Κέρδη:
- Δυνατότητα χρήσης τεχνητής νοημοσύνης για την παραγωγή στρατηγικής αναζήτησης, εννοιολογικού χάρτη και περίγραμμα σύνθεσης για μια οικονομική ερώτηση
- Ικανότητα αναγνώρισης του κινδύνου πηγών, ψεύτικων παραπομπών και ψευδών ευρημάτων που μπορεί να δημιουργήσει η τεχνητή νοημοσύνη και επαλήθευση κάθε αναφοράς από την αρχική πηγή
- Ικανότητα μετατροπής ευρημάτων σε μια ισορροπημένη περίληψη βιβλιογραφίας με αντίθετες απόψεις, μεθοδολογικές διαφορές και όρια πλαισίου.
Καμία οικονομική ανάλυση δεν γεννιέται στο κενό. Πριν ξεκινήσετε μια ερώτηση πολιτικής, μια πρόβλεψη, μια έκθεση, ρωτήστε "τι είναι γνωστό για αυτό το θέμα, τι συζητείται;" Είναι απαραίτητο να απαντηθεί η ερώτηση. Αυτό είναι μια βιβλιογραφική ανασκόπηση: μια οργανωμένη συλλογή υπαρχουσών γνώσεων, ευρημάτων και συζητήσεων για ένα θέμα. Η τεχνητή νοημοσύνη φαίνεται σαν ένας εκθαμβωτικός επιταχυντής σε αυτήν την επιχείρηση — συνοψίζοντας ένα θέμα, χαρτογραφώντας έννοιες, ταξινομώντας αντίθετες απόψεις. Αλλά εδώ είναι που κρύβει την πιο επικίνδυνη παγίδα: η τεχνητή νοημοσύνη μπορεί να παράγει ανύπαρκτες πηγές, ψεύτικους συγγραφείς και κατασκευασμένα ευρήματα με απόλυτη σιγουριά. Ο αμετάβλητος κανόνας αυτής της ενότητας: Κάθε αναφορά, κάθε εύρημα, κάθε όνομα επαληθεύεται από την αρχική πηγή. Δεν εισάγονται μη επαληθευμένες αναφορές στο κείμενο.
Τι κάνει καλά η τεχνητή νοημοσύνη στη βιβλιογραφία και τι δεν κάνει ποτέ;
Τι κάνει καλά (χρήσιμο): Χαρτογράφηση ενός θέματος και των υποτίτλων του, προτείνοντας βασικές έννοιες και όρους αναζήτησης για αναζήτηση, σύνοψη και σύγκριση κειμένων που παρέχετε, πλαισίωση «πλευρών» μιας συζήτησης, εξαγωγή της δομής επιχειρημάτων ενός κειμένου.
Ποτέ να μην είναι αξιόπιστο (επικίνδυνο): Παραγωγή πραγματικών παραπομπών και πιστώσεων. Η τεχνητή νοημοσύνη μπορεί να κάνει εξαιρετικά ρεαλιστικές αλλά εντελώς κατασκευασμένες προτάσεις όπως «ο Yılmaz (2019) βρήκε ότι η σχέση πληθωρισμού-ανάπτυξης είναι αρνητική». Ο συγγραφέας μπορεί να μην υπάρχει, το άρθρο μπορεί να μην υπάρχει ή το πραγματικό άρθρο μπορεί να λέει το αντίθετο. Αυτό ονομάζεται παραίσθηση στη βιβλιογραφία και είναι μοιραίο για την ακαδημαϊκή/επαγγελματική φήμη.
Προσοχή: Μόνο και μόνο επειδή μια ταυτότητα που δίνει η τεχνητή νοημοσύνη «φαίνεται ρεαλιστική» δεν αποδεικνύει τίποτα. Το όνομα του περιοδικού μπορεί να είναι σωστό, το έτος είναι λογικό, το όνομα του συγγραφέα μπορεί να είναι Τούρκικο — και το άρθρο μπορεί να μην υπάρχει ποτέ. Αποδέχεστε ότι υπάρχει μόνο όταν το βρείτε στην πραγματική βάση δεδομένων (ιστότοπος περιοδικού, DOI, βιβλιοθήκη).
Η σωστή ροή εργασίας: χάρτες AI, επαληθεύετε
- Διευκρινίστε την ερώτηση. Τι ψάχνεις; Πεδίο εφαρμογής, περίοδος, γεωγραφία, μέθοδος;
- Δημιουργήστε έναν εννοιολογικό χάρτη. Ζητήστε από το AI υποτίτλους θεμάτων, βασικές έννοιες και όρους αναζήτησης — αυτοί είναι επαληθεύσιμοι δείκτες και όχι πηγές.
- Κάντε μια πραγματική κλήση. Αναζητήστε αυτούς τους όρους σε πραγματικές βάσεις δεδομένων (μηχανές ακαδημαϊκής αναζήτησης, αρχεία περιοδικών, δημοσιεύσεις ιδρυμάτων).
- Συνοψίστε τα κείμενα που βρέθηκαν στην τεχνητή νοημοσύνη. Τώρα έχετε το πραγματικό κείμενο. Το AI μπορεί να το συνοψίσει και να το συγκρίνει.
- Συνθέστε και ισορροπήστε. Τα αντίθετα ευρήματα, οι διαφορές μεθόδων και τα όρια του πλαισίου παρουσιάζονται μαζί.
- Επαληθεύστε κάθε απόδοση. Υπάρχει πράγματι κάθε αναφορά που περιλαμβάνεται στο κείμενο, είναι σωστή η απόδοσή της, περιέχει πραγματικά το ισχυριζόμενο εύρημα;
Συμβουλή: Χρησιμοποιήστε την τεχνητή νοημοσύνη ως «αναλυτή στρατηγικής αναζήτησης και σύνοψη» και όχι ως «εύρεση πηγών». Βρίσκετε και επαληθεύετε την πηγή. Το AI σάς βοηθά να κατανοήσετε και να συγκρίνετε την πηγή που βρίσκετε.
Ισορροπημένη σύνθεση: χωρίς να παίρνεις πλευρά
Μια καλή βιβλιογραφική περίληψη δεν παρουσιάζει ούτε ένα εύρημα ως απόλυτη αλήθεια. Υπάρχουν αντίθετα ευρήματα για τα περισσότερα ερωτήματα στα οικονομικά: μια μελέτη βρίσκει μια θετική σχέση και μια άλλη όχι. Αυτό συνήθως οφείλεται σε διαφορές στη μέθοδο, την περίοδο, τη χώρα ή τα δεδομένα. Η ειλικρινής σύνθεση κάνει αυτές τις διαφορές ορατές: "Μελέτες που χρησιμοποιούν τη μέθοδο Α το βρίσκουν αυτό, μελέτες που χρησιμοποιούν τη μέθοδο Β το βρίσκουν· η διαφορά πιθανότατα πηγάζει από αυτήν την υπόθεση."
τρεις μίνι θήκες
Περίπτωση 1 — Επινοήθηκε η κατασκευασμένη απόδοση. Ένας ερευνητής αποκάλεσε την τεχνητή νοημοσύνη «συνοψίζει 5 μελέτες σχετικά με τη σχέση μεταξύ κατώτατου μισθού και απασχόλησης». Το AI έδωσε πέντε αξιοπρεπείς ετικέτες. Ο ερευνητής αναζήτησε το καθένα σε μια ακαδημαϊκή βάση δεδομένων: τρεις ήταν πραγματικές, δύο δεν ήταν καθόλου—ο συνδυασμός συγγραφέα-έτος-περιοδικού ήταν πλήρως κατασκευασμένος. Χρησιμοποίησε τα πραγματικά τρία και έβγαλε δύο. Χωρίς επαλήθευση, δύο πηγές-φάντασμα θα είχαν μπει στο άρθρο.
Περίπτωση 2 — Δυσμενές εύρημα. Η AI ανέφερε ένα πραγματικό άρθρο με τη σωστή γραμμή, αλλά είπε ότι "αυτή η μελέτη βρήκε το X." Ο ερευνητής άνοιξε την αρχική εργασία: στην πραγματικότητα βρήκε το αντίθετο. Η τεχνητή νοημοσύνη απέδωσε το λάθος εύρημα στην πραγματική πηγή. Ακόμη και αν το αποτύπωμα είναι αληθές, το μάθημα ότι δεν μπορεί να χρησιμοποιηθεί χωρίς την επαλήθευση του ισχυρισμού ενισχύθηκε.
Περίπτωση 3 — Ισορροπημένη σύνθεση. Ένας αναλυτής συνέλεξε βιβλιογραφία σχετικά με τον αντίκτυπο μιας φορολογικής πολιτικής. Στο πρώτο προσχέδιο, το AI έβγαλε ένα μονόπλευρο συμπέρασμα («θετικό αντίκτυπο»). Ο αναλυτής πρόσθεσε επίσης αντίθετες μελέτες και έδειξε ότι η διαφορά προέρχεται από τη μέθοδο (βραχυπρόθεσμα έναντι μακροπρόθεσμα δεδομένα). Το αποτέλεσμα ήταν μια ισορροπημένη περίληψη του «υπό όρους». Η αξιολόγηση πολιτικής έχει γίνει πιο αξιόπιστη.
πίνακα επικύρωσης
Έξοδος AI
Βήμα επαλήθευσης
Παράθεση/αποτύπωμα
Υπάρχει πράγματι στη βάση δεδομένων/με DOI;
"Αυτή η μελέτη βρήκε αυτό"
Είναι όντως αυτό το εύρημα στο αρχικό κείμενο;
Αριθμητικό αποτέλεσμα
Ταιριάζει με τον πίνακα/περίληψη του άρθρου;
«Η γενική αποδοχή είναι έτσι»
Έχουν αποσιωπηθεί τα αντίθετα ευρήματα;
Όροι αναζήτησης
Δίνει ουσιαστικά αποτελέσματα σε πραγματική αναζήτηση;
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Εννοιολογικός χάρτης και στρατηγική αναζήτησης:
Θα διερευνήσω το εξής οικονομικό ερώτημα: [ερώτηση]. Δώστε μου τις υπότιτλους του θέματος, τις βασικές έννοιες και τους όρους αναζήτησης (Τουρκικά + Αγγλικά) που μπορώ να χρησιμοποιήσω στην ακαδημαϊκή βάση δεδομένων. ΠΗΓΗ ΠΑΡΑΓΩΓΗΣ/ΑΝΑΦΟΡΑ. απλά πες μου πού να κοιτάξω και με ποιους όρους.
2) Συνοψίζοντας το κείμενο που παρέχεται:
Ακολουθεί το κείμενο/περίληψη ενός πραγματικού άρθρου. Συνοψίστε αυτό: ερευνητικό ερώτημα, μέθοδος, δεδομένα, κύριο εύρημα, περιορισμοί. Μην προσθέτετε τίποτα που ΔΕΝ υπάρχει στο κείμενο. Σημειώστε το μέρος για το οποίο δεν είστε σίγουροι ως "ασαφές στο κείμενο".[κείμενο]
3) Συγκριτική σύνθεση:
Συγκρίνετε τις περιλήψεις αυτών των 4 πραγματικών μελετών που σας έδωσα: ποιες δείχνουν παρόμοια ευρήματα, ποιες δείχνουν αντιφατικά ευρήματα και τι (μέθοδος, περίοδος, χώρα, δεδομένα) είναι πιθανό να οφείλεται η διαφορά; Μην επιβάλλετε μονομερές συμπέρασμα. κάνουν εξίσου ορατά τα αντίθετα ευρήματα.
4) Λίστα επαλήθευσης παραπομπών:
Καταχωρίστε όλες τις αναφορές σε αυτό το προσχέδιο. Για καθένα, αναφέρετε τρία πράγματα που πρέπει να επαληθεύσω: (1) υπάρχει πράγματι η πηγή, (2) είναι ακριβής η απόδοση, (3) περιέχει το εύρημα που της αποδίδεται; Μην θεωρήσετε κανένα από αυτά ως "βέβαιο" μέχρι να το επαληθεύσω.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Γράψτε μια περίληψη βιβλιογραφίας για αυτό το θέμα και δώστε πηγές.
Η τεχνητή νοημοσύνη παράγει κείμενο που φαίνεται ρεαλιστικό αλλά είναι γεμάτο με μερικώς κατασκευασμένες αναφορές. Εάν δεν επαληθεύσετε, στην αναφορά θα εισέλθουν ψεύτικες πηγές.
Ισχυρή προτροπή:
Θα ερευνήσω τη σχέση κατώτατου μισθού-απασχόλησης. Πρώτα, δώστε μου τους υπότιτλους και τους όρους αναζήτησης (ΠΑΡΑΓΩΓΗ πηγών/αναφορών). Θα βρω τα αληθινά έργα και θα σας φέρω τα κείμενά τους. Απλώς συνοψίζεις και συγκρίνεις αυτά που έφερα. Παρουσιάστε τα αντίθετα ευρήματα εξίσου και συζητήστε εάν η διαφορά προέρχεται από τη μέθοδο ή την περίοδο. Μην προσθέτετε αριθμούς ή ευρήματα που δεν υπάρχουν στο κείμενο.
Συνήθη λάθη
- Ζητώντας πηγές/αναφορές απευθείας από την τεχνητή νοημοσύνη και χρήση τους χωρίς επαλήθευση. Κίνδυνος παραισθήσεων.
- Παρεξήγηση ρεαλιστικών αποτυπωμάτων με αληθινά. Η εμφάνιση δεν είναι απόδειξη.
- Χωρίς να παρατηρήσετε την απόδοση της λανθασμένης εύρεσης στη σωστή ετικέτα. Υπάρχει μια πηγή, αλλά ο ισχυρισμός μπορεί να είναι ψευδής.
- Μονόδρομη σύνθεση. Απόκρυψη αντίθετων ευρημάτων.
- Παράκαμψη της διαφοράς μεθόδου/πλαισίου. Σύγκριση μήλων και αχλαδιών.
- Διαρροή αριθμού στην περίληψη που δεν υπάρχει στο κείμενο. «Γέμισμα» τεχνητής νοημοσύνης.
Συνοπτικά
Στην ανασκόπηση της βιβλιογραφίας, η τεχνητή νοημοσύνη είναι ένας ισχυρός υπεύθυνος στρατηγικής αναζήτησης και συνοψιστής, αλλά ένας αναξιόπιστος παράγοντας πηγής. Η σωστή ροή εργασίας: η τεχνητή νοημοσύνη χαρτογραφεί έννοιες και όρους αναζήτησης, βρίσκετε και επαληθεύετε πραγματικές πηγές και, στη συνέχεια, η τεχνητή νοημοσύνη συνοψίζει και συγκρίνει τα ευρήματά σας. Κάθε αναφορά και εύρημα επιβεβαιώνεται από την αρχική πηγή. Η σύνθεση αντικατοπτρίζει ειλικρινά αντίθετες απόψεις και μεθοδολογικές διαφορές.
Εργασία εφαρμογής
Επιλέξτε μια οικονομική ερώτηση. Λάβετε εννοιολογικό χάρτη και όρους αναζήτησης από AI με το πρότυπο 1 (χωρίς να ζητάτε πηγές). Βρείτε τουλάχιστον τρεις πραγματικές μελέτες σε μια πραγματική ακαδημαϊκή βάση δεδομένων με αυτούς τους όρους. Συνοψίστε και συγκρίνετέ τα με τα πρότυπα 2 και 3. Στη συνέχεια, σε μια ξεχωριστή προσπάθεια, ζητήστε από την τεχνητή νοημοσύνη μια άμεση αναφορά και ψάξτε στη βάση δεδομένων για τις αναφορές που δίνει για να προσδιορίσετε πόσες είναι πραγματικές και πόσες κατασκευασμένες και σημειώστε τις.
λίστα ελέγχου
- [ ] Χρησιμοποίησα την τεχνητή νοημοσύνη ως αναλυτή/συνοψιστή αναζήτησης, όχι ως δημιουργό πόρων.
- [ ] Βρήκα μόνος μου τις πραγματικές πηγές και τις επαλήθευσα στη βάση δεδομένων.
- [ ] Έχω επιβεβαιώσει ότι κάθε αναφορά υπάρχει στην πραγματικότητα και ότι η απόδοση της είναι σωστή.
- [ ] Έλεγξα το αποδιδόμενο εύρημα από το αρχικό κείμενο.
- [ ] Παρουσίασα αντίθετα ευρήματα και μεθοδολογικές διαφορές με ισορροπημένο τρόπο.
- [ ] Έλεγξα ότι δεν διέρρευσαν στη σύνοψη αριθμοί/ευρήματα που δεν υπήρχαν στο κείμενο.
- [ ] Δεν συμπεριέλαβα καμία μη επαληθευμένη αναφορά στο κείμενο.