要从现有数据中发现研究不足的领域，可以系统地分析当前文献以找出相互矛盾的结果，将新方法应用于旧数据集，并寻找被忽视的变量或样本群体。
寻找新颖的研究主题并不总是需要耗费时间和经费来收集一手数据 (primary data)。通过进行全面的文献综述 (Literature Review) 和二手数据分析 (secondary data analysis)，你可以发现以前学者错过的隐藏机会——通常被称为研究空白 (research gaps)。以下是从现有数据中挖掘新研究思路的实用方法。
1. 仔细审查“未来研究”和“局限性”部分
每篇学术论文都会强调其自身的边界。作者经常会说明他们的数据集无法实现的目标，承认样本量的局限性，或者提出受限于研究范围而未能测试的变量。通过系统地整理你所在领域近期高被引论文的“局限性”部分，你可以构建一条直接导向研究不足主题的路线图。
2. 寻找方法论空白 (Methodological Gaps)
有时现有数据非常丰富，但其分析方法却过时或狭隘。问问自己是否可以将现代机器学习算法、不同的统计模型或定性研究视角应用于现有的公开数据集。用新的分析工具重新审视旧的二手数据，是产生新颖且具有发表价值的见解的行之有效的方法。
3. 准确定位相互矛盾的研究结果
当两项重要研究分析相似的数据集却得出完全不同的结论时，就存在研究空白。深入挖掘这些理论冲突。通常，文献中的差异指向缺失的调节变量 (moderating variable)、数据分类中的缺陷，或者尚未被适当剥离并进行测试的情境因素 (contextual factor)。
4. 转换研究背景或样本群体
大量现有数据严重偏向特定人群，例如 WEIRD 社会（西方、受过教育、工业化、富裕和民主的社会）。通过采用成熟的理论框架，并在代表性不足的地理区域、不同的社会经济群体或其他行业的现有数据中进行测试，你可以轻松发现研究不足的领域。
5. 使用 AI 工具绘制文献图谱
手动交叉比对数百篇期刊文章以弄清楚尚未开展的研究，可能需要数月枯燥的阅读。为了加速这一文献图谱绘制过程，你可以使用 WisPaper 的 Idea Discovery 功能，这是一种智能体 AI (agentic AI)，可以自动分析你整理的文献，以识别缺失的联系和 generate viable research gaps。通过将繁重的模式识别工作自动化，你可以减少寻找主题的时间，将更多时间用于设计实际的研究。