paper number 101 is excluded?
Can another researcher reproduce exactly the same set?
These questions become important when the search process forms part of the formal research method.
A continuation of an earlier discussion on this blog
Aaron Tay’s new post continues a discussion we have followed on the Science & Research blog for several months.
In April, in “How librarians are redesigning research in the age of AI”, we examined how librarians are working between two models of academic search. One relies on databases, controlled vocabularies, Boolean logic and transparent search strategies. The other relies increasingly on natural-language questions, AI interpretation and automated retrieval. (Science and Research)
That post also discussed the growing importance of frameworks for understanding AI search systems. The key questions were already changing from:
“Which tool should I use?”
to:
“What does the system do with my question?”
“How does it generate the results?”
“Can I understand and reproduce the process?”
The new Scopus features make this discussion much more concrete. What librarians were examining as an emerging change in research practice is now appearing inside one of the major academic databases used by students and researchers.
We returned directly to Aaron Tay’s work in June in “From Google Scholar to ChatGPT Study Mode: Lessons from Librarians for AI in Education”. In that post, we discussed Tay’s comparison between the history of Google Scholar and the current development of AI-supported search. Google Scholar made academic searching easier, but librarians repeatedly raised questions about unclear coverage, limited control, inconsistent metadata and ranking. (Science and Research)
The lesson was important: an easier search interface does not automatically produce a better research process.
The same issue now appears with AI search.
If a student receives 100 apparently relevant papers after writing one natural-language question, the experience feels much easier than constructing a Boolean query. But ease of use does not tell us whether important studies were missed, why the papers were ranked in that order or how reproducible the search is.
Our August post, “Scopus or Web of Science? The Better Question Is: What Are You Trying to Do?”, added another part of the same argument. There is no universally “best” database. The appropriate source depends on the research task. A doctoral student exploring a field, a researcher conducting a systematic review and a team performing bibliometric analysis have different requirements. (Science and Research)
Aaron Tay’s analysis of Semantic Search reinforces this point.
A list of 100 highly relevant papers may be useful if you are learning about an unfamiliar research topic.
The same list may be insufficient if you need to show that you searched a field systematically.
This distinction is important for students.
Suppose a master’s student is beginning a thesis on AI adoption among small businesses. Semantic Search may help the student identify useful terminology, important papers and relevant authors.
A doctoral student preparing a systematic literature review needs something more. The student may need to record databases, search strings, filters, dates, inclusion criteria and exclusion criteria.
A researcher conducting bibliometric analysis needs an even more clearly defined dataset because the final maps, networks and rankings depend directly on which documents entered the analysis.
The same search technology can therefore be useful for one task and inappropriate as the sole method for another.
The discussion also connects with our July post on “Claude Science: Anthropic Introduces an AI Workbench for Research”. There we examined a broader change in research tools. AI systems are moving beyond answering individual questions and toward supporting connected research workflows, including literature discovery, data analysis, coding, documentation and manuscript preparation. (Science and Research)
The expanding AI capabilities in Scopus show the same development inside academic search.
The broader lesson goes beyond Scopus.
Academic searching is gradually moving from:
“Tell me exactly which words to search for.”
toward:
“Tell me what you are trying to find.”
This makes searching easier for the user, but more decisions now happen inside the system.
The AI may interpret the research question, generate keywords, apply filters, convert concepts into vectors, retrieve documents and rank the results before the researcher sees anything.
Each step can help.
Each step can also introduce an error.
For students and faculty, this suggests a simple change in practice. When using AI-supported search, do not stop after looking at the results.
Ask:
How did the system understand my question?
What search terms or concepts did it use?
Which filters did it apply?
Why did these papers appear?
What relevant research might be missing?
Can I reproduce or document the search?
These questions connect searching with research judgment.
For a student starting a bachelor’s or master’s thesis, Semantic Search may be an effective way to explore unfamiliar terminology.
For a doctoral student developing a literature review, AI Query Builder may provide a useful first version of a search strategy.
For a researcher conducting a systematic or bibliometric review, traditional structured searching may still provide the transparency and reproducibility required for the method.
AI can help build a search. It can identify related concepts and find papers that keyword searches may miss.
But AI cannot determine whether the resulting body of literature adequately represents your research question.
That decision still belongs to the researcher.		Scopus променя начина, по който изследователите търсят академична литература.
В своята неотдавнашна публикация „AI Search capabilities in Scopus are expanding“ библиотекарят и специалист по академично търсене Aaron Tay разглежда две нови функции на Scopus, AI Query Builder и Semantic Search. „AI търсене“ не означава едно единствено действие. Различни AI инструменти могат да се включват на различни етапи от процеса на търсене и изследователите трябва да разбират какво прави системата, преди да се доверят на резултатите. (aarontay.substack.com)
Традиционно търсенето в Scopus изисква да мислите чрез ключови думи, булеви оператори и филтри. Ако искате да изследвате използването на генеративен AI от университетски студенти, може да изградите заявка с термини като „generative AI“, „ChatGPT“, „higher education students“ и „technology adoption“.
Новият AI Query Builder променя този процес.
Вместо да изграждате търсенето от нулата, можете да зададете въпрос на естествен език, например:
„Кои фактори влияят върху приемането на генеративен AI от университетските студенти?“
След това Scopus превежда въпроса ви в по-традиционно булево търсене. Системата може да добави свързани термини като „large language model“, „ChatGPT“, „acceptance“, „intention to use“ или „higher education students“.
Това може да спести време, особено на студенти, които тепърва се учат да работят с академични бази данни. Може също да помогне на опитни изследователи да открият синоними, които са пропуснали.
Tay обръща внимание на един важен проблем.
Преди Scopus да започне търсенето в базата данни, AI трябва първо да интерпретира намерението зад вашето търсене.
Да предположим, че студент по туризъм пита:
„Намери изследвания за приемането на AI от малки туристически предприятия в Европа след 2020 г.“
Системата трябва да разбере няколко неща едновременно. Темата е приемането на AI. Организациите са малки туристически предприятия. Географският фокус е Европа. Периодът започва след 2020 г.
Ако AI разбере погрешно една част от заявката, търсенето може да се насочи в погрешна посока.
Това добавя още една стъпка за изследователите. Не трябва да проверявате само публикациите, върнати от базата данни. Трябва да проверявате и как AI е интерпретирал вашия въпрос.
Удобно е, че Scopus AI Query Builder показва генерираната булева заявка. Това означава, че можете да я прегледате, да премахнете нерелевантни термини, да добавите липсващи понятия и да коригирате филтрите, преди да стартирате търсенето.
Това се свързва директно с по-ранната ни публикация в Science & Research, „Scopus or Web of Science? The Better Question Is: What Are You Trying to Do?“. В нея посочихме, че изборът и използването на база данни са част от дизайна на изследването. Изследователите все още трябва да дефинират понятията, да избират подходящи източници, да изграждат стратегии за търсене и да обясняват своите решения. (Science and Research)
AI не премахва тази отговорност. Той само променя кой създава първата версия на търсенето.

Втората новост, която Tay разглежда, е Semantic Search.
Традиционното академично търсене зависи силно от думите, които въвеждате. Ако търсите „employee intention to leave“, релевантна публикация, която използва термина „turnover intention“, може да не се появи, освен ако базата данни не свърже двата израза.
Semantic Search работи по различен начин.
Вместо да търси само съвпадащи думи, системата се опитва да открие документи със сходно значение. От техническа гледна точка заявката и документите се представят като вектори, а системата търси документи, които са близки по смисъл до зададения въпрос. (aarontay.substack.com)
Не е необходимо студентите да разбират математиката, за да видят практическата полза.
Представете си студент по маркетинг, който изследва защо хората спират да следват инфлуенсъри в социалните мрежи. Релевантните изследвания могат да използват термини като „unfollowing behaviour“, „social media disengagement“, „influencer fatigue“, „creator fatigue“ или „parasocial relationship deterioration“.
Търсене по ключови думи може да пропусне част от тези публикации.
Семантичното търсене може да ги открие, защото понятията са свързани, дори когато авторите използват различна терминология.
Това може да бъде полезно, когато студентите започват работа по дипломна работа, дисертация или изследователски проект. В началото на проекта те често още не познават правилната академична терминология. Semantic Search може да им помогне да открият термини, автори и изследователски направления, за които не са знаели.
Но Semantic Search създава и методологичен проблем.
Според Tay Scopus Semantic Search в момента връща първите 100 резултата.
Това е важно, защото традиционното търсене може да върне няколко хиляди документа. След това изследователите могат да ги филтрират по година, предметна област, тип документ или други критерии.
Semantic Search работи по-скоро като система за класиране. На практика тя казва: това са 100-те документа, които са най-сходни с вашия въпрос.
За проучвателно търсене това може да работи добре.
При систематичен обзор, библиометричен анализ или друго изследване, при което пълнотата и възпроизводимостта са важни, ситуацията е различна.
Защо са избрани точно тези 100 публикации?
Защо публикация номер 100 е включена, а номер 101 е изключена?
Може ли друг изследовател да възпроизведе точно същия набор?
Тези въпроси стават важни, когато процесът на търсене е част от формалния изследователски метод.
Продължение на по-ранна дискусия в този блог
Новата публикация на Aaron Tay продължава дискусия, която следим в блога Science & Research от няколко месеца.
През април, в „How librarians are redesigning research in the age of AI“, разгледахме как библиотекарите работят между два модела на академично търсене. Единият разчита на бази данни, контролирани речници, булева логика и прозрачни стратегии за търсене. Другият все повече разчита на въпроси на естествен език, AI интерпретация и автоматизирано извличане на информация. (Science and Research)
В тази публикация обсъдихме и нарастващото значение на рамките за разбиране на AI системите за търсене. Основните въпроси вече започваха да се променят от:
„Кой инструмент трябва да използвам?“
към:
„Какво прави системата с моя въпрос?“
„Как генерира резултатите?“
„Мога ли да разбера и възпроизведа процеса?“
Новите функции на Scopus правят тази дискусия много по-конкретна. Това, което библиотекарите разглеждаха като нововъзникваща промяна в изследователската практика, вече се появява в една от основните академични бази данни, използвани от студенти и изследователи.
През юни отново се върнахме директно към работата на Aaron Tay в „From Google Scholar to ChatGPT Study Mode: Lessons from Librarians for AI in Education“. В тази публикация обсъдихме сравнението на Tay между историята на Google Scholar и сегашното развитие на AI-подпомаганото търсене. Google Scholar направи академичното търсене по-лесно, но библиотекарите многократно поставяха въпроси за неясния обхват, ограничения контрол, непоследователните метаданни и начина на класиране на резултатите. (Science and Research)
Изводът беше важен: по-лесният интерфейс за търсене не води автоматично до по-добър изследователски процес.
Същият проблем сега се появява и при AI търсенето.
Ако студент получи 100 на пръв поглед релевантни публикации, след като е написал един въпрос на естествен език, преживяването изглежда много по-лесно от създаването на булева заявка. Но лесното използване не ни показва дали важни изследвания са били пропуснати, защо публикациите са подредени точно в този ред или доколко търсенето е възпроизводимо.
Нашата августовска публикация „Scopus or Web of Science? The Better Question Is: What Are You Trying to Do?“ добави още една част към същия аргумент. Няма универсално „най-добра“ база данни. Подходящият източник зависи от конкретната изследователска задача. Докторант, който проучва дадена област, изследовател, който провежда систематичен обзор, и екип, който извършва библиометричен анализ, имат различни изисквания. (Science and Research)
Анализът на Aaron Tay за Semantic Search потвърждава тази идея.
Списък със 100 силно релевантни публикации може да бъде полезен, ако изучавате непозната изследователска тема.
Същият списък може да бъде недостатъчен, ако трябва да покажете, че сте претърсили дадена научна област систематично.
Това разграничение е важно за студентите.
Да предположим, че магистър започва дипломна работа за приемането на AI от малките предприятия. Semantic Search може да му помогне да открие полезна терминология, важни публикации и релевантни автори.
Докторант, който подготвя систематичен литературен обзор, се нуждае от нещо повече. Той може да трябва да документира базите данни, заявките за търсене, филтрите, датите, критериите за включване и критериите за изключване.
Изследовател, който провежда библиометричен анализ, се нуждае от още по-ясно дефиниран набор от данни, защото крайните карти, мрежи и класации зависят пряко от това кои документи са включени в анализа.
Следователно една и съща технология за търсене може да бъде полезна за една задача и неподходяща като единствен метод за друга.
Дискусията се свързва и с юлската ни публикация „Claude Science: Anthropic Introduces an AI Workbench for Research“. В нея разгледахме по-широка промяна в изследователските инструменти. AI системите се отдалечават от отговарянето на отделни въпроси и се насочват към подпомагане на свързани изследователски работни процеси, включително откриване на литература, анализ на данни, програмиране, документиране и подготовка на ръкописи. (Science and Research)
Разширяващите се AI възможности в Scopus показват същото развитие в рамките на академичното търсене.
По-общият извод надхвърля Scopus.
Академичното търсене постепенно се променя от:
„Кажи ми точно кои думи да търся.“
към:
„Кажи ми какво се опитваш да намериш.“
Това прави търсенето по-лесно за потребителя, но повече решения вече се вземат вътре в системата.
AI може да интерпретира изследователския въпрос, да генерира ключови думи, да прилага филтри, да преобразува понятията във вектори, да извлича документи и да подрежда резултатите, преди изследователят да види каквото и да било.
Всяка от тези стъпки може да помогне.
Всяка от тях може и да въведе грешка.
За студентите и преподавателите това предполага проста промяна в практиката. Когато използвате AI-подпомагано търсене, не спирайте след преглеждането на резултатите.
Попитайте:
Как системата разбра моя въпрос?
Какви термини или понятия използва при търсенето?
Какви филтри приложи?
Защо се появиха точно тези публикации?
Какви релевантни изследвания може да липсват?
Мога ли да възпроизведа или документирам търсенето?
Тези въпроси свързват търсенето с изследователската преценка.
За студент, който започва бакалавърска или магистърска теза, Semantic Search може да бъде ефективен начин за проучване на непозната терминология.
За докторант, който разработва литературен обзор, AI Query Builder може да предложи полезна първа версия на стратегията за търсене.
За изследовател, който провежда систематичен или библиометричен обзор, традиционното структурирано търсене все още може да осигури прозрачността и възпроизводимостта, които методът изисква.
AI може да помогне при изграждането на търсенето. Той може да идентифицира свързани понятия и да открие публикации, които търсенето по ключови думи може да пропусне.
Но AI не може да определи дали полученият корпус от литература представя адекватно вашия изследователски въпрос.
Това решение остава отговорност на изследователя.

References
Aaron Tay. “AI Search capabilities in Scopus are expanding: From LLM-to-Boolean conversion to vector retrieval, filters and query interpretation.” 30 August 2026.
Science & Research at UEV. “How librarians are redesigning research in the age of AI.” 21 April 2026.
Science & Research at UEV. “From Google Scholar to ChatGPT Study Mode: Lessons from Librarians for AI in Education.” 19 June 2026.
Science & Research at UEV. “Claude Science: Anthropic Introduces an AI Workbench for Research. What Does This Mean for Researchers at the University of Economics Varna?” 1 July 2026.
Science & Research at UEV. “Scopus or Web of Science? The Better Question Is: What Are You Trying to Do?” 11 August 2026.
I verified the links to Aaron Tay’s 30 August post and the Science & Research articles before inserting them. (aarontay.substack.com)