Kako sprovesti literature review za UX istraživanje: praktičan vodič sa AI promptovima

Šta je literature review?

Literature review (pregled literature) je sekundarna istraživačka metoda u kojoj istraživač prikuplja, skenira i sintetiše objavljena istraživanja na definisano pitanje — akademske radove, industrijske izveštaje, peer-reviewed studije, ustanovljene biblioteke dizajn-obrazaca i interne istraživačke repozitorijume — kako bi izneo na površinu šta je već poznato pre nego što se pokrene novo istraživanje. Za razliku od širokog desk research skena koji povlači bilo koji relevantan materijal, literature review je fokusirana, time-boxed revizija objavljenih dokaza koja daje strukturisanu sintezu sa eksplicitnim prazninama i preporukama. Za UX timove, scoping ili rapid literature review na fokusirano pitanje traje od pet sati do dve nedelje i višestruko se isplaćuje, sprečavajući tim da iznova gradi ono što su drugi istraživači već dokumentovali i validirali.

Na koje pitanje odgovara metoda?

Šta je već poznato o ovoj korisničkoj grupi, ovom domenu ili ovom dizajn-obrascu, i gde su objavljeni dokazi jaki, a gde slabi?
Da li su drugi istraživači već odgovorili na pitanje na koje smo se spremili da potrošimo sprint pokušavajući sami da odgovorimo?
Koji dizajn-obrasci su testirani i validirani u objavljenim istraživanjima, a koji su još netestirana folklor priča?
Šta akademska i industrijska literatura kaže o failure modes pristupa koji se spremamo da izbacimo?
Koje istraživačke praznine opravdavaju pokretanje sopstvene primarne studije, a na koja pitanja možemo trenutno odgovoriti iz postojećih dokaza?
Za regulisan ili nepoznat domen (zdravstvo, finansije, accessibility) — šta objavljena istraživanja kažu da moramo uzeti u obzir pre dizajna?

Kada koristiti literature review

Pre svakog većeg istraživačkog projekta, kako bi se iznela pitanja na koja je već odgovoreno i oslobodio budžet za primarno istraživanje za prave nepoznanice.
Kada se ulazi u novi domen, kategoriju proizvoda ili korisnički segment gde tim nema prethodno iskustvo i treba da se brzo upozna sa ustanovljenim nalazima pre nego što počne dizajn ili intervjui.
Kada se opravdava dizajn odluka pred stejkholderima koji žele dokaze jače od “best practices” — peer-reviewed studije i industrijski izveštaji nose veću težinu od mišljenja.
Kada se revizira sporan dizajn izbor (obrazac interakcije, copy odluka, metrika) protiv objavljenih dokaza kako bi se potvrdila ili opovrgla intuicija tima.
Pri pripremi istraživačkog predloga, prijave za grant ili strateškog dokumenta čije preporuke treba ukoreniti u postojećem korpusu znanja.
Kada budžet potpuno isključuje primarno istraživanje, a timu i dalje treba odbranjiv, dokazno utemeljen odgovor na strateško pitanje.

Nije prava metoda kada je pitanje specifično za vaše jedinstvene korisnike i proizvod, a u objavljenoj literaturi nema analoga — u tom slučaju primarno istraživanje (intervjui, testovi upotrebljivosti, analitika) je jedini iskren odgovor. Takođe je pogrešan izbor kada timu treba sveža, situaciona uvida o živom korisniku — literatura je snimak onoga što je bilo tačno u trenutku objave, a ne čitanje trenutne baze klijenata u realnom vremenu. Literature review se ne sme koristiti kao način odlaganja odluka unedogled; ako je pitanje hitno, a literatura tanka, pokrenite malu primarnu studiju i dokumentujte šta ste naučili za sledeći tim. Konačno, ne brkajte ga sa čitanjem nekoliko blog postova; pravi literature review skenira po kvalitetu izvora, uključuje protivrečne dokaze i sintetiše kroz studije umesto da svaku prepričava posebno.

Šta dobijate na izlazu

Dokument research questions: jednostrano izlaganje dva do četiri fokusirana pitanja na koja će obzir odgovoriti, scope (vremenski prozor, tipovi izvora, jezici) i kriterijume uključivanja/isključivanja za izvore.
Source log: strukturisana tabela ili baza sa jednim redom po izvoru, gde su zabeleženi autor, godina, tip izvora, dizajn studije, ključni nalazi, ocena relevantnosti i jednoparagrafna ekstrakcija relevantnih uvida.
Tematska sinteza: nalazi organizovani po temama, a ne po izvorima, sa eksplicitno naznačenim konvergentnim dokazima, protivrečnostima i prazninama.
Anotirana bibliografija: kratak ocenjivački pasus za svaki izvor visoke vrednosti kako bi budući čitaoci mogli odlučiti da li da urone u original.
Gap analysis: eksplicitan spisak pitanja na koja literatura ne odgovara i preporuke za primarno istraživanje koje bi zatvorilo praznine.
Dokument preporuka: konkretne dizajn ili istraživačke implikacije vezane za konkretne izvore, tako da svaka preporuka ima citat i obrazloženje.
Readout brief: dokument od pet do deset strana ili kratka prezentacija sa pitanjem, metodom, naslovnim temama, prazninama i preporukama; služi kao osnova na kojoj se mogu graditi budući literature reviews na istu temu.

Učesnici i tim

Učesnici: niko se ne regrutuje. Literature review je desk metoda na objavljenim dokazima, koju vodi jedan do tri istraživača u zavisnosti od tipa i obima.
Istraživači: za UX scoping ili rapid review dovoljan je jedan istraživač; za systematic review koji teži punom pokrivanju minimum su dva istraživača jer dual screening i dual extraction smanjuju bias jednog ocenjivača.
Definicija pitanja: 1–3 sata za pisanje fokusiranih research questions, scope i kriterijuma uključivanja. Ovo je korak u koji početnici premalo ulažu i kasnije plaćaju.
Strategija pretrage: 1–3 sata za dizajn pretražnih termina, biranje baza i prvi pull. Za systematic reviews ovo se proširuje na dan ili više sa informacionim specijalistom.
Skrining: 0,5–1 dan za scoping review sa 50–150 kandidata, duže za systematic koje teže stotinama.
Ekstrakcija i sinteza: 1–3 dana za UX scoping review (15–25 izvora visokog kvaliteta), 2–8 nedelja za scoping review novog domena, nekoliko meseci za pun systematic review.
Pisanje brief-a: 0,5–1 dan za UX scoping format, duže za akademske ili sistematske izlaze.
Ukupno trajanje: 5 sati za fokusiran mikro-pregled, 1–2 nedelje za UX scoping review na definisano pitanje, 4–6 nedelja za širi scoping review novog domena, 6 meseci do 2 godine za pun systematic review sa dva istraživača.

Kako sprovesti literature review (korak po korak)

1. Definišite fokusirano research pitanje

Napišite dva do četiri konkretna pitanja pre nego što otvorite bilo koju bazu. Maglovita pitanja poput “šta je dobar UX” daju maglovite preglede i protraćeno vreme; fokusirana pitanja poput “šta objavljeno istraživanje kaže o uticaju guest checkout na konverziju za prve mobilne korisnike” daju upotrebljive nalaze za nekoliko dana. Testirajte svako pitanje pitajući sebe da li možete da zamislite konkretan odgovor; ako ne možete, pitanje je još preširoko. Vežite svako pitanje za realnu dizajn ili istraživačku odluku kako bi sinteza ostala upotrebljiva. Ako projekat pokriva više od jedne odluke, pokrenite zaseban pregled za svaku umesto da pokušavate da ih spojite.

2. Izaberite tip pregleda i scope

Odlučite unapred koji tip literature review odgovara projektu: narrative review za fokusirano pitanje sa jednim istraživačem i budžetom od jedne do četiri nedelje, scoping review za mapiranje dostupnih dokaza u novoj oblasti sa dve do osam nedelja rada, rapid review za rigorozniju sintezu pod kratkim rokom (dva do šest meseci), ili pun systematic review za akademsku publikaciju ili odluke evidence-grade nivoa (osam meseci do dve godine). Za većinu UX rada pravi izbor je scoping ili narrative review sa eksplicitnim time box-om. Zabeležite scope u pisanoj formi: minimalan i maksimalan broj izvora, vremenski prozor (izvori iz poslednjih pet do deset godina za UX, duže za foundational studije), jezike i tipove izvora.

3. Dizajnirajte strategiju pretrage

Navedite ključne reči i sinonime za svako research pitanje, zatim izaberite baze i tipove izvora. Prvo interni izvori: bilo koji prethodni istraživački repozitorijumi, prošli testovi upotrebljivosti, tiketi podrške i dizajn dokumentacija koje tim već poseduje. Spoljni izvori posle: Google Scholar i ACM Digital Library za akademske radove, Nielsen Norman Group, Baymard Institute, dscout People Nerds i drugi industrijski blogovi za uvid praktičara, Litmaps i Connected Papers za citation mapping, i konkurentske case studije gde postoje. Za systematic reviews radite sa informacionim specijalistom za dizajn pretrage; za UX scoping review sami nacrtajte ključne reči i probajte ih protiv benchmark spiska od tri do pet izvora za koje već znate da su relevantni, pa doterajte.

4. Skrining izvora po relevantnosti i kvalitetu

Povucite kandidate (30–150 izvora za scoping review, više za systematic) i skenirajte ih protiv kriterijuma uključivanja koristeći samo naslov, abstrakt i prvi pasus — ne čitajte svaki rad u celosti u ovoj fazi. Primenite dva filtera: relevantnost (da li ovaj izvor adresira jedno od research pitanja za vaš user kontekst) i kredibilitet (peer-reviewed i visoko-kredibilni industrijski izvori prvi, blog postovi drugi, marketinški spam nikada). Ocenite svaki izvor High / Medium / Low po relevantnosti i ciljajte 15–25 High izvora umesto 100 površnih. Uvek beležite izvore koje ste odbacili i zašto, kako bi budući ocenjivači mogli da revidiraju odluku.

5. Ekstrakcija nalaza u strukturisani log

Za svaki High i Medium izvor pročitajte pun tekst i zabeležite pet polja u zajedničkoj tabeli: research pitanja na koja izvor odgovara, korišćene metode, ključne nalaze relevantne za vaš projekat, ograničenja ili kontekst koji bi mogli uticati na primenljivost, i implikacije za vaše konkretno dizajn ili research pitanje. Koristite direktne citate ili preciznu parafrazu, a ne slobodnu formu sažetka, kako bi ekstrakcija bila revizibilna. Tagujte svaki red sa temom(ama) na koju se odnosi tako da korak sinteze ima čistu strukturu za rad. Za plaćene ili paywalled izvore kojima nemate pristup, zabeležite citat i pokušajte da nađete javni sažetak ili preprint pre nego što odustanete.

6. Sinteza po izvorima, ne izvor po izvor

Najveća greška u literature reviews je prepričavanje svakog izvora po redu umesto sinteze preko njih. Reorganizujte ekstrakciju po temama, zatim za svaku temu napišite pasus koji kombinuje dokaze iz više izvora, imenuje konvergentne nalaze, ističe protivrečnosti i procenjuje snagu dokaza. Tražite obrasce (“tri studije mobilnih checkout tokova našle su da guest checkout povećava konverziju, sa jednom koja je primetila downstream retention cost”), a ne listu nepovezanih pasusa. Prestanite da dodajete izvore kada novi prestanu da donose nove teme — to je trenutak zasićenja, i obično dolazi brže nego što početnici očekuju.

7. Eksplicitno identifikujte praznine i protivrečnosti

Literature review je najkorisniji kada čitaocu kaže šta se ne zna jasno koliko mu kaže šta se zna. Napravite zasebnu sekciju za praznine: na koja research pitanja literatura ne odgovara, koji konteksti nisu proučavani (vaš korisnički segment, vaša industrija, vaš uređaj, vaš jezik), i koji nalazi se međusobno protivreče na način koji postojeća literatura nije razrešila. Svaka praznina je kandidat za primarno istraživanje; svaka protivrečnost je mesto gde tim treba eksplicitno da odluči kojim dokazima da veruje i zašto. Ovo je sekcija koja pretvara obzir iz sažetka u istraživačku mapu puta.

8. Povežite nalaze sa dizajn ili istraživačkim odlukama

Za svaku temu u sintezi napišite jednu ili dve konkretne preporuke vezane direktno za projektova dizajn ili istraživačka pitanja. Nalaz bez preporuke je mrtav sažetak; preporuka bez nalaza je mišljenje. Budite eksplicitni o tome koliko su jaki dokazi — “pet peer-reviewed studija konvergira na ovome” je drugačija preporuka od “jedan industrijski blog tvrdio je ovo”. Gde literatura protivreči intuiciji tima, podignite protivrečnost u preporuci umesto da je zakopate. Preporuke treba da budu sekcija koju dizajn i product lideri zaista čitaju.

9. Napišite brief i prezentujte stejkholderima

Napravite brief od pet do deset strana ili kratku prezentaciju. Otvorite sa research pitanjima, metodom (strategija pretrage, tipovi izvora, kriterijumi uključivanja) i naslovnim nalazima na prvoj strani. Prođite kroz svaku krupnu temu sa konvergentnim dokazima, protivrečnostima i implikacijom. Završite sa gap analysis-om i prioritizovanim preporukama. Prezentujte lično design, product i research liderima kako bi mogli da pitaju o kvalitetu izvora i primenljivosti — razgovor je mesto gde sinteza postaje odluka. Source log priložite kao dodatak za tim koji želi da uroni dublje u konkretne studije.

Kako AI menja literature review

AI compatibility: partial — Literature review je jedna od najpogodnijih istraživačkih metoda za AI jer je većina rada mehanička: upit u bazu, čitanje abstrakata, ekstrakcija strukturisanih polja i klasterovanje nalaza u teme. Moderni AI alati izgrađeni specifično za ovaj workflow (Elicit, Consensus, SciSpace, Scite, Litmaps) mogu da pokrenu pretragu, sažmu abstrakte, iznesu konvergentne nalaze kroz stotine radova i daju nacrt sinteze za sate umesto za nedelje. Štos je u tome što je AI dosledno sverenuveren u kvalitet izvora, bori se sa protivrečnostima i kontekstualnim ogradama koje su najvažnije, i sa zadovoljstvom će fabrikovati citate ako se pritisne. Posao istraživača se pomera od ekstrakcije ka njenoj verifikaciji, oceni koji dokazi su zapravo jaki i prevodu nalaza u preporuke po kojima tim može delovati.

Šta AI ume

Semantička pretraga literature: Elicit, Consensus i SciSpace idu dalje od pretrage po ključnim rečima i nalaze radove koji semantički odgovaraju research pitanju, iznoseći relevantne izvore koje tradicionalna pretraga baze propušta. Ovo sažima korak pretrage sa dana upita ka bazama na sat doterivanja pitanja.
Sažimanje i ekstrakcija strukturisanih nalaza iz radova: Sa PDF-om ili citatom, moderni AI alati daju jednoparagrafni sažetak, ekstrahuju metode, veličinu uzorka, ključne nalaze i ograničenja u strukturisani red i povezuju se na relevantne rečenice. Ono što je nekada oduzimalo 20–30 minuta po radu, sada oduzima 2–3 minuta.
Sinteza preko više izvora na velikoj skali: Alati poput Elicit-a i Consensus-a mogu pokrenuti upit “šta literatura kaže o X” preko 50–500 radova i dati nacrt sinteze sa konvergentnim nalazima, protivrečnostima i brojem podržavajućih i protivnih studija. Ovo je korak koji se istorijski loše skalirao sa veličinom uzorka.
Mapiranje mreža citiranja i pronalaženje povezanih izvora: Litmaps, Connected Papers i Research Rabbit vizualizuju kako početni set radova citira jedan drugog, iznoseći seminal radove koje je istraživač propustio i povezane radove koje upit pretrage nije uhvatio. Ovo zamenjuje sate ručnog citation chasing.
Napraviti nacrt brief-a sinteze: Sa ekstrahovanim source log-om, LLM poput Claude-a ili GPT-4o može dati prvi nacrt brief-a organizovan po temama, sa citatima na konkretne izvore iza svakog nalaza. Istraživač potom prepisuje za ton, izoštrava gap analysis i uklanja neizbežnu lažnu sigurnost.
Označiti radove koji se međusobno protivreče: Model može pročitati ekstrahovane nalaze kroz source log i izneti slučajeve gde se dva ili više izvora razilaze, što je početak gap analysis-a. Raditi to ručno je sporo i lako se propušta.

Šta zahteva čoveka istraživača

Definisanje research pitanja koje je važno: AI će rado pretražiti svako pitanje koje mu date, ali biranje pitanja koje stvarno mapira na odluku tima je proizvodni sud koji se oslanja na poznavanje projekta, stejkholdera i onoga što je tim već probao. Pogrešite ovde — i obzir je tehnički temeljan, ali nerelevantan.
Verifikacija kvaliteta izvora i dizajna studije: AI alati sistematski preocenjuju svoje ulaze i rangiraće marketinški blog i peer-reviewed RCT kao podjednako relevantne ako se ključne reči poklope. Istraživač mora da pročita sekciju metoda izvora visokog uticaja i smanji težinu onima koji ne prolaze osnovnu kritičku procenu.
Hvatanje halucinirajih citata: Generički LLM-ovi (ne dedicirani literature alati) će fabrikovati uverljive reference koje ne postoje. Svaki citat koji je izašao iz chat-stil interakcije mora biti verifikovan protiv stvarne baze pre nego što ode u brief.
Kalibracija nalaza prema lokalnom kontekstu: Nalaz koji važi u objavljenoj studiji možda ne važi za vaš korisnički segment, vašu industriju ili vaš uređaj. AI ne može da napravi tu procenu; istraživač mora da pita da li se objavljeni kontekst poklapa sa kontekstom tima i smanji težinu izvora gde se ne poklapa.
Odluka o tome šta tim treba da uradi: Preporuke su deo brief-a koji pokreće sledeći sprint i one zahtevaju čoveka koji zna šta tim može da izbaci, koja su inženjerska ograničenja i koliko rizika će biznis prihvatiti. AI ih može nacrtati; samo čovek može da se posveti njima.

AI-pojačani workflow

Pre AI-ja, UX scoping literature review na fokusirano pitanje oduzimao je jednu do dve nedelje istraživačkog vremena: dan za dizajn pretrage, dan za skrining 100+ kandidata, tri do pet dana za čitanje i ekstrakciju iz 15–25 izabranih izvora, dva dana za sintezu i pisanje brief-a. Usko grlo bio je korak ekstrakcije — spor, repetitivan, i lako se odvajao od originalnog research pitanja kako se umor širio.

Sa AI-jem u workflow-u, isti projekat se sažima na jedan do tri dana. Istraživač provodi dva sata oblikujući research pitanje i scope, zatim pokreće pitanje kroz Elicit ili Consensus da bi dobio prvi nacrt liste relevantnih izvora sa ekstrahovanim nalazima. Istraživač čita abstrakte koje je model izneo, prihvata očigledne podudaranja, odbacuje irelevantne i dodaje sve što je model propustio kroz Litmaps citation chasing. Korak ekstrakcije zatim radi protiv očišćene source liste mašinskom brzinom, sa istraživačem koji uzorkom proverava 10–20% redova ručno i čita sekcije metoda izvora najvišeg uticaja u celosti. Prolaz sinteze koristi nacrt modela kao polaznu tačku, a istraživač prepisuje teme za nijanse, protivrečnosti za poštenje i preporuke za upotrebljivost.

Štos je isti kao za AI-pomognut desk research i heuristic evaluation: ubrzanje je realno samo kada čovek čita izvore najvišeg uticaja u celosti i verifikuje citate. Studije LLM-generisanih literature reviews otkrivaju da modeli pouzdano klasteruju lake teme, ali propuštaju protivrečnosti i preceniju onaj okvir koji se pojavljuje u većini radova, čak i kada je manjinski stav metodološki snažniji. Istraživači koji izvuku najviše vrednosti od AI-ja ovde tretiraju dedicirane alate (Elicit, Consensus, SciSpace) kao kompetentnog mlađeg research asistenta, generičke LLM-ove kao draft pisca koji laže o citatima, a sebe kao kritičkog čitaoca koji zna na koje dokaze tim može da postavi odluku.

Primer iz prakse

B2B fintech kompanija se spremala da redizajnira tok multi-faktorske autentifikacije za high-stakes payment proizvod, a tim za bezbednost je hteo “industrijske best practices” pre nego što se posveti pristupu. Product manager je imao dve nedelje pre početka dizajn sprinta i jaku intuiciju da koristi SMS one-time passwords jer je to bilo ono što je tim podrške tražio. Vodeća istraživačica se brinula da je SMS pogrešan poziv i predložila je fokusirani literature review da bi se pitanje rešilo dokazima umesto mišljenjima.

Definisala je tri research pitanja (“šta objavljeno istraživanje kaže o user friction u MFA tokovima za B2B payments”, “koji je dokumentovani security/usability trade-off između SMS-a, authenticator aplikacija, hardware ključeva i passkeys za netehničke korisnike”, “koji MFA obrasci imaju najniže stope abandonment-a u financial services”), postavila time box od jedne nedelje i koristila Elicit i Consensus za izvlačenje kandidatskog seta od 87 radova i industrijskih izveštaja preko akademskih HCI venue-a, NIST guidance, FIDO Alliance izveštaja, Baymard-a i tri peer-reviewed studije o MFA usability. Skenirala je kandidate na 22 izvora visoke relevantnosti, ekstrahovala ih u Notion bazu sa strukturisanim poljima i pokrenula prolaz sinteze sa Claude-om na ekstrahovanom logu. Pročitala je sekcije metoda osam izvora najvišeg uticaja peer-reviewed u celosti i verifikovala citate koje je model izneo.

Sinteza je dala jasan odgovor: kroz devet peer-reviewed studija i četiri industrijska izveštaja, SMS one-time passwords su imali najvišu stopu abandonment-a (12–18%) i najniži security score, dok su authenticator aplikacije imale srednju poziciju, a passkeys najniži abandonment za korisnike koji su već imali kompatibilan uređaj. Hardware ključevi su imali najjaču bezbednost ali najveći setup friction. Preporuka je bila da se podrazumevano koriste passkeys sa authenticator-app fallback-om, da se SMS potpuno preskoči osim kao recovery mehanizam i da se prihvati da je zahtev tima podrške bio zahtev za pogrešnu popravku. Preporuka je ušla u dizajn sprint kao polazna tačka, redizajn je izašao šest nedelja kasnije sa passkeys kao podrazumevanim, stopa abandonment-a na novom toku pala je sa 14% na 4% u prvom mesecu, a tim podrške je povukao svoj originalni zahtev čim je video dokaze. Literature review je istraživaču oduzeo oko 26 sati rada uključujući brief sinteze — naspram višenedeljnoj primarnoj studiji koja bi bila jedina alternativa.

AI prompti za ovaj metod

4 spremnih AI prompta sa placeholderima — kopirajte i popunite svojim kontekstom. Svi prompti za literature review →.