سود:
- توانایی تشخیص اشکال توهم در فیزیک (ثابت جعلی، قانون جعلی، خطای واحد، نتیجه اشتباه، انتساب جعلی) و گرفتن آنها با روش مناسب.
- امکان محافظت از داده های منتشر نشده، محرمانه و شخصی با ناشناس سازی و کوچک سازی با وارد نکردن آنها به ابزارهای غیرمجاز
- با گزارش صادقانه داده ها، بدون تزیین، و مستندسازی شفاف استفاده از هوش مصنوعی، قادر به درک اینکه مسئولیت نهایی بر عهده انسان است.
در طول این ماژول، ما رشتههای مشابهی را در هر واحد تحت پوشش قرار دادیم: هوش مصنوعی (AI) شتاب میدهد، انسانها تأیید میکنند. در این بخش پایانی، ما کل این عمل راستیآزمایی را زیر چتر یکپارچگی علمی، بنیادیترین ارزش علم فیزیکی، گرد هم میآوریم. فیزیک به دنبال تولید دانش قابل تأیید در مورد طبیعت است. در قلب این تلاش یکپارچگی، تکرارپذیری و مسئولیت است. هوش مصنوعی می تواند برای تقویت این ارزش ها استفاده شود - اما وقتی نادرست استفاده شود، همه آنها را تهدید می کند. در این بخش، اشکال فیزیکی توهم، مسئولیت داده ها و حریم خصوصی، مرزهای اخلاقی، و اینکه چرا مسئولیت نهایی همیشه بر عهده انسان است، بحث خواهیم کرد.
اشکال توهم در فیزیک
توهم - تولید مطمئن هوش مصنوعی از اطلاعات نادرست - اشکال منحصر به فرد و خطرناکی در فیزیک به خود می گیرد. تشخیص این موارد اولین قدم برای گرفتن است:
نوع توهم
مثال
روش گرفتن
اتصالات ثابت/داده
چگالی مواد نادرست
تایید با مرجع قابل اعتماد
فرمول/قانون نادرست
یک نام «اصل» ناموجود
اشتقاق کتاب درسی/SymPy
خطای واحد/سفارش
اشتباه گرفتن eV با جی
تجزیه و تحلیل ابعادی، کنترل واحد
نتیجه عددی نادرست
خروجی کد نامناسب
کد را اجرا کنید
انتساب غیرمعمول
مقاله غیر موجود
تأیید با DOI
نتیجه اشتباه گزارش شده
تحریف مقاله واقعی
منبع اصلی را بخوانید
موضوع مشترک این است: یک مدل زبان بزرگ نه برای گفتن حقیقت، بلکه برای تولید "متن ظاهر ممکن" طراحی شده است. در فیزیک، تفاوت بین «به ظاهر ممکن» و «درست» دقیقاً دلیل وجود علم است.
داده ها، حریم خصوصی و مسئولیت مالکیت معنوی
فیزیکدانان اغلب با دادههای حساس کار میکنند: دادههای آزمایشی منتشر نشده، طرحهای پیش از ثبت اختراع، اندازهگیریهای محرمانه از همکاریهای صنعتی، تحقیقات مربوط به سلامت شخصی یا دادههای ایمنی. وارد کردن چنین دادههایی در ابزار هوش مصنوعی عمومی میتواند آنها را برای اشخاص ثالث و احتمالاً دادههای آموزشی مدل در دسترس قرار دهد - که هم به معنای نقض محرمانه بودن و هم از دست دادن اولویت علمی (حق اولین کسی است که کشف میکند). قانون واضح است: داده های منتشر نشده، محرمانه یا شخصی را در ابزار هوش مصنوعی که سازمان شما تایید نکرده است وارد نکنید. اگر میخواهید وارد شوید، ناشناس کنید، کوچک کنید (فقط آنچه لازم است را بدهید) و شرایط دادههای ابزار را بخوانید.
احتیاط: وارد کردن اندازهگیریهای منتشر نشده آزمایشگاه یا پارامترهای طراحی محرمانه یک شرکت در ابزار هوش مصنوعی «برای تجزیه و تحلیل سریع» میتواند یک اشتباه غیرقابل برگشت باشد. پس از اشتراک گذاری داده ها، نمی توان آنها را فراخوانی کرد. اگر شک دارید، داده ها را وارد نکنید. ابتدا خط مشی موسسه خود و شرایط حریم خصوصی ابزار را روشن کنید.
مرزهای اخلاقی و یکپارچگی علمی
استفاده ممکن است از نظر فنی ممکن و حتی قانونی باشد، اما همچنان غیراخلاقی باشد. چندین خط قرمز در فیزیک وجود دارد که به یکپارچگی علمی مربوط می شود:
ساخت یا تزیین داده ها. درخواست از هوش مصنوعی برای "ایجاد امتیازهایی که بهتر با بازدهی تولید می شود" یا "گراف را قانع کننده تر نشان می دهد" تقلب داده است. داده ها به این صورت گزارش می شوند. موارد پرت تنها با یک دلیل مستند و مشروع حذف می شوند.
شفافیت مشارکت اگر از هوش مصنوعی در یک مطالعه استفاده کرده اید - کدنویسی، تصحیح زبان، تجزیه و تحلیل - عادلانه است که آن را در مکان مناسب روشن کنید. بسیاری از مجلات و موسسات به این نیاز دارند.
نویسندگی و مسئولیت. هوش مصنوعی نویسنده نیست. نمی تواند مسئول محتوای یک اثر باشد. مسئولیت همیشه بر عهده نویسندگان انسان است. خطای ایجاد شده توسط هوش مصنوعی را نمی توان با گفتن "خودرو ساخته است" دفاع کرد.
تکرارپذیری یک نتیجه علمی مستلزم آن است که روش (شامل کد مورد استفاده، پارامترها، اعلانهای هوش مصنوعی) به وضوح مستند شود تا دیگران بتوانند آن را تکرار کنند.
سه کیف کوچک
مورد 1 - نشت اطلاعات محرمانه. یک محقق دادههای اندازهگیری را از یک قرارداد عدم افشا با یک شرکت در یک ابزار هوش مصنوعی عمومی «برای یک نمودار سریع» قرار داد. او بعداً متوجه شد که این ابزار می تواند ورودی ها را ذخیره کند. نقض قرارداد و احتمال از دست دادن اولویت رخ داده است. درس: داده های محرمانه هرگز در ابزار تایید نشده وارد نمی شوند.
مورد 2 - چاپ زیباسازی. یکی از دانشآموزان از هوش مصنوعی درخواست ویرایشی کرد که «دادهها را به نظریه نزدیکتر نشان دهد» زیرا دادههای تجربی کاملاً با نظریه مطابقت نداشتند. مشاور او متوجه این موضوع شد و او را متوقف کرد: یک اختلاف به معنای یک خطای سیستماتیک در آزمایش یا فیزیک جدید جالب بود - چیزی که باید بررسی شود، نه پنهان. داده ها صادقانه گزارش شد و خطای سیستماتیک پیدا شد.
مورد 3 - شفافیت به دست آورد. یک تیم کد تجزیه و تحلیل داده ها را برای یک مقاله با کمک هوش مصنوعی نوشت و این را به وضوح در بخش روش ها بیان کرد. کد و درخواست ها را به عنوان فایل های اضافی به اشتراک گذاشت. یک داور کد را بررسی کرد و یک اصلاح جزئی را پیشنهاد کرد. شفافیت قبل از انتشار خطا را تشخیص داد و اعتبار مطالعه را افزایش داد.
چهار قالب قابل کپی
1) غربالگری توهم:
خروجی فیزیک زیر را برای توهم اسکن کنید: آیا ثابت های جعلی، نام های فرمول/قانون جعلی، خطاهای واحد/ترتیب، نتایج عددی تایید نشده، و اسناد تایید نشده وجود دارد؟ هر مورد مشکوک را علامت گذاری کنید و نحوه تأیید آن را مشخص کنید (مرجع، کد، DOI). خروجی: [اینجا]
۲) پیشبررسی حریم خصوصی دادهها:
داده/متن زیر را قبل از وارد کردن آن در ابزار هوش مصنوعی ارزیابی کنید: آیا حاوی اطلاعات منتشرنشده، محرمانه، شخصی یا قراردادی محافظت شده است؟ اگر چنین است، پیشنهاد دهید که چگونه می توانم آن را ناشناس یا کوچک کنم. اگر مطمئن نیستید، بگویید «سیاست شرکتی را بررسی کنید». محتوا: [اینجا]
3) پیش نویس بیانیه شفافیت/مشارکت:
در یک مطالعه، من از هوش مصنوعی برای موارد زیر استفاده کردم: [کدنویسی / تصحیح زبان / تجزیه و تحلیل، و غیره]. یک پیش نویس کوتاه "بیانیه استفاده از هوش مصنوعی" بنویسید که صادقانه این را مستند کند. همچنین باید نشان دهد که کدام بخش توسط انسان تایید شده است.
4) تضمین یکپارچگی علمی:
برای تجزیه و تحلیل/نتیجه زیر یک بررسی یکپارچگی انجام دهید: دادههای گزارش شده همانطور که هستند (بدون تزئین)، آیا عدم قطعیت گزارش شده است، آیا روش به شیوهای قابل تکرار مستند شده است، آیا استفاده از هوش مصنوعی شفاف است؟ هر گونه کمبود را لیست کنید. محتوا: [اینجا]
اعلان ضعیف / اعلان قوی
ضعیف: "بازده را برای تطبیق بهتر با تئوری ویرایش کنید و نمودار را متقاعد کننده کنید."
نتیجه: تقلب در داده ها. نقض مستقیم تمامیت علمی، از دست دادن غیرقابل برگشت شهرت.
قوی: "بازده به طور کامل با نظریه مطابقت ندارد. به من کمک کنید تا علل احتمالی این اختلاف را تجزیه و تحلیل کنم (خطای سیستماتیک، نوسانات آماری، مدل از دست رفته یا یک اثر جدید)؛ به من پیشنهاد دهید که چگونه اختلاف را صادقانه و بدون تغییر داده ها گزارش کنم."
نتیجه: رویکرد صادقانه، تحقیقی و وفادارانه به تمامیت علمی. تعارض به فرصتی برای کشف تبدیل می شود.
اشتباهات رایج
- اشتباه گرفتن توهم با اعتماد به نفس فقط به این دلیل که هوش مصنوعی با اطمینان صحبت می کند، تضمینی برای صحت نیست. حتی دقیق ترین جمله ممکن است ساخته شود.
- وارد کردن اطلاعات محرمانه به وسیله نقلیه بدون تایید. پس از اشتراک گذاری، داده ها قابل بازیابی نیستند. اولویت و محرمانگی از بین رفته است.
- زیباسازی داده ها تغییر داده ها به «نظریه برازش» یکی از جدی ترین جرایم علمی است.
- پنهان کردن استفاده از هوش مصنوعی شفافیت لازمه صداقت است و در بسیاری از نهادها الزامی است.
- سپردن مسئولیت بر عهده وسیله نقلیه "هوش مصنوعی این کار را کرد" یک دفاع نیست. مسئولیت نهایی همیشه بر عهده انسان است.
نکته: در پایان هر مطالعه مبتنی بر هوش مصنوعی، سه سوال از خود بپرسید: (1) آیا هر واقعیت، عدد و انتساب در این خروجی به طور مستقل تأیید شده است؟ (2) آیا داده هایی که استفاده کردم حاوی اطلاعات محرمانه/شخصی بود که نباید وارد کنم؟ (3) آیا استفاده و روش شناسی هوش مصنوعی خود را به اندازه کافی شفاف مستند کرده ام که شخص دیگری بتواند آن را تکرار کند؟ اگر نمی توانید به این سه سوال پاسخ "بله" واضح بدهید، مطالعه هنوز کامل نشده است.
به طور خلاصه
یکپارچگی علمی اساس وجود فیزیک است و در عصر هوش مصنوعی از اهمیت بیشتری برخوردار است. توهم در فیزیک به شکل ثابت های نادرست، قوانین نادرست، خطاهای واحد، نتیجه گیری های نادرست و ارجاعات نادرست ظاهر می شود. هر کدام با روش تأیید منحصر به فرد خود ضبط می شود. داده های محرمانه و شخصی در ابزارهای غیرمجاز وارد نمی شوند. داده ها هرگز زیبا نمی شوند. استفاده از هوش مصنوعی به طور شفاف مستند شده است. و مسئولیت نهایی همیشه بر عهده انسان است. تنها یک رشته وجود دارد که در طول این ماژول یاد میگیرید: هوش مصنوعی یک شتابدهنده قدرتمند است، اما تأیید، صداقت و مسئولیت بر دوش فیزیکدان شایسته - یعنی شما است. یک خروجی AI تایید نشده هرگز جایگزین تایید یک فیزیکدان نمی شود.
وظیفه کاربردی
یک خروجی هوش مصنوعی (یک حساب، یک تحلیل یا یک متن) که در این ماژول تولید کرده اید را انتخاب کنید. 1. توهمات را با الگو بررسی کنید: آیا ثابت های ساختگی، فرمول های جعلی، خطاهای واحد، یا اسناد تایید نشده وجود دارد؟ با الگوی 2، ارزیابی کنید که آیا داده هایی که استفاده می کنید برای حفظ حریم خصوصی مناسب هستند یا خیر. در نهایت، یک بیانیه کوتاه استفاده/شفافیت هوش مصنوعی با الگوی 3 پیشنویس کنید. در 5 تا 6 جمله بنویسید: اسکن چه چیزی را نشان داد، چه مراحل تأییدی را انجام دادید؟
چک لیست
- [ ] من به طور مستقل هر ثابت، فرمول و نتیجه را در خروجی تأیید کردم.
- [ ] من هر نقل قول را با DOI/منبع تأیید کرده ام.
- [ ] من بررسی کرده ام که داده های محرمانه/شخصی را بدون تایید در ابزار وارد نکرده ام.
- [ ] من داده ها را همانطور که هست، بدون تزیین گزارش کردم.
- [ ] من استفاده خود از هوش مصنوعی را به شیوه ای شفاف و قابل تکرار مستند کرده ام.
- [ ] پذیرفتم که مسئولیت نهایی با من بود. من هیچ ایرادی را به وسیله نقلیه نسبت ندادم.
امتحان ماژول
1. کدام یک از موارد زیر دقیق ترین موقعیت یابی هوش مصنوعی در فیزیک است؟
- الف) هوش مصنوعی دستیار کد، پیش نویس و ویرایش است. مسئولیت تصمیمات واحد، رتبه، تایید و اخلاقی بر عهده انسان است ✔
- ب) هوش مصنوعی یک ماشین حساب است و نتایج عددی که می دهد همیشه دقیق هستند
- ج) هوش مصنوعی فقط در محاسبه کار می کند، ربطی به تجزیه و تحلیل آزمایش و آموزش ندارد
- د) از آنجایی که هوش مصنوعی نسبت به انسان بی طرف تر است، تصمیم گیری در مورد واحد و نتیجه باید به آن واگذار شود.
توضیحات: هوش مصنوعی; این دستیار است که کد می نویسد، پیش نویس ها را تولید می کند، چارچوب های مشتق را ایجاد و سازماندهی می کند. با این حال، مسئولیت نهایی برای تأیید واحد و سفارش نتیجه، اطمینان از آن با قوانین حفاظت، تأیید ثابت و مرجع به فیزیکدان ذیصلاح تعلق دارد. مدل زبان بزرگ یک ماشین حساب یا موتور فیزیک نیست. یک تولید کننده متن است که "محتمل ترین کلمه بعدی" را تولید می کند و خروجی تایید نشده آن ممکن است به یک مقدار، طرح یا نتیجه نادرست منجر شود.
2. دقیق ترین تقریب برای نتیجه عددی یک کد محاسباتی که در یک مدل زبان بزرگ چاپ می کنید چیست؟
- الف) با اعتماد به عدد، مدل می گوید "این کد آن را می دهد"، زیرا او کد را نوشته است
- ب) کد را خودتان اجرا کنید و خروجی را ببینید. ✔ عدم تکیه بر پیش بینی عددی کلامی مدل
- ج) پذیرش کد به عنوان صحیح فقط با مشاهده نحوه خواندن آن، بدون اجرای آن
- د) اگر نتیجه دوباره مستقیماً از مدل پرسیده شود و همان عدد را بگوید صحیح تلقی می شود.
توضیح: یک LLM ممکن است خروجی کدی را که در سر خود نوشته است «محاسبه» کند و عدد اشتباهی را برگرداند. در حالی که وقتی همان کد اجرا می شود نتیجه درست را می دهد. آنچه قطعی است کدی است که اجرا می شود. این یک پیش بینی کلامی از مدل نیست. بنابراین کد باید همیشه در محیط خود شما اجرا شود و خروجی آن دیده شود.
3. قوی ترین راه برای آزمایش اینکه آیا شبیه سازی یک سیستم دینامیکی بدون اصطکاک به طور دقیق فیزیک را منعکس می کند چیست؟
- الف) مشاهده اینکه نمودار از نظر بصری مرتب و قانع کننده به نظر می رسد
- ب) اجرای شبیه سازی تنها با یک مرحله زمانی و اعتماد به نتیجه
- ج) نظارت بر کمیتی که باید حفظ شود، مانند انرژی کل یا تکانه، و بررسی اینکه آیا ثابت میماند ✔
- د) ارزیابی شبیه سازی با سرعت اجرای آن
توضیح: در یک سیستم بدون اصطکاک، انرژی کل (و تکانه، در صورت وجود) باید حفظ شود. نظارت بر این بزرگی در طول شبیهسازی و مشاهده اینکه آیا ثابت میماند یا خیر، نقصهای عددی را آشکار میکند (مثلاً روش اولیه اویلر، انرژی را دائماً افزایش میدهد). اگر انرژی در حال حرکت باشد، شبیه سازی غیر قابل اعتماد است. فقط به این دلیل که یک گرافیک خوب تولید می کند به این معنی نیست که درست است.
4. کدام یک از موارد زیر هنگام برازش یک مدل با داده های تجربی روش صحیحی است؟
- الف) انتخاب چند جمله ای درجه بالاتر که بهترین تناسب را با داده ها دارد زیرا از تمام نقاط عبور می کند
- ب) دادن پارامترها به صورت یک عدد بدون ابهام
- ج) اعلام کیفیت تناسب به سادگی با نگاه کردن به زیبایی ظاهری منحنی.
- د) انتخاب مدل از فیزیک، گزارش پارامترها با عدم قطعیت آنها و ارزیابی تناسب با باقیمانده ها ✔
توضیح: مدل باید از قانون فیزیکی که رویداد باید از آن تبعیت کند، انتخاب شود، نه با نگاه کردن به داده ها و تعجب که "کدامیک مناسب تر است". با پارامترهای آزاد کافی (مثلاً یک چند جمله ای درجه بالا) می توان یک تناسب "کامل" اما از نظر فیزیکی بی معنی (اضافه کننده) برای هر داده ای ایجاد کرد. پارامترها باید با عدم قطعیت گزارش شوند، کیفیت برازش باید با باقیماندهها ارزیابی شود و قابل قبول بودن فیزیکی باید بررسی شود.
5. تکرار چند بار اندازه گیری کدام نوع عدم قطعیت را کاهش می دهد؟
- الف) عدم قطعیت تصادفی؛ عدم قطعیت سیستماتیک با تکرار کاهش نمی یابد، باید علت را پیدا کرد و اصلاح کرد ✔
- ب) عدم قطعیت سیستماتیک؛ زیرا خطای کالیبراسیون مجدد را از بین می برد
- ج) هر دو ابهام را به طور کامل برطرف می کند
- د) هیچ یک از آنها را کاهش نمی دهد; عدم قطعیت مستقل از تعداد اندازه گیری ها است
توضیح: اندازه گیری مکرر عدم قطعیت تصادفی (با خطای استاندارد میانگین std/√N) ناشی از توزیع تصادفی نتایج را کاهش می دهد. از سوی دیگر، عدم قطعیت سیستماتیک خطایی است که همیشه در یک جهت منحرف می شود (مثلاً تعادل نادرست کالیبره شده) و با تکرار کاهش نمی یابد. با این حال، می توان علت را پیدا کرد و اصلاح کرد. گزارش یک عدم قطعیت "بسیار کوچک" با اندازه گیری های متعدد ممکن است خطای سیستماتیک اساسی را پنهان کند.
6. مطمئن ترین راه مستقل برای تأیید فرمول انتشار خطا که توسط هوش مصنوعی مشتق شده است چیست؟
- الف) با تکیه بر فرمول سیال و قانع کننده به نظر برسد
- ب) بررسی متقاطع با محاسبه مونت کارلو که به طور تصادفی از ورودی ها با عدم قطعیت آنها نمونه برداری می کند.
- ج) درخواست مجدد همان فرمول از هوش مصنوعی و انتظار برای دادن همان نتیجه
- د) جمع آوری عدم قطعیت ها به طور مستقیم و مقایسه آنها با نتیجه
توضیح: هوش مصنوعی اغلب ضرایب مشتق جزئی و ساختار ریشه مربع را در فرمول های انتشار خطا مخلوط می کند. یک راه قدرتمند برای دستیابی به این به طور مستقل، بررسی متقابل مونت کارلو است: نمونهبرداری تصادفی از هر ورودی با عدم قطعیت آن، محاسبه تابع هزاران بار، و مقایسه انحراف استاندارد خروجی با عدم قطعیت ارائهشده توسط فرمول. ملاقات دو روش مستقل باعث افزایش اعتماد به نفس می شود.
7. تقسیم کار صحیح بین هوش مصنوعی و SymPy در یک مشتق طولانی از فیزیک نمادین چیست؟
- الف) SymPy ایده اشتقاق را تولید می کند، هوش مصنوعی دقیقاً هر مرحله را تأیید می کند
- ب) هر دو غیر ضروری هستند; مشتقات طولانی باید فقط به صورت دستی انجام شود
- ج) هوش مصنوعی چارچوب اشتقاق را می سازد، SymPy دقیقاً هر مرحله جبری را تأیید می کند.
- د) هوش مصنوعی استخراج را به تنهایی انجام می دهد، نیازی به تایید نیست زیرا روان به نظر می رسد.
توضیح: هوش مصنوعی اشتقاق را استراتژی میکند و مسیر را توضیح میدهد، اما در جبر طولانی خطاهای علامت، اصطلاحات فرار و سادهسازیهای نادرست ایجاد میکند. از سوی دیگر، SymPy بر اساس قوانین کار می کند و دقیقاً هر مرحله جبری را تأیید می کند. قدرتمندترین گردش کار این دو را ترکیب می کند: اسکلت را از هوش مصنوعی بگیرید، هر مرحله را با SymPy منبع بگیرید، نتیجه را با معکوس انتگرال مشتق و مورد مرزی آزمایش کنید.
8. تحلیل ابعادی در مورد دقت فرمول فیزیکی چه می گوید؟
- الف) تحلیل ابعادی همیشه صحت یک فرمول را به طور قطعی ثابت می کند
- ب) تحلیل ابعادی در فیزیک ارزش عملی ندارد
- ج) آنالیز ابعادی فقط ضریب ثابت فرمول را نشان می دهد، نه ثبات آن را
- د) فرمولی که ابعادی ندارد کاملا اشتباه است. آنالیز ابعادی بدون شمارش اعداد خطا می گیرد ✔
توضیح: دو طرف یک معادله فیزیکی باید از نظر ابعادی با هم برابر باشند قبل از اینکه بتوانند از نظر عددی مساوی شوند. فرمولی که ابعادی ندارد، به سادگی اشتباه است. این از محاسبه شمارش گرفته می شود. تحلیل ابعادی به طور قطعی درستی یک فرمول را ثابت نمی کند (ممکن است یک عامل ثابت یا زاویه بی بعد را از دست بدهد)، اما به طور قطع ثابت می کند که نادرست است. بنابراین اولین و ارزان ترین حسابرسی هر حساب است.
9. مهم ترین مرحله اول هنگام محاسبه انرژی جنبشی جسمی که با سرعت 36 کیلومتر در ساعت حرکت می کند چیست؟
- الف) تبدیل تمام ورودی ها به یک سیستم واحد واحد (SI). تبدیل 36 کیلومتر بر ساعت به 10 متر بر ثانیه ✔
- ب) قرار دادن سرعت بر حسب کیلومتر بر ساعت مستقیماً در فرمول بدون تبدیل آن به m/s
- ج) ضرب فقط اعداد بدون احتساب واحدها
- د) با فرض عدم نیاز به بررسی سفارش پس از محاسبه نتیجه
توضیح: فرمول های مبتنی بر SI (E = ½mv²) انتظار سرعت را بر حسب متر بر ثانیه دارند. اشتباه گرفتن کیلومتر در ساعت با m یا ساعت با ثانیه در محاسبه یکی از رایج ترین اشتباهات در فیزیک است. ابتدا همه ورودی ها باید به یک سیستم واحد (SI) تبدیل شوند: 36 کیلومتر بر ساعت = 10 متر بر ثانیه. از آنجایی که هوش مصنوعی میتواند خطاهای بیصدا را در تبدیل واحدهای مرکب ایجاد کند، این تبدیل باید به صورت دستی یا با ابزار واحد آگاه تأیید شود.
10. کدام عمل از نظر "صداقت" در نمودار علمی صحیح است؟
- الف) پنهان کردن عدم قطعیت زیرا میله های خطا نمودار را به هم می زند
- ب) محورها را با واحد برچسب گذاری کنید، مقیاس را بدون اعوجاج انتخاب کنید و عدم قطعیت را با نوارهای خطا نشان دهید ✔
- ج) همیشه محور y را در محدوده ای شروع کنید که بیشترین تفاوت را نشان دهد
- د) بدون واحد گذاشتن محورها چون خواننده می تواند واحد را حدس بزند
توضیحات: نمودار علمی صادقانه. محورها را با بزرگی و واحد برچسب گذاری می کند، مقیاس را آگاهانه و بدون اعوجاج انتخاب می کند (شروع محور y از صفر به دلیل اغراق، گمراه کننده است)، و عدم قطعیت اندازه گیری را با نوارهای خطا قابل مشاهده می کند. پنهان کردن عدم قطعیت باعث می شود داده ها قطعی به نظر برسند و تصور نادرستی از سوگیری یا توافق ایجاد می کند. هر چه یک گرافیک قانع کننده تر باشد، بررسی یکپارچگی اهمیت بیشتری دارد.
11. بزرگترین خطر و انضباط صحیح هنگام دریافت پشتیبانی ادبیات و استناد از هوش مصنوعی چیست؟
- الف) هوش مصنوعی زمان را تلف می کند زیرا استنادات را بسیار کند تولید می کند
- ب) منابع پیشنهادی هوش مصنوعی همیشه واقعی هستند، نیازی به تایید نیست
- ج) هوش مصنوعی می تواند اسنادی ایجاد کند که واقعی به نظر می رسند اما وجود ندارند. هر نقل قول باید با DOI/منبع تأیید شود و متون باید از پایگاه داده واقعی پیدا شود ✔
- د) استنادهای ساخته شده به راحتی تشخیص داده می شوند زیرا همیشه از نام مجلات غیر واقعی استفاده می کنند
توضیح: یک مدل زبان بزرگ به یک پایگاه داده واقعی متصل نیست. با تقلید از الگوهای استناد، میتواند مقالاتی را تولید کند که نام مجلات واقعی، نویسندگان معتبر و یک سال معقول را دارند اما کاملاً وجود ندارند. بنابراین، ادبیات باید از پایگاههای داده واقعی پیدا شود، هوش مصنوعی باید فقط برای خلاصه کردن/ترجمه متن واقعی مورد استفاده قرار گیرد، و هر نقل قول باید به طور مستقل توسط DOI یا عنوان تأیید شود. نقل قول تایید نشده نقض تمامیت علمی است.
12. هنگام جمع بندی مقاله توسط هوش مصنوعی چه چیزی لازم است تا به نتایج قابل اعتمادی برسید؟
- الف) فقط دادن عنوان مقاله کافی است، مدل محتوا را می داند
- ب) استفاده مستقیم از خلاصه بدون بررسی آن، زیرا سیال به نظر می رسد
- ج) دوبار درخواست از مدل برای خلاصه یکسان و پذیرفتن صحیح آن در صورت مشابه بودن.
- د) دادن متن اصلی به مدل و مقایسه خلاصه تولید شده با متن اصلی برای بررسی اینکه چیزی اضافه یا تحریف نشده است.
توضیح: صرفاً دادن عنوان مقاله به هوش مصنوعی و درخواست خلاصه، باعث میشود مدل بدون دیدن مقاله، یک «خلاصه قابل قبول» ارائه دهد. این خلاصه ممکن است خلاف حقیقت باشد. یک خلاصه قابل اعتماد تنها زمانی بدست می آید که متن اصلی به مدل داده شود و خلاصه تولید شده با متن اصلی مقایسه شود. علاوه بر این، باید بررسی شود که خلاصه نتایج یا اعدادی را که در متن نیستند اضافه نکند.
13. کدام یک برای خروجی هوش مصنوعی در تولید مواد دروس فیزیک صادق است؟
- الف) هر راه حل باید به طور مستقل تأیید شود، حدود قیاس ها باید مشخص شود و عوامل حواس پرتی باید تصورات غلط واقعی را هدف قرار دهند.
- ب) پاسخ کلید تولید شده توسط هوش مصنوعی همیشه صحیح است، نیازی به ممیزی نیست
- ج) قیاس در همه موارد کامل است، نیازی به تعیین حدود نیست.
- د) عوامل حواس پرتی باید کاملاً تصادفی انتخاب شوند، زیرا ماهیت انتخاب نادرست مهم نیست.
توضیحات: هوش مصنوعی در ایجاد سوالات، مثالها و قیاسها سریع است، اما بررسی در سه نکته ضروری است: راهحل هر مشکل باید به طور مستقل (با دست یا با کد) تأیید شود، زیرا مدل ممکن است در راهحل خطاهای علامت/واحد ایجاد کند. هر قیاس باید در جایی که خراب می شود بیان شود، در غیر این صورت خطای جدیدی ایجاد می کند. حواس پرتی ها باید باورهای غلط واقعی را هدف قرار دهند. مسئولیت بر عهده معلم است. یک کلید پاسخ نادرست دانش آموزان را با سوء تفاهماتی مواجه می کند که اصلاح آنها دشوار است.
14. هنگامی که داده های تجربی کاملاً با نظریه مطابقت ندارند، رفتار منطبق با یکپارچگی علمی چیست؟
- الف) داشتن هوش مصنوعی داده ها را به گونه ای سازماندهی می کند که با تئوری مطابقت داشته باشد و نمودار را قانع کننده نشان دهد
- ب) بررسی دلایل مغایرت (خطای سیستماتیک، عدم وجود مدل، اثر جدید) و گزارش صادقانه بدون تغییر داده ها ✔
- ج) نادیده گرفتن اختلاف و گزارش تنها نکاتی که مناسب است
- د) حذف داده ها و برازش نتیجه آزمایش جدید
توضیح: درخواست از هوش مصنوعی برای "ترتیب دادن داده ها به گونه ای که تئوری بهتری داشته باشد" تقلب در داده ها و نقض فاحش یکپارچگی علمی است. اختلاف چیزی است که باید بررسی شود، نه پنهان: ممکن است نشان دهنده یک خطای سیستماتیک، یک نوسان آماری، فقدان الگو یا یک اثر جدید جالب باشد. داده ها همانطور که هست، با عدم قطعیت گزارش می شوند. مسئولیت نهایی بر عهده شخص است و «ابزار انجام داد» دفاع نیست.