Halucinace, etika, důvěrnost a vědecká integrita

zisky:

• Schopnost rozpoznat formy halucinací ve fyzice (falešná konstanta, falešný zákon, jednotková chyba, špatný výsledek, falešná atribuce) a chytit je vhodnou metodou.
• Schopnost chránit nepublikované, důvěrné a osobní údaje anonymizací a minimalizací tím, že je nevkládáte do neautorizovaných nástrojů
• Být schopen pochopit, že konečnou odpovědnost leží na lidech, a to poctivým hlášením dat, bez přikrášlování a transparentním dokumentováním použití umělé inteligence.

V celém tomto modulu jsme v každé jednotce pokryli stejnou disciplínu: umělá inteligence (AI) zrychluje, ověřují lidé. V této závěrečné části spojujeme celou tuto ověřovací praxi pod záštitou vědecké integrity, nejzákladnější hodnoty fyzikální vědy. Fyzika je snahou o produkci ověřitelných znalostí o přírodě; Základem tohoto úsilí je integrita, opakovatelnost a odpovědnost. Umělá inteligence může být použita k posílení těchto hodnot – ale při nesprávném použití je všechny ohrožuje. V této jednotce probereme fyzické formy halucinací, odpovědnost za data a soukromí, etické hranice a proč konečná odpovědnost vždy zůstává na lidech.

Formy halucinací ve fyzice

Halucinace – sebevědomá produkce falešných informací AI – nabývá ve fyzice jedinečné a nebezpečné formy. Rozpoznat toto je prvním krokem k ulovení:

druh halucinace

příklad

Metoda zachycení

Montáž pevná/datová

Nesprávná hustota materiálu

Potvrzení se spolehlivým odkazem

Falešný vzorec/zákon

Neexistující "principiální" jméno

Odvození učebnice/SymPy

Chyba jednotky/objednávky

zaměnit eV za J

Rozměrová analýza, řízení jednotek

Nesprávný číselný výsledek

Nesprávný výstup kódu

Spusťte kód

apokryfní přisouzení

neexistující článek

Ověření pomocí DOI

Špatně nahlášený výsledek

Zkreslení skutečného článku

Přečtěte si původní zdroj

Společným tématem je toto: velký jazykový model je navržen tak, aby neříkal pravdu, ale aby produkoval „možně vypadající text“. Ve fyzice je rozdíl mezi „zdánlivě možným“ a „pravdivým“ přesně důvodem existence vědy.

Odpovědnost za data, soukromí a duševní vlastnictví

Fyzici často pracují s citlivými daty: nepublikovanými experimentálními daty, předpatentovanými návrhy, důvěrnými měřeními z průmyslové spolupráce, výzkumy zahrnujícími osobní údaje o zdraví nebo bezpečnosti. Zadáním takových dat do obecného nástroje umělé inteligence by se mohly zpřístupnit třetím stranám a možná i tréninková data modelu – což by znamenalo jak porušení důvěrnosti, tak ztrátu vědecké priority (právo být první, kdo něco objeví). Pravidlo je jasné: nezadávejte nepublikovaná, důvěrná nebo osobní data do nástroje AI, který vaše organizace neschválila. Pokud se chystáte zadat, anonymizujte, minimalizujte (uveďte pouze to, co je nutné) a přečtěte si datové podmínky nástroje.

Upozornění: Zadání nepublikovaných měření laboratoře nebo důvěrných konstrukčních parametrů společnosti do nástroje AI „pro rychlou analýzu“ může být nevratnou chybou. Jakmile jsou data sdílena, nelze je vyvolat. V případě pochybností údaje nezadávejte; Nejprve si ujasněte zásady vaší instituce a podmínky ochrany osobních údajů nástroje.

Etické hranice a vědecká integrita

Použití může být technicky možné a dokonce legální, ale přesto může být neetické. Ve fyzice existuje několik červených čar, které se týkají vědecké integrity:

Výroba nebo zdobení dat. Žádat AI, aby „generovala body, které lépe odpovídají výnosu“ nebo „aby graf vypadal přesvědčivěji“, je datový podvod. Data se vykazují tak, jak jsou; Odlehlé hodnoty jsou eliminovány pouze s doloženým, legitimním důvodem.

Transparentnost příspěvku. Pokud jste použili AI ve studii – psaní kódu, jazykové opravy, analýza – je fér to na příslušném místě objasnit. Mnoho časopisů a institucí to vyžaduje.

Autorství a odpovědnost. AI není spisovatel; nemůže ručit za obsah díla. Zodpovědnost vždy leží na lidských spisovatelích. Chybu způsobenou umělou inteligencí nelze obhajovat tím, že to udělalo vozidlo.

Reprodukovatelnost. Vědecký výsledek vyžaduje, aby byla metoda (včetně použitého kódu, parametrů, výzev AI) jasně zdokumentována, aby ji ostatní mohli replikovat.

tři mini pouzdra

Případ 1 – Únik důvěrných dat. Jeden výzkumník vložil naměřená data z dohody o mlčenlivosti se společností do obecného nástroje AI „pro rychlý graf“. Později si uvědomil, že tento nástroj může ukládat vstupy. Došlo k porušení smlouvy a možné ztrátě přednosti. Poučení: důvěrná data se nikdy nezadávají do neschváleného nástroje.

Případ 2 — Zkrášlovací tisk. Jeden student požádal AI ​​o úpravu, která by „přiblížila data teorii“, protože experimentální data plně neodpovídala teorii. Jeho poradce si toho všiml a zastavil ho: nesrovnalost znamenala buď systematickou chybu v experimentu, nebo zajímavou novou fyziku – něco, co je třeba prozkoumat, ne skrývat. Údaje byly hlášeny poctivě a byla nalezena systematická chyba.

Případ 3 – Získání transparentnosti. Jeden tým napsal kód analýzy dat pro článek s pomocí AI a jasně to uvedl v části metod; sdílel kód a výzvy jako další soubory. Rozhodčí zkontroloval kód a navrhl menší opravu. Transparency zachytila ​​chybu ještě před zveřejněním a zvýšila důvěryhodnost studie.

Čtyři kopírovatelné šablony

1) Screening halucinací:

Naskenujte následující výstup z fyziky, zda neobsahuje halucinace: existují nějaké falešné konstanty, falešné názvy vzorců/zákonů, chyby jednotek/řádů, neověřené numerické výsledky a nepotvrzené přiřazení? Označte každou podezřelou položku a uveďte, jak ji ověřit (odkaz, kód, DOI). Výstup: [zde]

2) Předběžná kontrola ochrany osobních údajů:

Vyhodnoťte následující data/text, než je zadáte do nástroje AI: obsahují nepublikované, důvěrné, osobní nebo smluvně chráněné informace? Pokud ano, navrhněte, jak jej mohu anonymizovat nebo minimalizovat. Pokud si nejste jisti, řekněte „zkontrolovat firemní zásady“. Obsah: [zde]

3) Návrh prohlášení o transparentnosti/příspěvku:

V jedné studii jsem použil AI pro: [kódování / jazykové opravy / analýzy atd.]. Napište krátký návrh „Prohlášení o použití AI“, který to poctivě zdokumentuje. Mělo by také uvádět, které části byly ověřeny lidmi.

4) Zajištění vědecké integrity:

Proveďte kontrolu integrity pro následující analýzu/výsledek: údaje se vykazují tak, jak jsou (bez přikrášlení), jsou uvedeny nejistoty, je metoda dokumentována reprodukovatelným způsobem, je použití AI transparentní? Uveďte případné nedostatky. Obsah: [zde]

Slabá výzva / Silná výzva

Slabý: "Upravte výtěžek tak, aby lépe odpovídal teorii a aby byl graf přesvědčivý."

Výsledek: Podvod s daty; Přímé porušení vědecké integrity, nevratná ztráta reputace.

Strong: "Výnos plně nesouhlasí s teorií. Pomozte mi analyzovat možné příčiny této nesrovnalosti (systematická chyba, statistická fluktuace, chybějící model nebo nový efekt); navrhněte, jak nesrovnalost čestně nahlásit beze změny dat."

Výsledek: Čestný, investigativní a věrný přístup k vědecké integritě; Konflikt se stává příležitostí k objevování.

Časté chyby

• Zaměňování halucinací se sebevědomím. Jen proto, že AI mluví sebevědomě, není zárukou přesnosti; I ta nejpřesnější věta může být vymyšlená.
• Vkládání důvěrných dat do vozidla bez schválení. Jakmile jsou data sdílena, nelze je získat; Priorita a důvěrnost jsou ztraceny.
• Zkrášlující data. Změna dat na „teorii fit“ je jedním z nejzávažnějších vědeckých zločinů.
• Skrytí použití AI. Transparentnost je požadavkem poctivosti a je povinná v mnoha institucích.
• Přenesení odpovědnosti na vozidlo. „Umělá inteligence to udělala“ není obrana; Konečná odpovědnost je vždy na lidské bytosti.

Tip: Na konci každé studie založené na umělé inteligenci si položte tři otázky: (1) Byly všechny skutečnosti, čísla a přiřazení v tomto výstupu nezávisle ověřeny? (2) Obsahovala data, která jsem použil, důvěrné/osobní informace, které bych neměl zadávat? (3) Zdokumentoval jsem své použití a metodologii AI dostatečně transparentně, aby je mohl replikovat někdo jiný? Pokud na tyto tři otázky nedokážete odpovědět jednoznačně „ano“, studie ještě není dokončena.

V souhrnu

Vědecká integrita je základem existence fyziky a ve věku umělé inteligence je ještě důležitější. Halucinace se ve fyzice objevuje ve formě falešných konstant, falešných zákonů, jednotkových chyb, falešných závěrů a falešných odkazů; každý je zachycen svou vlastní jedinečnou metodou ověřování. Důvěrné a osobní údaje nejsou zadávány do neautorizovaných nástrojů; data nejsou nikdy zkrášlována; Použití AI je transparentně zdokumentováno; a konečná odpovědnost je vždy na člověku. V tomto modulu se naučíte pouze jednu disciplínu: AI je mocný akcelerátor, ale ověřování, integrita a zodpovědnost leží na bedrech kompetentního fyzika – tedy vás. Neověřený výstup AI nikdy nenahrazuje potvrzení fyzika.

Aplikační úkol

Vyberte výstup AI (účet, analýzu nebo text), který jste vytvořili v tomto modulu. 1. obrazovka pro halucinace se šablonou: existují nějaké fiktivní konstanty, falešné vzorce, chyby jednotek nebo neověřené atributy? Pomocí šablony 2 vyhodnoťte, zda jsou data, která používáte, šetrná k soukromí. Nakonec sepište krátké prohlášení o používání/průhlednosti umělé inteligence se šablonou 3. Zapište 5–6 větami: co sken odhalil, jaké ověřovací kroky jste podnikli?

kontrolní seznam

• [ ] Nezávisle jsem ověřil každou konstantu, vzorec a výsledek ve výstupu.
• [ ] Ověřil jsem každou citaci pomocí DOI/zdroje.
• [ ] Zkontroloval jsem, že jsem do nástroje nezadal důvěrné/osobní údaje bez schválení.
• [ ] Údaje jsem uvedl tak, jak jsou, bez přikrášlení.
• [ ] Zdokumentoval jsem své používání AI transparentním a reprodukovatelným způsobem.
• [ ] Přijal jsem, že konečná odpovědnost je na mně; Na vozidle jsem žádnou chybu nepřipisoval.

Modulová zkouška

1. Která z následujících možností je nejpřesnější určení polohy pro umělou inteligenci ve fyzice?

• A) Umělá inteligence je asistent kódu, návrhu a úprav; Odpovědnost za jednotku, hodnost, ověřování a etická rozhodnutí leží na lidské bytosti ✔
• B) Umělá inteligence je kalkulačka a číselné výsledky, které dává, jsou vždy přesné
• C) Umělá inteligence funguje pouze ve výpočtech, nemá nic společného s rozborem experimentů a výukou
• D) Vzhledem k tomu, že umělá inteligence je nestrannější než lidé, rozhodování o jednotkách a výsledcích by mělo být ponecháno na ní.

Popis: Umělá inteligence; Je to asistent, který píše kód, vytváří návrhy, vytváří a organizuje derivační rámce. Konečnou odpovědnost za jednotkové a řádové ověření výsledku, jeho zajištění se zákony zachování, konstantní a referenční potvrzení však náleží kompetentnímu fyzikovi. Velký jazykový model není kalkulačka nebo fyzikální motor; je textový generátor, který vytváří „další nejpravděpodobnější slovo“ a jeho neověřený výstup může vést k nesprávné hodnotě, návrhu nebo výsledku.

2. Jaká je nejpřesnější aproximace numerického výsledku výpočtového kódu, který vytisknete do velkého jazykového modelu?

• A) Důvěřuje číslu a model říká „tento kód dává toto“, protože kód napsal on
• B) Spusťte kód sami a podívejte se na výstup; ✔ nespoléhat se na slovní numerickou předpověď modelu
• C) Přijetí kódu jako správného pouhým pohledem na to, jak se čte, aniž byste jej vůbec spouštěli
• D) Pokud je výsledek znovu přímo dotázán na model a ten říká stejné číslo, je považován za správný.

Vysvětlení: LLM může 'vypočítat' výstup kódu, který napsal ve své hlavě, a vrátit špatné číslo; zatímco když je spuštěn stejný kód, dává správný výsledek. Co je deterministické, je kód, který se provádí; Nejedná se o verbální předpověď modelu. Proto by měl být kód vždy spuštěn ve vašem vlastním prostředí a výstup by měl být vidět.

3. Jaký je nejúčinnější způsob, jak otestovat, zda simulace dynamického systému bez tření přesně odráží fyziku?

• A) Vidíte, že graf vypadá vizuálně elegantně a přesvědčivě
• B) Spuštění simulace pouze s jediným časovým krokem a důvěřování výsledku
• C) Monitorování množství, které je třeba zachovat, jako je celková energie nebo hybnost, a kontrola, zda zůstává konstantní ✔
• D) Vyhodnocení simulace podle toho, jak rychle běží

Vysvětlení: V systému bez tření musí být zachována celková energie (a hybnost, pokud existuje). Sledování této velikosti během simulace a sledování, zda zůstává konstantní, odhaluje numerické chyby (např. primitivní Eulerova metoda neustále zvyšuje energii). Pokud se energie unáší, simulace je nespolehlivá; To, že vytváří pěknou grafiku, ještě neznamená, že je to správné.

4. Který z následujících postupů je správný při přizpůsobování modelu experimentálním datům?

• A) Výběr polynomu vyššího stupně, který nejlépe odpovídá datům, protože prochází všemi body
• B) Zadání parametrů jako jedno číslo bez dvojznačnosti
• C) Deklarování kvality lícování jednoduše pohledem na to, jak krásně křivka vypadá.
• D) Výběr modelu z fyziky, nahlášení parametrů s jejich nejistotami a vyhodnocení shody se zbytky ✔

Vysvětlení: Model by měl být vybrán na základě fyzikálního zákona, kterému se událost musí řídit, nikoli na základě pohledu na data a přemýšlení, „který z nich nejlépe vyhovuje“. S dostatkem volných parametrů (např. polynom vysokého stupně) lze pro jakákoli data vytvořit „dokonalé“, ale fyzicky nesmyslné přizpůsobení (overfit). Parametry by měly být uvedeny s jejich nejistotou, kvalita přizpůsobení by měla být vyhodnocena se zbytky a měla by být zkontrolována fyzická věrohodnost.

5. Který typ nejistoty mnohonásobné opakování měření snižuje?

• A) náhodná nejistota; systematická nejistota se opakováním nezmenšuje, je třeba najít příčinu a opravit ji ✔
• B) Systematická nejistota; protože eliminuje chybu rekalibrace
• C) Zcela eliminuje obě dvojznačnosti
• D) Nesnižuje žádnou z nich; nejistota je nezávislá na počtu měření

Vysvětlení: Opakované měření snižuje náhodnou nejistotu (se standardní chybou střední std/√N) vyplývající z náhodného rozdělení výsledků. Systematická nejistota je naproti tomu chyba, která se odchyluje vždy stejným směrem (například špatně zkalibrovaná váha) a s opakováním neklesá; Příčinu však lze najít a napravit. Hlášení „velmi malé“ nejistoty s více měřeními může skrýt základní systematickou chybu.

6. Jaký je nejspolehlivější nezávislý způsob ověření vzorce šíření chyb odvozeného AI?

• A) Spoléhat se na to, že vzorec bude působit plynule a přesvědčivě
• B) Křížová kontrola s výpočtem Monte Carlo, který náhodně vybírá vstupy s jejich nejistotou ✔
• C) Znovu požádat umělou inteligenci o stejný vzorec a očekávat, že dá stejný výsledek
• D) Přímý sběr nejistot a jejich porovnání s výsledkem

Vysvětlení: AI často směšuje parciální derivační koeficienty a strukturu druhé odmocniny ve vzorcích šíření chyb. Účinným způsobem, jak toho dosáhnout nezávisle, je křížová kontrola Monte Carlo: náhodné vzorkování každého vstupu s jeho nejistotou, výpočet funkce tisíckrát a porovnání standardní odchylky výstupu s nejistotou danou vzorcem. Setkání dvou nezávislých metod zvyšuje důvěru.

7. Jaká je správná dělba práce mezi AI a SymPy v dlouhém odvození symbolické fyziky?

• A) SymPy generuje myšlenku odvození, AI přesně ověřuje každý krok
• B) Obojí je zbytečné; dlouhé derivace musí být prováděny pouze ručně
• C) AI buduje rámec odvozování, SymPy přesně ověřuje každý algebraický krok ✔
• D) Umělá inteligence dělá odvození sama, není potřeba ověřování, protože to vypadá plynule

Vysvětlení: Umělá inteligence vytváří strategii odvození a vysvětluje cestu, ale v dlouhé algebře se dopouští chyb ve znaménku, escapovaných výrazů a nesprávných zjednodušení. SymPy naproti tomu funguje podle pravidel a přesně ověřuje každý algebraický krok. Nejvýkonnější pracovní postup kombinuje tyto dva: získat kostru z AI, každý krok získat pomocí SymPy, otestovat výsledek pomocí derivace-integrální inverze a hraničního případu.

8. Co vypovídá rozměrová analýza o přesnosti fyzikálního vzorce?

• A) Rozměrová analýza vždy definitivně prokáže, že vzorec je správný
• B) Rozměrová analýza nemá ve fyzice praktickou hodnotu
• C) Rozměrová analýza udává pouze konstantní faktor vzorce, nikoli jeho konzistenci
• D) Vzorec, který rozměrově neplatí, je absolutně špatný; rozměrová analýza zachytí chyby bez počítání čísel ✔

Vysvětlení: Dvě strany fyzikální rovnice musí být rozměrově stejné, než mohou být číselně stejné. Vzorec, který neplatí rozměrově, je prostě špatný; to je zachyceno z výpočtu počtu. Rozměrová analýza přesvědčivě nedokazuje, že vzorec je správný (může chybět bezrozměrný konstantní faktor nebo úhel), ale přesvědčivě dokazuje, že je nesprávný; je to tedy první a nejlevnější audit každého účtu.

9. Jaký je nejkritičtější první krok při výpočtu kinetické energie objektu pohybujícího se rychlostí 36 km/h?

• A) Převod všech vstupů do jediného systému jednotek (SI); Převod z 36 km/h na 10 m/s ✔
• B) Vložení rychlosti v km/h přímo do vzorce bez přepočtu na m/s
• C) Násobení pouze čísel bez zohlednění jednotek
• D) Za předpokladu, že po výpočtu výsledku není potřeba kontrolovat objednávku

Vysvětlení: Vzorce založené na SI (E = ½ mv²) očekávají rychlost v m/s. Záměna km/h s m nebo hodin se sekundami ve výpočtu je jednou z nejčastějších chyb ve fyzice. Nejprve musí být všechny vstupy převedeny do jediného systému jednotek (SI): 36 km/h = 10 m/s. Protože umělá inteligence může při převodech složených jednotek dělat tiché chyby, musí být tento převod ověřen ručně nebo pomocí nástroje pro rozpoznávání jednotek.

10. Která praxe je správná z hlediska „poctivosti“ ve vědeckém grafu?

• A) Skrytí nejistoty, protože chybové úsečky ruší graf
• B) Označte osy jednotkami, vyberte měřítko bez zkreslení a zobrazte nejistotu pomocí chybových pruhů ✔
• C) Vždy začněte osu y v rozsahu, který bude vykazovat nejdramatičtější rozdíl
• D) Ponechání os bez jednotek, protože čtenář může jednotku uhodnout

Popis: Čestná vědecká tabulka; osy označuje velikostí a jednotkou, měřítko volí vědomě a bez zkreslení (začínat osu y od nuly z důvodu přehánění je zavádějící) a nejistotu měření zviditelní pomocí chybových pruhů. Skrytím nejistoty se údaje zdají být jisté a vytváří falešný dojem předpojatosti nebo dohody. Čím přesvědčivější je grafika, tím důležitější je kontrola integrity.

11. Jaké je největší riziko a správná disciplína při získávání literatury a citační podpory od umělé inteligence?

• A) Umělá inteligence ztrácí čas, protože vytváří citace velmi pomalu
• B) Zdroje navržené umělou inteligencí jsou vždy skutečné, není třeba je ověřovat
• C) Umělá inteligence může produkovat atribuce, které se zdají skutečné, ale neexistují; Každá citace musí být ověřena pomocí DOI/zdroje a literatura musí být nalezena z aktuální databáze ✔
• D) Vymyšlené citace jsou snadno rozpoznatelné, protože vždy používají nereálné názvy časopisů

Vysvětlení: Velký jazykový model není připojen ke skutečné databázi; Napodobením citačních vzorců může produkovat články, které nesou skutečný název časopisu, důvěryhodné autory a přiměřený rok, ale zcela neexistují. Literatura by proto měla být vyhledána ze skutečných databází, umělá inteligence by měla být používána pouze ke shrnutí/překladu aktuálního textu a každá citace by měla být nezávisle ověřena pomocí DOI nebo názvu. Neověřená citace je porušením akademické integrity.

12. Co je potřeba k získání spolehlivých výsledků, když AI shrnuje článek?

• A) Stačí uvést název článku, modelka zná obsah
• B) Použití souhrnu přímo bez kontroly, protože vypadá plynule
• C) Dvakrát požádat model o stejné shrnutí a přijmout jej jako správné, pokud je podobné.
• D) Předání původního textu modelu a porovnání vytvořeného shrnutí s původním textem, aby se ověřilo, že nebylo nic přidáno/zkresleno ✔

Vysvětlení: Jednoduše zadáte AI název článku a požádáte o shrnutí způsobí, že model přijde s „věrohodným shrnutím“, aniž by článek vůbec viděl; Toto shrnutí může být opakem pravdy. Spolehlivé shrnutí lze získat pouze tehdy, když je do modelu vložen původní text a vygenerovaný souhrn je porovnán s původním textem. Dále je třeba zkontrolovat, že souhrn nepřidává výsledky nebo čísla, která nejsou v textu.

13. Co platí pro výstup umělé inteligence ve fyzikálním kurzu materiálové výroby?

• A) Každé řešení by mělo být nezávisle ověřeno, měly by být specifikovány meze analogií a distraktory by se měly zaměřit na skutečné mylné představy ✔
• B) Klíč odpovědi vytvořený umělou inteligencí je vždy správný, není potřeba auditování
• C) Analogie jsou dokonalé ve všech případech, není třeba specifikovat jejich limity.
• D) Distraktory by měly být vybírány zcela náhodně, protože povaha nesprávné volby není důležitá.

Popis: Umělá inteligence je rychlá při generování otázek, příkladů a analogií, ale kontrola je nezbytná ve třech bodech: řešení každého problému musí být ověřeno nezávisle (ručně nebo pomocí kódu), protože model může v řešení dělat chyby ve znaku/jednotce; Každá analogie musí být uvedena tam, kde se rozpadá, jinak způsobí novou chybu; Distraktory by se měly zaměřit na skutečné mylné představy. Odpovědnost leží na učiteli; Nesprávný klíč odpovědí zanechá studentům nedorozumění, která se obtížně opravují.

14. Jaké chování je v souladu s vědeckou integritou, když experimentální data plně nesouhlasí s teorií?

• A) Umělá inteligence organizuje data tak, aby odpovídala teorii a přesvědčivě zobrazovala graf
• B) Vyšetřování důvodů nesrovnalosti (systematická chyba, chybějící model, nový efekt) a poctivé podávání zpráv beze změny údajů ✔
• C) Ignorování nesouhlasu a hlášení pouze bodů, které se hodí
• D) Vymazání dat a přizpůsobení nového výsledku experimentu

Vysvětlení: Žádat AI, aby „uspořádala data tak, aby lépe odpovídala teorii“, je datový podvod a hrubé porušení vědecké integrity. Nesouhlas je něco, co je třeba zkoumat, nikoli skrývat: může naznačovat systematickou chybu, statistickou fluktuaci, nedostatek vzoru nebo zajímavý nový efekt. Údaje se vykazují tak, jak jsou, s nejistotou; Konečná odpovědnost leží na osobě a „nástroj to udělal“ není obrana.