Κέρδη:
- Ικανότητα αξιολόγησης ισχυρισμών διατροφής λαμβάνοντας υπόψη την ιεραρχία των αποδεικτικών στοιχείων και διάκριση μεταξύ συσχέτισης και αιτιώδους συνάφειας
- Δυνατότητα αναγνώρισης της παραίσθησης πηγής τεχνητής νοημοσύνης και επαλήθευσης κάθε αναφοράς από την κύρια πηγή
- Δυνατότητα χρήσης τεχνητής νοημοσύνης όχι για εύρεση πηγών, αλλά για αμφισβήτηση και κριτική αξιολόγηση της πηγής
Η επιστήμη της διατροφής εξελίσσεται ραγδαία και δημοσιεύονται συνεχώς νέες έρευνες. Η επαγγελματική αξία ενός διαιτολόγου εξαρτάται από την ικανότητά του να διακρίνει την αλήθεια σε αυτήν την πλημμύρα αποδεικτικών στοιχείων, να παραμένει ενημερωμένος και να βασίζει τους ισχυρισμούς του σε γερές βάσεις. Ταυτόχρονα, η διατροφή είναι ένας από τους τομείς όπου η ψευδοεπιστήμη ευδοκιμεί περισσότερο: κάθε εβδομάδα κυκλοφορεί μια νέα «θαυματουργή τροφή», «τοξίνη», «υπερτροφή». Η τεχνητή νοημοσύνη μπορεί να βοηθήσει και στα δύο μέτωπα: συνοψίζει επιστημονικά κείμενα, απλοποιεί πολύπλοκες μελέτες, σας βοηθά να αμφισβητήσετε το επίπεδο των αποδεικτικών στοιχείων για έναν ισχυρισμό. Αλλά εδώ βρίσκεται η πιο επικίνδυνη παγίδα του AI: μπορεί να κατασκευάσει μελέτες που δεν υπάρχουν, να εφεύρει πηγές και να παρουσιάσει αδύναμα στοιχεία ως ισχυρά. Η αρχή αυτής της ενότητας: χρησιμοποιήστε τεχνητή νοημοσύνη για να αξιολογήσετε και να αμφισβητήσετε αποδεικτικά στοιχεία, όχι για να τα βρείτε. επαληθεύστε κάθε πηγή και κάθε αξίωση από την κύρια πηγή.
Ιεραρχία αποδεικτικών στοιχείων: δεν είναι όλες οι μελέτες ίσες
Στην επιστήμη, η δύναμη της απόδειξης σχηματίζει μια πυραμίδα. Η ισχύς αυξάνεται από κάτω προς τα πάνω:
Επίπεδο αποδεικτικών στοιχείων
Τι εννοείς;
δύναμη
Γνώμη ειδικού / ανέκδοτο
Προσωπική εμπειρία, "λειτούργησε για έναν φίλο μου"
πιο αδύναμο
Σειρά υπόθεσης
Παρατήρηση μικρού αριθμού ασθενών
αδύναμος
μελέτη παρατήρησης
Παρακολούθηση πληθυσμού (συσχέτιση)
μεσαίο
Τυχαιοποιημένη ελεγχόμενη δοκιμή (RCT)
Πειραματιστείτε με τυχαίες ομάδες (αιτία και αποτέλεσμα)
δυνατός
Συστηματική ανασκόπηση/μετα-ανάλυση
Μια συγκεντρωτική περίληψη της σκληρής δουλειάς
ισχυρότερος
Η γνώση αυτής της ιεραρχίας είναι κρίσιμη. Επειδή οι περισσότεροι ισχυρισμοί "αυτό το φαγητό κάνει αυτό" στις ειδήσεις βασίζονται στην πραγματικότητα σε αδύναμες μελέτες παρατήρησης. Η «συσχέτιση» (δύο πράγματα συμβαίνουν μαζί) δεν είναι «αιτιακή» (το ένα προκαλεί το άλλο): μια παρατήρηση ότι όσοι πίνουν καφέ ζουν περισσότερο δεν αποδεικνύει ότι ο καφές παρατείνει τη ζωή. Η τεχνητή νοημοσύνη μερικές φορές θολώνει αυτή τη διάκριση. Πρέπει να διευκρινίσεις.
Η πηγή της ψευδαίσθησης του AI
Το πιο ύπουλο λάθος των γλωσσικών μοντέλων είναι ότι κατασκευάζουν επιστημονικές μελέτες, ονόματα συγγραφέων, ονόματα περιοδικών και αριθμούς DOI που στην πραγματικότητα δεν υπάρχουν. Η τεχνητή νοημοσύνη μπορεί να σας πει με μια πειστική πρόταση: «Σύμφωνα με μια μελέτη που δημοσιεύτηκε στο Journal of Nutrition το 2021…». ότι το έργο μπορεί να μην υπάρξει ποτέ. Ο χρυσός κανόνας λοιπόν: Μην χρησιμοποιείτε καμία πηγή που δίνεται από την YZ χωρίς να την επιβεβαιώσετε από την κύρια πηγή (PubMed, Cochrane, πρωτότυπο περιοδικό). Η χρήση της τεχνητής νοημοσύνης ως μηχανή αναζήτησης βιβλιογραφίας είναι επαγγελματικό λάθος.
Προσοχή: Εάν πείτε στην τεχνητή νοημοσύνη "καταγράψτε μελέτες που το υποστηρίζουν", ενδέχεται να λάβετε πειστικές αλλά ψεύτικες αναφορές. Σωστή χρήση: δώστε το κείμενο μιας πραγματικής μελέτης στο AI και ρωτήστε "συνοψίστε αυτό / ποιοι είναι οι περιορισμοί αυτής της μελέτης;" είναι να ρωτήσω. Φέρνεις την πηγή, η τεχνητή νοημοσύνη την ερμηνεύει.
Αξιόπιστες οδηγίες και επιστημονική συναίνεση
Ένας διαιτολόγος δεν χρειάζεται να σαρώνει τη βιβλιογραφία από την αρχή για κάθε ερώτηση. Υπάρχουν εθνικές και διεθνείς οδηγίες για τις περισσότερες κλινικές καταστάσεις. Οι οδηγοί είναι τακτικά επικαιροποιημένα έγγραφα συναίνεσης από τα οποία οι ομάδες εμπειρογνωμόνων αξιολογούν και ολοκληρώνουν πολυάριθμες μελέτες. για παράδειγμα, Türkiye Nutrition Guide (TÜBER), συστάσεις του Παγκόσμιου Οργανισμού Υγείας (WHO), διατροφικές κατευθυντήριες γραμμές των ενώσεων για τον διαβήτη και τις καρδιολογικές ενώσεις. Κατά την αξιολόγηση ενός ισχυρισμού, ρωτήστε πρώτα "τι λέει η τρέχουσα καθοδήγηση σχετικά με αυτό;" Είναι πιο αξιόπιστο από το να χαθείς σε μεμονωμένες μελέτες. γιατί ο οδηγός έχει ήδη ζυγίσει το σύνολο των αποδεικτικών στοιχείων. Μπορείτε να χρησιμοποιήσετε την τεχνητή νοημοσύνη με δύο τρόπους εδώ: για να συνοψίσετε το πραγματικό κείμενο ενός οδηγού ή να αμφισβητήσετε εάν ένας ισχυρισμός είναι συνεπής με τη γενική συναίνεση στους οδηγούς. Αλλά να είστε προσεκτικοί: οι πληροφορίες καταλόγου στη μνήμη του AI μπορεί να είναι παλιές ή συγκεχυμένες. Πάντα να επιβεβαιώνετε με την επίσημη πηγή ποια έκδοση του οδηγού είναι τρέχουσα και την ακριβή σύσταση. Πριν πείτε "Η επιστήμη το λέει αυτό", επαληθεύστε την τρέχουσα συναίνεση αυτής της επιστήμης από το πραγματικό έγγραφο. Οι οδηγοί ενημερώνονται καθώς αλλάζει η επιστήμη. Μια σύσταση πριν από τρία χρόνια μπορεί να έχει αναθεωρηθεί σήμερα.
Σωστή χρήση της τεχνητής νοημοσύνης στην αξιολόγηση αποδεικτικών στοιχείων
- Φέρνεις την πηγή. Βρείτε ένα πραγματικό άρθρο, περίληψη ή οδηγό. Δώστε το στο AI.
- Συνοψίστε και απλοποιήστε. Έχετε σύνθετο κείμενο μεταφρασμένο σε κατανοητή γλώσσα — αλλά συγκρίνετε τους ισχυρισμούς με το κείμενο.
- Αμφισβητήστε τους περιορισμούς. «Ποιες είναι οι μεθοδολογικές αδυναμίες αυτής της μελέτης;» Το AI είναι καλό στο να δημιουργεί κρίσιμες ερωτήσεις.
- Τεκμηριώστε τον ισχυρισμό στο επίπεδο των αποδεικτικών στοιχείων. Ζητήστε τους να ταξινομήσουν το επίπεδο των αποδεικτικών στοιχείων στο οποίο βασίζεται ένας ισχυρισμός.
- Επαλήθευση από την κύρια πηγή. Επαληθεύστε κάθε ζήτημα, κάθε αποτέλεσμα και κάθε πηγή με το πρωτότυπο.
τρεις μίνι θήκες
Περίπτωση 1 — Κατασκευασμένη πηγή. Για μια παρουσίαση, ένας διαιτολόγος λέει στο AI, "δώστε 3 μελέτες που αποδεικνύουν τα οφέλη της διαλείπουσας νηστείας". Το AI δίνει τρεις μελέτες, συγγραφέα και έτος. Ο διαιτολόγος αναζητά στο PubMed: δύο από τα τρία δεν υπάρχουν καθόλου, το ένα είναι σε διαφορετικό θέμα. Αν το είχε συμπεριλάβει στην παρουσίαση, θα είχε καταστραφεί η επαγγελματική του αξιοπιστία. Ο σωστός τρόπος ήταν να βρείτε τις ίδιες τις πραγματικές συλλογές και να τις συνοψίσει το AI. Μάθημα: Η τεχνητή νοημοσύνη εφευρίσκει πόρους. Επαληθεύστε κάθε αναφορά.
Περίπτωση 2 — Παγίδα συσχέτισης-αιτιότητας. Ένα άρθρο ειδήσεων τιτλοφορεί «το πρωινό σε κάνει να χάσεις βάρος», βασισμένο σε μια μελέτη παρατήρησης στην οποία «όσοι τρώνε πρωινό είναι πιο αδύνατοι». Αυτό ρωτάει ένας πελάτης. Ο διαιτολόγος ζητά από το AI να συνοψίσει τη μελέτη και να αμφισβητήσει τους περιορισμούς της. Αποδεικνύεται ότι οι άνθρωποι που τρώνε πρωινό ζουν γενικά πιο ενεργά και τακτικά, πράγμα που σημαίνει ότι η σχέση δεν είναι αιτιολογική. Ο διαιτολόγος παρέχει ισορροπημένες πληροφορίες στον πελάτη. Μάθημα: η παρατήρηση δεν είναι αιτιότητα.
Περίπτωση 3 — Σωστή χρήση. Ένας διαιτολόγος βρίσκει μια πρόσφατη μετα-ανάλυση των αναγκών σε πρωτεΐνη (πραγματική, από το PubMed), αλλά το κείμενο είναι μεγάλο και τεχνικό. Δώστε το στην τεχνητή νοημοσύνη και ρωτήστε "ποιο είναι το κύριο εύρημα, το δείγμα, οι περιορισμοί και οι πρακτικές συνέπειες;" ρωτάει. Το AI συνοψίζει πιστά το κείμενο. Ο διαιτολόγος επαληθεύει την περίληψη συγκρίνοντάς την με την αρχική και την προσαρμόζει στην πρακτική του. Η τεχνητή νοημοσύνη μείωσε το φορτίο ανάγνωσης. η πηγή και η επαλήθευση παρέμειναν στον διαιτολόγο.
Αντιγράψιμα πρότυπα προτροπών
ΠΡΟΤΥΠΟ ΠΕΡΙΛΗΨΗΣ ΜΕΛΕΤΗΣ (Εσείς παρέχετε την πηγή) Παρακάτω είναι το κείμενο/περίληψη μιας πραγματικής επιστημονικής εργασίας. Συνοψίστε το με τις ακόλουθες επικεφαλίδες: ερευνητικό ερώτημα, μέθοδος/σχεδιασμός, δείγμα, κύριο εύρημα, ΠΕΡΙΟΡΙΣΜΟΙ, πρακτικές συνέπειες. Μην προσθέτετε τίποτα που ΔΕΝ υπάρχει στο κείμενο. προσαρμογή. Κείμενο: [...]
ΥΠΟΔΕΙΓΜΑ ΤΑΞΙΝΟΜΗΣΗΣ ΕΠΙΠΕΔΟΥ ΑΠΟΔΕΙΚΤΙΚΩΝ Για τον ακόλουθο ισχυρισμό: "[αξίωση]". Εξετάστε το επίπεδο των αποδεικτικών στοιχείων στο οποίο βασίζεται συνήθως αυτός ο ισχυρισμός (ανέκδοτο / παρατηρητικό / RCT / μετα-ανάλυση). Να αναφέρετε αν υπάρχει συσχέτιση ή αιτιότητα. Πηγή FAKE; Απλώς αναλύστε την αποδεικτική δύναμη του ισχυρισμού.
ΠΡΟΤΥΠΟ ΚΡΙΤΙΚΗΣ ΕΡΕΥΝΑΣ Καταγράψτε τις μεθοδολογικές ΑΔΥΝΑΜΕΙΣ και πιθανές προκαταλήψεις (μικρό μέγεθος δείγματος, μικρή διάρκεια, σύγκρουση συμφερόντων, παράγοντας σύγχυσης) της ακόλουθης περίληψης της μελέτης. Μην υπερβάλλετε το εύρημα. ισορροπημένη κριτική. Περίληψη: [...]
Ο πελάτης CLAIM REALITY CHECK TEMPLATEA άκουσε τον ακόλουθο ισχυρισμό: "[π.χ., το τσάι αποτοξίνωσης αφαιρεί τις τοξίνες]". Αξιολογήστε ειλικρινά την επιστημονική βάση αυτού του ισχυρισμού: τι είναι γνωστό, τι δεν είναι γνωστό, ποια μέρη είναι ψευδή/υπερβολικά. Σχεδιάστε μια μετρημένη, μη τρομακτική εξήγηση για να πείτε στον πελάτη. Κατασκευή πηγής.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Καταγράψτε μελέτες που αποδεικνύουν ότι το τζίντζερ ενισχύει το ανοσοποιητικό.
Αυτή η επιθυμία ωθεί το AI να κατασκευάσει πηγές και παράγει μεροληψία ρωτώντας έναν τρόπο («απόδειξη»). Φτάνουν ψεύτικες μαρτυρίες.
Ισχυρή προτροπή:
Ο ρόλος σας: βοηθός αξιολόγησης αποδεικτικών στοιχείων. πηγή FAKE Αξιολογήστε τον ισχυρισμό "το τζίντζερ ενισχύει το ανοσοποιητικό" ισορροπημένα: σε ποιο επίπεδο αποδεικτικών στοιχείων βασίζεται συνήθως αυτός ο ισχυρισμός, είναι τα στοιχεία ισχυρά ή αδύναμα, συσχέτιση ή αιτιότητα; Κάντε τη διάκριση ανάμεσα σε αυτό που είναι γνωστό/τι είναι άγνωστο. ΜΗΝ αναφέρετε πραγματικές μελέτες (θα τις επαληθεύσω από το PubMed). Απλώς αναλύστε την αποδεικτική δύναμη του ισχυρισμού.
Η δεύτερη προτροπή απαγορεύει την κατασκευή πηγών, απαιτεί ισορροπημένη (και όχι μονόπλευρη) αξιολόγηση και αφήνει την επαλήθευση στους ανθρώπους. Η έξοδος είναι ένα ασφαλές εργαλείο σκέψης.
Συνήθη λάθη
- Λάθος τεχνητή νοημοσύνη για μια μηχανή αναζήτησης λογοτεχνίας: Ζητώντας πόρους. Το AI δημιουργεί αναφορές.
- Μη επιβεβαίωση της πηγής: Χρήση της εργασίας που παρέχεται από AI χωρίς επαλήθευση από την κύρια πηγή.
- Λανθασμένη συσχέτιση για την αιτιότητα: Παρουσίαση ευρημάτων παρατήρησης ως "αυτό το κάνει αυτό".
- Αγνοώντας το επίπεδο των αποδεικτικών στοιχείων: Ταύτιση του ανέκδοτου με τη μετα-ανάλυση.
- Μονόπλευρη ερώτηση: Δημιουργία μεροληψίας λέγοντας "αποδεικτικές μελέτες". ισορροπημένο πρόβλημα.
- Παραμέληση επικαιρότητας: Υποθέτοντας ότι οι παλιές/παλαιωμένες πληροφορίες είναι τρέχουσες. Δείτε την τρέχουσα έκδοση των οδηγών.
Συνοπτικά
Η ανάγνωση στοιχείων και η προσοχή στους ισχυρισμούς υγείας είναι το θεμέλιο της επαγγελματικής αξιοπιστίας ενός διαιτολόγου. Το AI είναι ένας ισχυρός βοηθός ανάγνωσης και διερεύνησης σε αυτόν τον τομέα: συνοψίζει πραγματικές μελέτες, εξάγει περιορισμούς, αναλύει το επίπεδο των αποδεικτικών στοιχείων των ισχυρισμών. Αλλά το AI κατασκευάζει πηγές - αυτό είναι το πιο επικίνδυνο λάθος του. Να φέρνετε πάντα την πηγή και να την επαληθεύετε από την κύρια πηγή. χωριστή συσχέτιση από αιτιότητα. παρατηρήστε την ιεραρχία των αποδεικτικών στοιχείων. Αμφισβητήστε τους ισχυρισμούς με ισορροπημένο τρόπο. Το AI επιταχύνει τη σκέψη σας. αλλά η ευθύνη για την επιστήμη, την ακρίβεια της πηγής και την ειλικρίνεια του ισχυρισμού είναι δική σας.
Εργασία εφαρμογής
Επιλέξτε έναν δημοφιλή ισχυρισμό διατροφής (π.χ. "η αλκαλική δίαιτα εξισορροπεί το σώμα" ή "το φαγητό αργά το βράδυ σε κάνει να παχύνεις"). Λάβετε μια ισορροπημένη αξιολόγηση από την τεχνητή νοημοσύνη με το "πρότυπο ελέγχου πραγματικότητας αξίωσης". Στη συνέχεια, χρησιμοποιήστε το "πρότυπο ταξινόμησης επιπέδου αποδεικτικών στοιχείων" για να προσδιορίσετε το επίπεδο των αποδεικτικών στοιχείων στο οποίο βασίζεται ο ισχυρισμός. Επίσης, ζητήστε εν γνώσει σας την τεχνητή νοημοσύνη για μια «λίστα πηγών» και αναζητήστε μία από τις αναφορές που δίνει στο PubMed. Δείτε αν είναι αληθινό. Αυτό το πείραμα θα ενσωματώσει την πηγή ψευδαίσθησης.
λίστα ελέγχου
- [ ] Έφερα την πηγή. Δεν έκανα αναφορά στο AI.
- [ ] Επιβεβαίωσα κάθε πηγή που δόθηκε από την YZ από την κύρια πηγή.
- [ ] Διέκρινα μεταξύ συσχέτισης και αιτιότητας.
- [ ] Έχω ταξινομήσει τον ισχυρισμό σύμφωνα με την ιεραρχία των αποδεικτικών στοιχείων.
- [ ] Αμφισβήτησα τους ισχυρισμούς με ισορροπημένο (όχι μονόπλευρο) τρόπο.
- [ ] Έλεγξα τη συμβατότητα των πληροφοριών με τους τρέχοντες οδηγούς/συλλογές.