Κέρδη:
- Δυνατότητα χρήσης τεχνητής νοημοσύνης για περιλήψεις βιβλιογραφίας και προσχέδια επιστημονικής γραφής και αναγνώριση του κινδύνου δόλιων αναφορών (ψεύτικα άρθρα, λανθασμένο DOI)
- Δυνατότητα εφαρμογής της συνήθειας επαλήθευσης κάθε αναφοράς στην κύρια πηγή μέσω DOI/PubMed και πρόληψης του κινδύνου λογοκλοπής/κατασκευασμένων αναφορών
- Δυνατότητα χρήσης τεχνητής νοημοσύνης ως εργαλείο σύνταξης και γλώσσας που επιταχύνει τη γραφή και υιοθετεί την αρχή να αφήνει την επιστημονική ευθύνη στον συγγραφέα
Η μοριακή βιολογία και η γενετική βασίζονται σε μια τεράστια βιβλιογραφία, με εκατοντάδες χιλιάδες άρθρα να προστίθενται κάθε χρόνο. Η κλινική σημασία μιας παραλλαγής, η λειτουργία ενός γονιδίου ή η εγκυρότητα μιας μεθόδου εξαρτώνται από δημοσιευμένα στοιχεία. Η τεχνητή νοημοσύνη (AI) είναι ένα ισχυρό βοήθημα για τον έλεγχο, τη σύνοψη και τη σύνταξη επιστημονικών κειμένων για αυτήν τη βιβλιογραφία — αλλά είναι επίσης η πιο επικίνδυνη πηγή παραισθήσεων: η τεχνητή νοημοσύνη μπορεί να πλαστογραφήσει άρθρα που δεν υπήρχαν ποτέ, σε πραγματικά περιοδικά, με πραγματικούς συγγραφείς, με καλοσχηματισμένες γραμμές. Σε αυτή την ενότητα θα μάθετε πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη με ασφάλεια στη λογοτεχνία και τη γραφή και πώς να επαληθεύετε κάθε αναφορά.
Κρίσιμος κανόνας: Μη χρησιμοποιείτε καμία από τις αναφορές που δίνονται από την YZ χωρίς να ανοίξετε και να επαληθεύσετε προσωπικά την πηγή. Μην εμπιστεύεστε κανένα byline χωρίς DOI (μόνιμο ψηφιακό αναγνωριστικό μιας δημοσίευσης), αναγνωριστικό PubMed (PMID) ή σελίδα απευθείας εκδότη. Μια ετικέτα που παραδίδεται από AI μπορεί να φαίνεται "υπερβολικά ρεαλιστική". ο ρεαλισμός δεν είναι πραγματικότητα.
Δύο πρόσωπα της τεχνητής νοημοσύνης στη λογοτεχνία
Χρήσιμη πλευρά: Συνοψίζει γρήγορα ένα θέμα, απλοποιεί ένα σύνθετο άρθρο, προτείνει όρους αναζήτησης, διορθώνει τη γλώσσα ενός χειρογράφου, συγκρίνει αντικρουόμενα ευρήματα.
Επικίνδυνη όψη: Κατασκευάζει ένα ανύπαρκτο άρθρο (ψευδής αναφορά), παραμορφώνει τα ευρήματα ενός πραγματικού άρθρου, παρουσιάζει ξεπερασμένες πληροφορίες σαν να ήταν επίκαιρες, «εφαρμόζει» μια πηγή σε έναν ισχυρισμό.
Χρησιμοποιήστε λοιπόν την τεχνητή νοημοσύνη ως αφετηρία στην ανασκόπηση της βιβλιογραφίας σας, όχι ως την τελευταία λέξη. Η πραγματική αναζήτηση πραγματοποιείται σε έγκυρους καταλόγους όπως PubMed, Google Scholar, Europe PMC. Η περίληψη του AI δεν αντικαθιστά αυτήν την αναζήτηση.
Βήμα προς βήμα: ασφαλής ροή εργασιών βιβλιογραφίας
1. Διευκρινίστε την ερώτηση και εξάγετε όρους αναζήτησης με AI. Ρωτήστε την τεχνητή νοημοσύνη "ποιες λέξεις-κλειδιά και όρους MeSH (τις ετικέτες θεμάτων του PubMed) πρέπει να αναζητήσω σε αυτό το θέμα;" παρακαλώ.
2. Κάντε την πραγματική αναζήτηση στον έγκυρο κατάλογο. Αναζητήστε το μόνοι σας στο PubMed/Scholar. Μην βασίζεστε στη λίστα "υπάρχουν αυτά τα άρθρα" του AI.
3. Ζητήστε από την τεχνητή νοημοσύνη να συνοψίσει τα άρθρα που βρίσκετε. Είναι ασφαλές να δώσετε το κείμενο (ή την περίληψη) στο AI και να το συνοψίσετε. Επειδή έχετε τους πόρους. Το να ζητάς από την τεχνητή νοημοσύνη να αφηγηθεί ένα άρθρο "από μνήμης" είναι επικίνδυνο.
4. Επαληθεύστε κάθε παραπομπή με DOI/PMID. Επιβεβαιώστε ότι κάθε πηγή που περιλαμβάνεται στο κείμενό σας υπάρχει στην πραγματικότητα και υποστηρίζει τον ισχυρισμό.
5. Χρησιμοποιήστε τεχνητή νοημοσύνη γραπτώς για τη γλώσσα και τη δομή, όχι για τη δημιουργία γεγονότων. Το AI είναι καλό για ευχέρεια προτάσεων, οργάνωση παραγράφων, περίληψη. αλλά τα αποτελέσματα, οι αριθμοί και οι αναφορές προέρχονται από εσάς.
Συμβουλή: Ο πιο γρήγορος τρόπος για να επαληθεύσετε μια αναφορά: ανοίξτε το δεδομένο DOI μέσω του doi.org ή πραγματοποιήστε αναζήτηση στο PubMed με τον τίτλο σε εισαγωγικά. Εάν δεν ανοίξει ή ο τίτλος/συγγραφέας δεν ταιριάζει, αυτή η παραπομπή είναι πιθανότατα κατασκευασμένη.
τρεις μίνι θήκες
Περίπτωση 1 — Τρεις στις πέντε αναφορές είναι πλαστές. Ένας μεταπτυχιακός φοιτητής ζήτησε μια εισαγωγική παράγραφο και 5 παραπομπές από το AI. Όταν έλεγξε ένα-ένα τα DOI, είδε ότι 3 από αυτά δεν είχαν ανοίξει πουθενά, το 1 ανήκε σε άλλο άρθρο και μόνο το 1 ήταν σωστό. Η παράγραφος ήταν άπταιστη, αλλά οι περισσότερες πηγές ήταν κατασκευασμένες.
Περίπτωση 2 — Διαστρεβλωμένο εύρημα. Ένας ερευνητής είχε μια τεχνητή νοημοσύνη να συνοψίσει ένα πραγματικό άρθρο. Ο YZ έγραψε ότι το άρθρο έλεγε, "Το γονίδιο X προκαλεί ασθένεια Y." Όταν ο ερευνητής άνοιξε το άρθρο, είδε ότι στην πραγματικότητα έλεγε "Το γονίδιο Χ βρέθηκε να σχετίζεται με το Υ, η αιτιότητα δεν εμφανίστηκε". Η διαφορά μεταξύ συσχέτισης και αιτιότητας ήταν επιστημονικά κρίσιμη.
Περίπτωση 3 — Επιβεβαίωση. Όταν ένας διδακτορικός φοιτητής έψαξε στο PubMed χρησιμοποιώντας τους προτεινόμενους όρους MeSH του YZ, βρήκε μια πρόσφατη ανασκόπηση που ήταν κεντρική στο θέμα, αλλά δεν αναφέρθηκε ποτέ στην περίληψη του YZ. Το AI δημιούργησε τους όρους αναζήτησης (χρήσιμοι), αλλά η πραγματική ανακάλυψη ήταν στο έγκυρο ευρετήριο.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Στρατηγική αναζήτησης:
Ο ρόλος σας: βοηθός βιβλιογραφίας. Προτείνετε όρους αναζήτησης, όρους MeSH και συνδυασμούς Boolean (AND/OR) για χρήση στο PubMed για την ακόλουθη ερευνητική ερώτηση: [ερώτηση]. ΑΡΘΡΟ ΚΑΤΑΛΟΓΟΣ; Απλώς ορίστε ένα καλό ερώτημα αναζήτησης. Θα κάνω την αναζήτηση στο PubMed.
2) Συνοψίζοντας το κείμενο (έχω την πηγή):
Συνοψίστε το κείμενο/περίληψη του άρθρου που επικόλλησα παρακάτω: [κείμενο]. Διακρίνετε μεταξύ: εύρεσης κλειδιού, μέθοδος, μέγεθος δείγματος, περιορισμοί. ΜΗΝ ΑΝΑΜΙΚΕΥΕΤΕ ισχυρισμούς «συσχέτισης» και «αιτιότητας». Αναφέρετε ακριβώς αυτό που λέει το άρθρο. Μην προσθέτετε τίποτα που δεν υπάρχει στο κείμενο.
3) Λίστα ελέγχου επαλήθευσης παραπομπών:
Θα σας δώσω αυτόν τον κατάλογο αναφορών. Τα πεδία που πρέπει να επαληθεύσω για καθένα (DOI, PMID, περιοδικό, έτος, συνέπεια τίτλου-συγγραφέα) εμφανίζονται ως λίστα ελέγχου. Δεν μπορείτε να επαληθεύσετε ότι οι αναφορές είναι πραγματικές. Θα επιβεβαιώσω με DOI/PMID, δώστε μου τα βήματα ελέγχου.
4) Επιστημονική διόρθωση γλώσσας:
Διορθώστε τη γλώσσα και τη ροή της παρακάτω παραγράφου, αλλά χρησιμοποιήστε γεγονότα, αριθμούς και αναφορές. ΑΛΛΑΓΗ, ΠΡΟΣΘΗΚΗ, ΔΙΑΓΡΑΦΗ: [παράγραφος]. Βελτιωθείτε μόνο ως προς τη γραμματική, την ευχέρεια και το επιστημονικό στυλ. Σημειώστε κάθε πρόταση που αλλάξατε.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο: «Γράψτε μια εισαγωγή 5 πηγών σχετικά με το ρόλο του CRISPR στη θεραπεία του καρκίνου».
Πρόβλημα: Η τεχνητή νοημοσύνη γράφει από τη μνήμη και πιθανότατα παράγει ψευδείς αναφορές. Δεν βλέπετε την πηγή.
Strong: "Προτείνετε όρους αναζήτησης που πρέπει να χρησιμοποιήσω στο PubMed για το CRISPR και τη θεραπεία του καρκίνου. Στη συνέχεια θα δώσω μια περίληψη 5 άρθρων που θα βρω και θα επικολλήσω. συντάξτε μια εισαγωγή βασισμένη μόνο σε αυτά, συνδέοντας κάθε πρόταση με το σχετικό άρθρο. Μην προσθέσετε ισχυρισμούς που δεν υπάρχουν στο κείμενο."
Γιατί είναι ισχυρό: Οι αναφορές είναι πραγματικές και υπό τον έλεγχό σας. Το AI λειτουργεί μόνο με το κείμενο που βλέπει.
Αναζήτηση
Είναι το AI ασφαλές;
κατάσταση
Προτείνετε έναν όρο αναζήτησης
Ναι
Κάνεις την κλήση
Συνοψίστε το δεδομένο κείμενο
Ναι
Αφήστε την πηγή να είναι δική σας.
Κατάλογος άρθρων από μνήμης
όχι
Υπάρχει υψηλός κίνδυνος ψευδών παραπομπών
Διόρθωση γλώσσας/στυλ
Ναι
Μην αλλάζετε το γεγονός/αναφορά
ευρήματα μεταφοράς
προσεκτικός
Διάκριση σχέσης/αιτιότητας
Συνήθη λάθη
- Χρήση παραπομπών χωρίς επαλήθευση. Το πιο συνηθισμένο και πιο επιζήμιο λάθος. Η ψευδής αναφορά αποτελεί παραβίαση της ακαδημαϊκής ακεραιότητας.
- Ζητώντας άρθρα από τη μνήμη. Η λίστα "υπάρχουν αυτές οι μελέτες" της AI μπορεί να είναι κατασκευασμένη.
- Παρεξήγηση της σχέσης με την αιτιότητα. Η τεχνητή νοημοσύνη μπορεί να διαγράψει αυτή τη διάκριση κατά τη σύνοψη. επιστροφή στην πηγή.
- Υποθέτοντας επικαιρότητα. Οι γνώσεις του AI διακόπτονται σε μια συγκεκριμένη ημερομηνία. Λάβετε τα τελευταία ευρήματα από το ευρετήριο.
- Αφήνοντας τη δημιουργία γεγονότων στην τεχνητή νοημοσύνη. Ο αριθμός, το αποτέλεσμα και η αξίωση πρέπει να προέρχονται από εσάς, όχι από το AI.
Προσοχή: Εάν χρησιμοποιήσατε τεχνητή νοημοσύνη ενώ γράφατε ένα άρθρο, ελέγξτε την πολιτική χρήσης τεχνητής νοημοσύνης του περιοδικού και του ιδρύματός σας. Πολλά περιοδικά ορίζουν ότι η τεχνητή νοημοσύνη δεν μπορεί να είναι συγγραφέας και ότι η χρήση της πρέπει να δηλώνεται με διαφάνεια. Η ψευδής αναφορά αποτελεί λόγο απόσυρσης και ακαδημαϊκών κυρώσεων.
Βάθος: σύλληψη ψεύτικης προσφοράς σε 30 δευτερόλεπτα
Οι περισσότερες ψευδείς αποδόσεις καταρρέουν γρήγορα με μερικούς μηχανικούς ελέγχους. Αναπτύξτε ένα αντανακλαστικό επικύρωσης βήμα προς βήμα. Αρχικά, ανοίξτε το DOI μέσω του doi.org. Ένα πραγματικό DOI σας μεταφέρει απευθείας στη σελίδα του εκδότη. Εάν λάβετε ένα σφάλμα "DOI not found", η παραπομπή είναι σχεδόν σίγουρα ψεύτικη. Δεύτερον, αναζητήστε τον τίτλο στο PubMed με εισαγωγικά. Εάν ο τίτλος δεν εμφανίζεται καθόλου ή δεν ταιριάζει με τον συγγραφέα/το περιοδικό/το έτος που σας δίνει η τεχνητή νοημοσύνη, να είστε καχύποπτοι — το AI συχνά αποδίδει έναν πραγματικό τίτλο σε λάθος συγγραφέα ή σε λάθος περιοδικό. Τρίτον, συνέπεια περιοδικού-έτος: Η τεχνητή νοημοσύνη μερικές φορές κατασκευάζει ένα άρθρο σε ένα έτος όπου δεν υπάρχει περιοδικό («δημοσιεύτηκε το 2019» αλλά το περιοδικό ιδρύθηκε το 2021).
Ένα συγκεκριμένο παράδειγμα: ένας μαθητής ζήτησε από το AI μια αναφορά που υποστηρίζει την παθογένεια μιας παραλλαγής. Το αποτύπωμα φαινόταν τέλειο: ένα πολύ γνωστό περιοδικό, το όνομα μιας πραγματικής ερευνητικής ομάδας, ένα τυπικά σωστό DOI. Όταν άνοιξε το DOI, εμφανίστηκε ένα άρθρο για ένα εντελώς διαφορετικό θέμα - η τεχνητή νοημοσύνη είχε αντιστοιχίσει ένα πραγματικό DOI με έναν κατασκευασμένο τίτλο. Μάθημα: Δεν αρκεί απλώς το «άνοιγμα» του DOI. Δείτε επίσης ότι ο τίτλος και ο συγγραφέας της σελίδας που ανοίγει ταιριάζουν ακριβώς με την αναφορά.
Μια ιδιαίτερα επικίνδυνη κατάσταση: ο ισχυρισμός ότι μια παραλλαγή έχει «προηγουμένως αναφερθεί ως παθογόνος». Αυτός ο ισχυρισμός μπορεί να μεταφραστεί σε κλινική απόφαση (όπως PS1/PM5 στο ACMG). Εάν η αναφορά στην οποία βασίζεται είναι ψευδής, η αλυσίδα των αποδεικτικών στοιχείων καταρρέει ριζικά. Κάθε αναφορά κλινικού βάρους πρέπει να επαληθεύεται με τον αυστηρότερο τρόπο και σε δύο ανεξάρτητους δείκτες.
5) Πρότυπο διασταυρούμενης επικύρωσης παραπομπών:
Καταχωρίστε με τη σειρά τους ελέγχους που θα έκανα για να επαληθεύσω την ακόλουθη απόδοση:[imprint]. Εμφανίζεται το DOI; Εμφανίζει τον τίτλο/συγγραφέα/έτος της ανοιχτής σελίδας; Εμφανίζεται με αναζήτηση τίτλου στο PubMed; Αφήστε ένα πλαίσιο "πέρασμα/αποτυχία" σε κάθε βήμα. Δεν μπορείτε να επαληθεύσετε την απόδοση. δώστε μου τη λίστα ελέγχου.
Συνοπτικά
- Η τεχνητή νοημοσύνη είναι ένα ισχυρό βοήθημα στην ανασκόπηση της βιβλιογραφίας και στην επιστημονική συγγραφή, αλλά είναι η μεγαλύτερη πηγή ψευδών παραπομπών.
- Η πραγματική αναζήτηση γίνεται σε έγκυρους καταλόγους (PubMed, Scholar). Η λίστα του AI δεν είναι η τελευταία λέξη.
- Κάθε παραπομπή πρέπει να επαληθεύεται προσωπικά με DOI/PMID. Η διάκριση σχέσης-αιτιότητας πρέπει να διατηρηθεί.
- Χρήση τεχνητής νοημοσύνης στη γλώσσα και τη δομή. Τα γεγονότα, οι αριθμοί και η απόδοση πρέπει να προέρχονται από εσάς.
Εργασία εφαρμογής
Επιλέξτε μια ερευνητική ερώτηση. Λάβετε όρους αναζήτησης από την τεχνητή νοημοσύνη με το πρότυπο 1, αναζητήστε το μόνοι σας στο PubMed και βρείτε 3 πραγματικά άρθρα. Συνοψίστε τα στο AI (πρότυπο 2). Ζητήστε επίσης από το AI «3 άρθρα από τη μνήμη» και ελέγξτε τα DOI τους — σημειώστε πόσα αποδεικνύονται αληθινά. Γράψτε σε μία πρόταση τη διαφορά στην αξιοπιστία μεταξύ των δύο μεθόδων.
λίστα ελέγχου
- [ ] Εξήγαγα τους όρους αναζήτησης με AI και έκανα την αναζήτηση μόνος μου.
- [ ] Βρήκα τα άρθρα στο έγκυρο ευρετήριο, δεν εμπιστεύτηκα τη λίστα του YZ.
- [ ] Επαλήθευσα κάθε παραπομπή με DOI/PMID.
- [ ] Επιβεβαίωσα τη διάκριση μεταξύ σχέσης και αιτιότητας στην πηγή.
- [ ] Χρησιμοποίησα την τεχνητή νοημοσύνη μόνο για γλώσσα/δομή, όχι για δημιουργία γεγονότων.
- [ ] Παρατήρησα την πολιτική χρήσης τεχνητής νοημοσύνης περιοδικού/ιδρύματος.