Varför du måste kontrollera AI-källor i akademiska texter

Du bad AI:n om hjälp med en litteraturöversikt, fick en snygg text med namn, årtal och en referenslista som såg helt normal ut — men när du söker efter artiklarna finns två av dem inte, en tredje har fel titel och en fjärde handlar om något annat än påståendet i stycket. Det är här många studenter upptäcker att det inte räcker att texten låter akademisk. Om du ska använda AI i en kandidatuppsats, masteruppsats, hemtenta eller seminarieuppgift behöver du kontrollera AI-källor innan de hamnar i din inlämning. Annars riskerar du att bygga ett argument på källor som är fel, irrelevanta eller helt påhittade.

AI-genererade akademiska texter kräver källkontroll eftersom modellen kan producera trovärdigt språk utan att ha verifierat att varje källa existerar eller stödjer påståendet. Den säkra arbetsgången är att behandla varje AI-föreslagen källa som ett sökförslag, inte som en färdig referens, tills du själv har hittat, läst och kontrollerat den.

In this guide

• Varför behöver du kontrollera AI-källor innan du använder dem?
• Varför hittar AI på referenser i akademiska texter?
• Hur verifierar du AI-källor steg för steg?
• Vad är skillnaden mellan falska referenser från AI och svagt använda källor?
• Vilka risker med AI i akademiskt skrivande gäller på kandidat- och masternivå?
• Vilka misstag gör studenter ofta när de kontrollerar AI-källor?
• Hur kan du använda AI utan att tappa akademisk kontroll?
• När är din källkontroll tillräcklig för att gå vidare?

Varför behöver du kontrollera AI-källor innan du använder dem?

Du behöver kontrollera AI-källor eftersom en akademisk text bedöms utifrån spårbarhet, relevans och korrekt användning av källor — inte bara utifrån flytande formuleringar. En AI-genererad referens kan se formellt korrekt ut men ändå vara felaktig, ofullständig eller kopplad till fel påstående. Källkontroll är därför en del av ditt ansvar som student, även om AI:n hjälpte dig att planera eller formulera utkastet.

Källan måste finnas, passa och säga rätt sak

En källa är inte användbar bara för att den har ett författarnamn och ett årtal. Källkontroll betyder att du säkerställer tre saker: källan existerar, den är relevant för ämnet och den stödjer det konkreta påståendet i din text. Alla tre måste stämma.

Tänk dig en psykologiuppsats om sambandet mellan sociala medier och sömnkvalitet hos universitetsstudenter. AI:n föreslår en artikel som enligt referenslistan handlar om “digital media exposure and sleep hygiene among young adults”. Om artikeln inte går att hitta i databaserna är den oanvändbar. Om den finns men egentligen handlar om barn i lågstadiet är den svagt relevant. Om den finns och handlar om studenter men inte mäter sömnkvalitet, kan den ändå inte användas för just det påståendet.

Det är därför en AI-genererad litteraturöversikt behöver läsas som ett preliminärt arbetsmaterial. Den kan visa möjliga teman, begrepp och riktningar, men den ersätter inte din kontroll i bibliotekets databaser, Google Scholar, PubMed, SwePub eller andra relevanta söktjänster.

Akademiskt ansvar går inte att outsourca

På kandidat- och masternivå förväntas du kunna visa varifrån dina påståenden kommer. Det innebär inte att du måste vara expert från början, men du måste kunna följa kedjan från argument till källa. Om en handledare frågar “var står det i artikeln?” behöver du kunna peka på en sida, ett avsnitt, en tabell eller ett resultat.

Här skiljer sig AI-stöd från vanlig språkgranskning. En språkgranskare kan förbättra formuleringar, men källans innehåll måste fortfarande kontrolleras av dig. En AI-modell kan dessutom skapa en illusion av säkerhet genom att skriva med akademisk ton, använda korrekta referensmarkörer och placera påståenden i rimliga sammanhang.

För en mer systematisk metod för källbedömning kan du jämföra ditt källarbete med Källkritik av vetenskapliga artiklar som källnätverk, särskilt när du behöver avgöra om en artikel är vetenskaplig, relevant och tillräckligt nära din frågeställning.

AI-text kan dölja svaga källkedjor

Ett vanligt problem är att AI skriver övergångar som får forskningsläget att låta mer sammanhängande än det är. Den kan exempelvis skriva: “Tidigare forskning visar tydligt att digital återkoppling förbättrar studenters motivation.” Det låter rimligt, men du behöver veta vilken forskning, vilken typ av återkoppling, vilka studenter och hur motivation mättes.

I en utbildningsvetenskaplig uppsats om formativ återkoppling i gymnasiets skrivundervisning är skillnaden stor mellan en studie om automatiserad grammatikfeedback och en studie om lärarkommentarer på argumenterande texter. Båda kan nämna “feedback”, men de stödjer inte samma slutsats. Att verifiera AI-källor handlar därför också om att kontrollera begreppens betydelse i sitt sammanhang.

Varför hittar AI på referenser i akademiska texter?

AI hittar på referenser eftersom språkmodeller genererar sannolika textmönster, inte verifierade bibliografiska poster. Modellen kan kombinera verkliga forskarnamn, rimliga tidskriftstitlar och akademiskt klingande artikeltitlar till en referens som ser äkta ut. Det kallas ofta hallucination, men i praktiskt uppsatsarbete betyder det att du måste kontrollera varje källa innan du litar på den.

Modellen skriver sannolikt, inte kontrollerat

En språkmodell tränas på stora mängder text och lär sig vilka ord, format och fraser som brukar följa på varandra. När du ber den om “fem källor om sjuksköterskors arbetsbelastning och patientsäkerhet” kan den producera referenser som liknar sådana som brukar förekomma i vårdvetenskap. Det betyder inte att modellen har öppnat databasen CINAHL, läst artiklarna och kontrollerat DOI.

I en omvårdnadsuppsats om läkemedelsföljsamhet bland äldre patienter efter utskrivning till hemsjukvård kan en AI-genererad källa se perfekt ut: rätt ämnesord, rimlig tidskrift och ett trovärdigt årtal. Men om den inte existerar, eller om artikeln egentligen handlar om sjukhuspersonalens dokumentationsrutiner, hjälper den inte din analys. Referensens yta räcker inte.

AI hittar på referenser oftare när studenten frågar efter mycket specifika källor utan att kräva verifierbara identifierare. En begäran som “ge mig tio nya artiklar från 2021–2024 om X” kan leda till fler fabricerade poster än en begäran om sökord, databaser och bedömningskriterier.

Varför falska referenser kan se riktiga ut

Falska referenser från AI är svåra att upptäcka eftersom de ofta följer rätt stil. De kan ha korrekt APA-liknande struktur, rimliga volymnummer och titlar som använder etablerade akademiska begrepp. Felet ligger inte alltid i formen, utan i att kombinationen av uppgifter inte motsvarar en verklig publikation.

Jämför följande:

AI-genererad version	Kontrollerad version
“Andersson, L. & Berg, M. (2022). Student motivation in digital classrooms. Journal of Educational Learning, 18(2), 44–59.”	Källan hittas inte i bibliotekets databas; använd inte referensen. Sök i stället på “digital feedback”, “student motivation” och “higher education”.
“WHO (2020) visar att sjuksköterskebrist direkt orsakar medicineringsfel.”	Kontrollera rapporten: om den diskuterar personalbrist generellt men inte medicineringsfel direkt måste påståendet smalnas av.
“Forskning visar att distansarbete ökar produktiviteten i alla branscher.”	En managementstudie kan gälla kunskapsarbete i stora företag; skriv inte om “alla branscher” om källan inte gör det.
“Smith et al. (2019) definierar social ångest som låg självkänsla.”	Om artikeln mäter social ångest med en klinisk skala men inte definierar den så, behöver formuleringen ändras.

Tabellen visar en central poäng: problemet är inte bara om referensen finns. Problemet är också om du använder källan med rätt precision.

Begränsad tillgång till databaser skapar luckor

Många AI-verktyg har inte direkt tillgång till ditt universitets biblioteksabonnemang. Även verktyg med webbfunktioner kan missa betalväggar, databasposter, korrigerade metadata eller den fullständiga artikeln. Därför kan AI:n blanda samman abstracts, citeringar och sekundära beskrivningar.

Det betyder inte att AI är värdelöst i akademiskt skrivande. Det betyder att AI fungerar bäst när du använder det för avgränsning, struktur, begreppskartor och utkast — medan källbeläggningen förblir kontrollerad av dig. Om du vill förstå skillnaden mellan generella chattverktyg och verktyg byggda för uppsatsskrivande kan du läsa ChatGPT och specialiserade AI-verktyg för uppsatsskrivande.

Hur verifierar du AI-källor steg för steg?

Du verifierar AI-källor genom att kontrollera varje referens mot en extern källa, helst bibliotekets databas, Google Scholar, DOI-register eller tidskriftens egen webbplats. Därefter jämför du metadata och läser den del av texten som ska stödja ditt påstående. En källa är inte verifierad förrän både referensen och användningen i stycket är kontrollerade.

En praktisk arbetsgång för verifiering

När du får en AI-genererad referenslista är det frestande att först fixa APA-formatet. Vänta med det. Börja i stället med att avgöra om källorna är verkliga och användbara.

1. Kopiera artikelns titel och sök den inom citattecken i Google Scholar eller bibliotekets söktjänst.
2. Sök på författarnamn tillsammans med ett centralt ämnesord om titeln inte ger träff.
3. Kontrollera DOI via Crossref eller tidskriftens webbplats om DOI finns angivet.
4. Jämför titel, författare, årtal, tidskrift, volym och sidor mot referensen AI:n gav.
5. Öppna abstract och kontrollera att ämne, metod och population passar din uppgift.
6. Läs det avsnitt som påståendet bygger på, inte bara abstract.
7. Markera källan som “verifierad”, “felaktig”, “svagt relevant” eller “ersätts”.
8. Korrigera referensen enligt den referensstil din kurs kräver.

Den här processen tar tid, men den sparar ofta mer tid än den kostar. En falsk eller felanvänd källa som upptäcks sent kan tvinga dig att skriva om hela argumentet.

Kontrollera påståendet, inte bara referensraden

Studenter fastnar ofta vid frågan “finns källan?” Det är bara första kontrollen. Nästa fråga är: “säger källan det jag använder den för?”

Anta att du skriver en företagsekonomisk uppsats om distansarbete och prestation i konsultföretag. AI:n föreslår ett stycke där flera källor används för att hävda att distansarbete alltid ökar produktiviteten. När du läser artiklarna ser du att en studie mäter självrapporterad arbetstillfredsställelse, en annan gäller IT-anställda under en kort period och en tredje diskuterar ledarskap snarare än prestation. Då behöver påståendet skrivas om.

Svag version: “Forskning visar att distansarbete gör anställda mer produktiva och nöjda (Garcia, 2021; Lee & Park, 2022).”

Starkare version: “Studier om distansarbete pekar på möjliga samband mellan flexibilitet, arbetstillfredsställelse och självrapporterad prestation, men resultaten beror på bransch, arbetsuppgifter och hur prestation mäts.”

Den starkare versionen lovar mindre, men är lättare att försvara. Den visar också att du har läst källorna som källor, inte bara använt dem som dekoration.

Dokumentera vad du har kontrollerat

En enkel källlogg kan rädda dig från förvirring när referenslistan växer. Skapa en tabell med kolumner som “AI-förslag”, “hittad källa”, “status”, “relevant påstående” och “anteckning”. Där kan du skriva exempelvis: “Titel fel, men liknande artikel hittad”, “finns men gäller annan population” eller “kan användas i bakgrund, inte i resultatdiskussion”.

Om du arbetar med APA 7 är det också bra att skilja mellan kontroll av källans existens och kontroll av referensformatet. För formatfrågor kan du använda Källkort som kopplas till referenslista enligt APA 7, men formatet kommer efter verifieringen. En perfekt formaterad falsk referens är fortfarande falsk.

Vad är skillnaden mellan falska referenser från AI och svagt använda källor?

Falska referenser från AI är referenser som inte motsvarar en verklig publikation eller innehåller så felaktiga uppgifter att källan inte kan identifieras säkert. Svagt använda källor finns däremot på riktigt men används för breda, felaktiga eller irrelevanta påståenden. Båda problemen skadar texten, men de kräver olika lösningar.

Falsk källa: ta bort eller ersätt

En falsk källa ska inte repareras genom gissningar. Om du inte kan hitta artikeln via titel, författare, DOI, tidskrift eller bibliotekets databaser bör du behandla den som oanvändbar. Skriv inte om referensraden så att den “ser bättre ut” om du inte vet vilken verklig källa den motsvarar.

Det gäller även när delar av referensen verkar rimliga. Kanske finns författaren, men inte artikeln. Kanske finns tidskriften, men inte volymnumret. Kanske finns artikeln, men med annan titel och annat ämne. Då har du inte en verifierad källa; du har en osäker ledtråd.

Verifiera AI-källor genom att kräva spårbarhet. En verklig vetenskaplig artikel bör normalt kunna hittas via minst en stabil väg: DOI, databaspost, tidskriftssida, bibliotekskatalog eller indexeringstjänst. Om du bara hittar AI-genererade upprepningar av samma referens på osäkra webbsidor är det en varningssignal.

Svag källa: avgränsa påståendet

En svagt använd källa behöver inte alltid tas bort. Ofta behöver påståendet bli mer exakt. Det är särskilt vanligt i litteraturöversikter där AI har gjort breda synteser utan att skilja mellan metod, population och kontext.

I en juridisk uppsats på kandidatnivå om arbetsgivares ansvar vid distansarbete kan AI:n föreslå källor om arbetsmiljö, integritet och arbetsledning. Om en källa egentligen handlar om fysisk arbetsmiljö på kontor kan den kanske användas i bakgrundsdelen, men inte som stöd för en slutsats om övervakning i digitala arbetsmiljöer. Lösningen är att flytta, begränsa eller ersätta källan.

Här är en enkel jämförelse:

Problem	Studentens formulering	Vad kontrollen visar	Bättre hantering
Falsk referens	“Nilsson och Ahmed (2023) visar att AI-feedback höjer betyg.”	Artikeln går inte att hitta.	Ta bort referensen och sök verkliga studier om AI-feedback.
Fel påstående	“Studien visar kausal effekt av sociala medier på ångest.”	Studien är tvärsnittlig och visar samband.	Skriv “samband”, inte “effekt”.
Fel population	“Resultaten gäller svenska sjuksköterskor.”	Studien gäller sjuksköterskestudenter i Kanada.	Begränsa formuleringen eller hitta svensk kontext.
För bred slutsats	“Distansarbete förbättrar produktiviteten.”	Källan gäller självskattad produktivitet i ett företag.	Skriv “i den studerade organisationen” och förklara måttet.

Källans roll avgör hur noggrann du måste vara

Alla källor bär inte samma vikt i en text. En bakgrundskälla som definierar ett allmänt begrepp behöver kontrolleras, men ett centralt argument i analysen kräver ännu högre precision. Om din forskningsfråga, hypotes eller diskussion vilar på en källa måste du förstå den ordentligt.

När du använder källor för att bygga en litteraturöversikt behöver du också undvika att stapla sammanfattningar utan syntes. En bra källkontroll frågar inte bara “är detta sant?” utan också “vilken funktion har denna källa i mitt argument?” För stöd med den delen kan du läsa Källor som förs samman till en syntes.

Vilka risker med AI i akademiskt skrivande gäller på kandidat- och masternivå?

De största riskerna med AI i akademiskt skrivande är felaktiga källor, otydligt eget bidrag, för breda påståenden och bristande spårbarhet. På kandidat- och masternivå kan dessa problem leda till omfattande revideringar, svagare argumentation eller misstanke om slarv med akademisk integritet. Riskerna minskar när du använder AI som stöd för struktur och utkast, men själv kontrollerar källor och innehåll.

Risken att texten låter bättre än den är

AI kan skriva med en jämn akademisk ton som döljer att argumentet är tunt. Det är särskilt lockande när du har ont om tid och behöver fylla en litteraturdel. Problemet är att en välformulerad men källsvag text ofta faller direkt när handledaren granskar påståendena.

I samhällsvetenskapliga uppsatser märks detta ofta i svepande uttryck som “forskning visar”, “många studier bekräftar” eller “det råder konsensus”. Om du inte kan namnge vilka studier, vad de faktiskt undersöker och hur resultaten skiljer sig åt, är formuleringen för stark. Skriv hellre smalare och mer kontrollerat.

Risker med AI i akademiskt skrivande handlar därför inte bara om fuskfrågor. Det handlar också om kvalitet: begrepp som glider, metoder som blandas ihop, källor som används utanför sitt sammanhang och slutsatser som blir större än materialet tillåter.

Risken att du tappar ägarskap över texten

En uppsats bedöms inte bara som textprodukt, utan som ett tecken på din akademiska förståelse. Om AI:n har föreslagit struktur, forskningsfråga, hypoteser och källor behöver du fortfarande kunna förklara varför dessa val passar uppgiften. Annars märks det ofta i metodkapitel, diskussion eller muntliga seminarier.

Anta att du skriver en masteruppsats i folkhälsovetenskap om fysisk aktivitet och psykiskt välbefinnande bland unga vuxna. Om AI:n föreslår teorier om beteendeförändring men du inte kan förklara varför en viss teori passar dina variabler, blir teoridelen skör. Samma sak gäller källor: du måste veta varför just dessa artiklar hör hemma i din text.

Ett bra sätt att behålla ägarskap är att skriva korta marginalanteckningar till varje central källa: “används för definition”, “stödjer metodval”, “visar motsatt resultat”, “begränsad överförbarhet”. Då blir källorna en del av din analys, inte bara en lista.

Risken att referenshanteringen blir inkonsekvent

AI-genererade referenser kan blanda APA, Harvard och egna format. Den kan också skriva olika versioner av samma källa på olika ställen. Det skapar problem när hänvisningar i texten inte matchar referenslistan.

Källkontroll behöver därför inkludera kopplingen mellan löpande hänvisningar och referenslista. Om du nämner “Johansson och Patel (2020)” i texten måste samma källa finnas i referenslistan med korrekt årtal. Om referenslistan innehåller “Patel & Johansson (2021)” behöver du reda ut om det är samma artikel, en annan artikel eller ett AI-fel. För den kopplingen kan Kopplingen mellan hänvisningar i text och referenslista vara ett praktiskt stöd.

Vilka misstag gör studenter ofta när de kontrollerar AI-källor?

Studenter missar ofta källkontrollen för att de granskar referenslistans utseende i stället för källornas innehåll. De vanligaste misstagen är att lita på akademisk ton, söka för ytligt, acceptera felaktiga DOI:er och använda verkliga källor för påståenden de inte stödjer. Varje misstag går att rätta med en tydligare kontrollrutin.

Fyra konkreta misstag att undvika

1. Att tro att APA-format betyder att källan är riktig
   Studentexempel: “Referensen ser korrekt ut: Andersson, K. (2021). Digital learning outcomes. Scandinavian Journal of Education, 14(3), 201–219.”
   Korrigering: Kontrollera om artikeln faktiskt finns. Ett korrekt mönster är inte samma sak som en verklig publikation.

2. Att nöja sig med första Google-träffen
   Studentexempel: “Jag hittade titeln på en sida som listar artiklar, så jag använder den.”
   Korrigering: Sök källan i bibliotekets databas, Google Scholar, tidskriftens webbplats eller DOI-register. Osäkra listningssidor räcker inte som verifiering.

3. Att använda abstract som om det vore hela artikeln
   Studentexempel: “Abstract nämner stress hos sjuksköterskor, så jag skriver att studien visar att bemanning orsakar stress.”
   Korrigering: Läs metod och resultat. Om studien visar ett samband eller beskriver upplevelser ska du inte skriva kausalitet.

4. Att låta AI byta ut källor utan ny kontroll
   Studentexempel: “AI:n sa att den första källan var fel och gav tre bättre alternativ, så jag lade in dem.”
   Korrigering: Varje ny källa måste genomgå samma kontroll. Annars flyttar du bara problemet ett steg framåt.

5. Att behålla en källa för att den passar argumentet för bra
   Studentexempel: “Artikeln säger exakt det jag behöver, men jag hittar den inte någonstans.”
   Korrigering: Om källan inte går att verifiera ska den bort. Ett perfekt stöd som inte existerar är inget stöd.

Tecken på att en referens är misstänkt

Det finns flera varningssignaler som bör få dig att stanna upp. En titel som låter ovanligt generisk, en tidskrift som verkar ha ett namn som nästan liknar en verklig tidskrift, eller en DOI som inte leder någonstans är vanliga exempel. Även felaktiga sidintervall, orimliga volymnummer och författare som inte verkar ha publicerat inom ämnet kan tyda på problem.

Samtidigt ska du inte döma ut en källa för snabbt. Vissa artiklar har svårfunna metadata, särskilt konferensbidrag, bokkapitel eller äldre publikationer. Skillnaden är att du då behöver en stabil identifiering: bibliotekspost, förlagssida, DOI, ISBN eller annan verifierbar information. Om allt du har är en AI-genererad rad bör du inte använda den.

Hur kan du använda AI utan att tappa akademisk kontroll?

Du kan använda AI säkrare genom att låta verktyget hjälpa till med idéer, struktur, begrepp och kontrollfrågor, men inte behandla dess källor som färdiga bevis. Be AI om sökord, möjliga databaser, jämförelsekriterier och frågor att ställa till artiklarna. Använd däremot bibliotekets databaser och din egen läsning för att avgöra vilka källor som faktiskt ska in i texten.

Be om sökstrategi i stället för färdiga referenser

En bättre prompt är ofta: “Föreslå sökord och kombinationer för en litteratursökning om studenters användning av AI-feedback i högre utbildning.” Det ger dig begrepp att söka vidare på, utan att du riskerar att klistra in påhittade referenser. Du kan också be om synonymer, närliggande begrepp och möjliga avgränsningar.

För en kandidatuppsats i pedagogik kan AI exempelvis hjälpa dig att skilja mellan “automated feedback”, “formative feedback”, “AI writing tools” och “student writing self-efficacy”. Därefter söker du själv i ERIC, Scopus, Web of Science, Google Scholar eller universitetets söktjänst. På så sätt används AI för orientering, inte som källa.

Du kan också be AI skapa en tabellmall för jämförelse av artiklar: syfte, metod, urval, centrala resultat, begränsningar och relevans för din forskningsfråga. Då blir arbetet mer kontrollerbart.

Låt källorna styra texten, inte tvärtom

Ett vanligt problem uppstår när studenten först låter AI skriva ett helt avsnitt och sedan försöker hitta källor som passar. Det leder lätt till att du jagar stöd för formuleringar som kanske aldrig borde ha skrivits. En säkrare ordning är att först samla och läsa centrala källor, sedan låta AI hjälpa till att strukturera dina anteckningar.

Om du redan har ett AI-utkast kan du vända processen:

1. Markera varje påstående som kräver källa.
2. Skriv vilken typ av källa som skulle behövas för att stödja påståendet.
3. Kontrollera om den angivna källan verkligen gör det.
4. Stryk eller skriv om påståenden som saknar stöd.
5. Lägg till nyanser där källorna visar blandade resultat.

Den här ordningen skyddar dig från att texten blir mer säker än forskningsläget. Den hjälper också när du ska skriva diskussion, eftersom du redan vet var resultaten är tydliga, begränsade eller motsägelsefulla.

Använd AI för frågor till källan

AI kan vara användbart som läspartner om du ger den verifierade utdrag, egna anteckningar eller abstracts som du själv har hämtat. Du kan be om kontrollfrågor: “Vilka delar av denna artikel behöver jag läsa för att avgöra om den stödjer mitt påstående?” eller “Vilka begränsningar i metod och urval bör jag notera?”

Var försiktig med att ladda upp material som omfattas av upphovsrätt eller kursregler. Följ alltid universitetets riktlinjer. Men på en generell nivå kan AI hjälpa dig att formulera bättre frågor till texten: Vad mäts? Vilken population gäller? Är resultatet statistiskt samband, tematisk tolkning eller teoretiskt argument? Vilka begränsningar nämner författarna?

Det är här AI kan stärka din akademiska process utan att ersätta den. Den hjälper dig att se vad du behöver kontrollera, men den kan inte ta över ansvaret för slutsatsen.

När är din källkontroll tillräcklig för att gå vidare?

Din källkontroll är tillräcklig när varje central källa är hittad, identifierad, läst på relevant nivå och kopplad till rätt påstående. Du behöver också ha rensat bort falska referenser från AI och skrivit om påståenden som blev för breda. Först då bör du lägga större tid på språk, referensstil och finputsning.

Rimlig nivå för olika typer av källor

Alla källor kräver inte samma mängd läsning. En central teoriartikel, en metodkälla eller en studie som bär upp din analys behöver läsas mer noggrant än en bakgrundskälla. Men även bakgrundskällor måste vara verkliga och relevanta.

För empiriska artiklar bör du åtminstone kontrollera syfte, metod, urval, centrala resultat och begränsningar. För teoretiska texter bör du kontrollera huvudbegrepp, argument och hur texten används i senare forskning. För rapporter bör du kontrollera avsändare, publiceringsår, metod och om rapporten är primärkälla eller sammanställning.

Om du märker att du inte kan förklara varför en källa finns med, är det ofta ett tecken på att den ska bort eller flyttas. En kortare referenslista med kontrollerade källor är bättre än en lång lista där flera poster inte håller.

Innan du går vidare: checklista för att kontrollera AI-källor

• Jag har sökt upp varje AI-föreslagen källa i en extern databas eller på en verifierbar webbplats.
• Jag har kontrollerat titel, författare, årtal, tidskrift eller förlag och eventuell DOI.
• Jag har tagit bort referenser som inte går att hitta säkert.
• Jag har markerat källor som finns men inte passar mitt ämne.
• Jag har läst relevanta avsnitt, inte bara litat på AI:ns sammanfattning.
• Jag har kontrollerat att varje källa stödjer just det påstående där den används.
• Jag har ändrat formuleringar där AI gjorde slutsatserna för breda.
• Jag har skilt mellan samband, orsak, tolkning och teoretiskt argument.
• Jag har kontrollerat att hänvisningar i texten matchar referenslistan.
• Jag har följt kursens regler för AI-användning och referenshantering.
• Jag kan muntligt förklara varför mina viktigaste källor hör hemma i texten.

Slutkontroll före inlämning

Den sista kontrollen bör ske innan du lägger tid på layout och språkputs. Läs igenom texten och ställ en enkel fråga vid varje hänvisning: “Vad gör den här källan här?” Om svaret är oklart behöver källan granskas igen.

Kontrollera också att din text inte låter mer säker än källorna tillåter. Ord som “bevisar”, “alltid”, “alla” och “direkt leder till” kräver ofta starkare stöd än studenter först tror. I många akademiska texter är “tyder på”, “kan kopplas till”, “visar samband med” eller “i den studerade kontexten” mer korrekt.

Källkontroll är inte ett extra moment vid sidan av skrivandet. Det är själva länken mellan din text och den forskning du bygger på. När den länken håller blir både argumentet, strukturen och diskussionen lättare att försvara.

Rekommenderade interna länkar

(Byggsystemets metadata — ta inte bort detta avsnitt)

• Källkritik av vetenskapliga artiklar som källnätverk
• Källkort som kopplas till referenslista enligt APA 7
• Källor som förs samman till en syntes
• Kopplingen mellan hänvisningar i text och referenslista