要从现有数据中挖掘研究不足的领域（under-researched areas），需要系统地分析当前文献，以识别出相互矛盾的发现、方法论的局限性或未被检验的变量，从而揭示出明确的研究空白（research gap）。发现这些隐藏的机会——通常被称为“空白领域（white spaces）”——对于产出具有原创性和影响力的研究至关重要。
以下是在你的研究领域中发现这些空白的实用方法。
回顾“未来研究”建议
寻找研究不足领域最直接的方法，就是查看其他学者已经指出的内容。在大多数学术论文的末尾，作者会明确说明其研究的局限性，并提出未来研究方向。通过汇总你所在学科近期系统综述（systematic reviews）或荟萃分析（meta-analyses）中的这些建议，你可以快速建立一个公认且高度相关的研究空白清单。
分析方法论局限性
现有数据可能很丰富，但它们是如何收集的？寻找以往研究开展方式中的规律。如果整个文献体系完全依赖于自陈式问卷调查，那么在应用观察法或实验法方面就存在研究不足的领域。同样，检查现有数据集是否存在人口统计学或地理上的偏差。将成熟的理论应用于新的、未被检验的人群或背景中，是挖掘新颖研究视角的可靠方法。
绘制文献图谱以寻找“空白领域”
将现有研究可视化或分类，有助于你准确看出缺失的内容。创建一个文献矩阵（literature matrix），记录你所阅读论文的变量、方法论和背景。矩阵中空白的地方，就是你发现的潜在研究空白。如果你要处理海量文献，手动绘制图谱可能会让人不堪重负，但像 WisPaper 的 Idea Discovery 这样的工具可以使用代理型 AI（agentic AI）自动分析你收集的文献，并为你识别这些隐藏的研究空白。这使你能够跳过繁琐的整理阶段，直接专注于提出你的假设。
调查相互矛盾的发现
当两项主要研究分析相似的数据却得出相反的结论时，这标志着一个极具价值的研究不足领域。这些冲突的发生往往是因为存在未被检验的调节变量（moderating variable）、数据分析技术的差异或时间背景的变化。深入探究这些矛盾，为设计一项旨在解决当前学术争论的研究提供了绝佳机会。
将新的分析视角应用于旧数据
你并不总是需要收集新数据来寻找研究空白。有时，挖掘研究不足的领域意味着将现代分析工具——如机器学习算法、定性编码软件或更新的统计模型——应用于现有的、公开可用的数据集。问问自己，最初的研究人员是否仅仅因为缺乏你今天所拥有的工具或特定的理论框架，而错过了次级洞察（secondary insights）。