اسکن شواهد و ادعاهای سلامت: خواندن صحیح علم، اجتناب از ادعاهای نادرست

سود:

• توانایی ارزیابی ادعاهای تغذیه با در نظر گرفتن سلسله مراتب شواهد و تمایز بین همبستگی و علت
• توانایی تشخیص توهم منبع هوش مصنوعی و تأیید هر مرجع از منبع اصلی
• توانایی استفاده از هوش مصنوعی نه برای یافتن منابع، بلکه برای پرسش و ارزیابی انتقادی منبع

علم تغذیه به سرعت در حال پیشرفت است و تحقیقات جدید به طور مداوم منتشر می شود. ارزش حرفه ای یک متخصص تغذیه به توانایی او در تشخیص حقیقت در این سیل شواهد، به روز ماندن و استناد به ادعاهای خود بر پایه ای محکم بستگی دارد. در عین حال، تغذیه یکی از حوزه‌هایی است که شبه‌علم در آن بیشتر رشد می‌کند: یک ادعای جدید «غذای معجزه‌آسا»، «سم»، «ابر غذا» هر هفته در گردش است. هوش مصنوعی می تواند در هر دو جنبه کمک کند: متون علمی را خلاصه می کند، مطالعات پیچیده را ساده می کند، به شما کمک می کند سطح شواهد یک ادعا را زیر سوال ببرید. اما خطرناک‌ترین تله هوش مصنوعی در اینجاست: می‌تواند مطالعاتی را بسازد که وجود ندارند، منابعی را اختراع کند و شواهد ضعیف را به عنوان قوی ارائه کند. اصل این واحد: استفاده از هوش مصنوعی برای ارزیابی و زیر سوال بردن شواهد، نه برای یافتن آن. هر منبع و هر ادعایی را از منبع اصلی تأیید کنید.

سلسله مراتب شواهد: همه مطالعات برابر نیستند

در علم، قدرت شواهد یک هرم را تشکیل می دهد. قدرت از پایین به بالا افزایش می یابد:

سطح شواهد

منظورت چیه؟

قدرت

نظر کارشناس / حکایت

تجربه شخصی، "برای یکی از دوستانم کار کرد"

ضعیف ترین

سری کیس

مشاهده تعداد کمی از بیماران

ضعیف

مطالعه مشاهده ای

نظارت بر جمعیت (همبستگی)

متوسط

کارآزمایی تصادفی کنترل شده (RCT)

آزمایش با گروه های تصادفی (علت و معلول)

قوی

مرور سیستماتیک / متاآنالیز

خلاصه تلفیقی از کار سخت

قوی ترین

دانستن این سلسله مراتب حیاتی است. زیرا بیشتر ادعاهای "این غذا آن کار را انجام می دهد" در اخبار در واقع بر اساس مطالعات مشاهده ای ضعیف است. "همبستگی" (دو چیز با هم اتفاق می افتد) "علت" نیست (یکی باعث دیگری می شود): مشاهده این که قهوه خورها عمر طولانی تری دارند ثابت نمی کند که قهوه باعث افزایش عمر می شود. هوش مصنوعی گاهی اوقات این تمایز را محو می کند. شما باید شفاف سازی کنید.

توهم منبع هوش مصنوعی

موذیانه ترین اشتباه مدل های زبان این است که مطالعات علمی، نام نویسندگان، نام مجلات و شماره های DOI را جعل می کنند که در واقع وجود ندارند. هوش مصنوعی می تواند در یک جمله قانع کننده به شما بگوید: "طبق مطالعه ای که در مجله تغذیه در سال 2021 منتشر شد ..."؛ آن کار ممکن است هرگز وجود نداشته باشد. بنابراین قانون طلایی: از هیچ منبع ارائه شده توسط YZ بدون تأیید آن از منبع اصلی (PubMed، Cochrane، مجله اصلی) استفاده نکنید. استفاده از هوش مصنوعی به عنوان موتور جستجوی ادبیات یک اشتباه حرفه ای است.

احتیاط: اگر به هوش مصنوعی بگویید «مطالعاتی را که از این موضوع پشتیبانی می‌کنند فهرست کنید» ممکن است مراجع قانع‌کننده اما جعلی دریافت کنید. استفاده صحیح: متن یک مطالعه واقعی را به هوش مصنوعی بدهید و بپرسید "این را خلاصه کنید / محدودیت های این مطالعه چیست؟" پرسیدن است شما منبع را بیاورید، هوش مصنوعی آن را تفسیر می کند.

دستورالعمل های قابل اعتماد و اجماع علمی

یک متخصص تغذیه مجبور نیست برای هر سوال متون را از ابتدا اسکن کند. دستورالعمل های ملی و بین المللی برای اکثر موقعیت های بالینی وجود دارد. راهنماها اسناد اجماع به طور مرتب به روز می شوند که از آنها هیئت های متخصص مطالعات متعددی را ارزیابی و نتیجه می گیرند. به عنوان مثال، راهنمای تغذیه ترکیه (TÜBER)، توصیه های سازمان بهداشت جهانی (WHO)، دستورالعمل های تغذیه انجمن های دیابت و قلب و عروق. هنگام ارزیابی یک ادعا، ابتدا بپرسید "راهنمای فعلی در این مورد چه می گوید؟" ' قابل اعتمادتر از گم شدن در مطالعات فردی است. زیرا راهنما قبلاً بدنه شواهد را سنجیده است. در اینجا می‌توانید از هوش مصنوعی به دو صورت استفاده کنید: برای خلاصه کردن متن واقعی یک راهنما، یا این که آیا یک ادعا با اجماع عمومی در راهنماها مطابقت دارد یا خیر. اما مراقب باشید: اطلاعات فهرست موجود در حافظه هوش مصنوعی ممکن است قدیمی یا اشتباه باشد. همیشه با منبع رسمی تأیید کنید که کدام نسخه از راهنما فعلی و توصیه دقیق است. قبل از اینکه بگویید "علم این را می گوید"، اجماع فعلی آن علم را از سند واقعی تأیید کنید. راهنماها با تغییر علم به روز می شوند. یک توصیه از سه سال پیش ممکن است امروز تجدید نظر شده باشد.

استفاده صحیح از هوش مصنوعی در ارزیابی شواهد

1. شما منبع بیاورید یک مقاله، خلاصه یا راهنمای واقعی پیدا کنید. آن را به هوش مصنوعی بدهید.
2. خلاصه و ساده کنید. متن پیچیده را به زبان قابل فهم ترجمه کنید - اما ادعاها را با متن مقایسه کنید.
3. محدودیت ها را زیر سوال ببرید. "نقاط ضعف روش شناختی این مطالعه چیست؟" هوش مصنوعی در ایجاد سوالات مهم خوب است.
4. ادعا را در سطح شواهد ثابت کنید. از آنها بخواهید سطح شواهدی را که یک ادعا بر آن استوار است طبقه بندی کنند.
5. از منبع اصلی تأیید کنید. هر مسئله، هر نتیجه و هر منبع را با نسخه اصلی بررسی کنید.

سه کیف کوچک

مورد 1 - منبع ساختگی. برای ارائه، یک متخصص تغذیه به هوش مصنوعی می گوید: "3 مطالعه ارائه دهید که مزایای روزه متناوب را ثابت می کند." هوش مصنوعی سه مطالعه، نویسنده و سال را ارائه می دهد. متخصص تغذیه در PubMed جستجو می کند: دو تا از این سه مورد اصلا وجود ندارند، یکی در موضوع دیگری است. اگر آن را در ارائه قرار می داد، اعتبار حرفه ای اش از بین می رفت. راه درست این بود که خود مجموعه های واقعی را پیدا کنید و هوش مصنوعی آنها را خلاصه کند. درس: هوش مصنوعی منابع را اختراع می کند. هر مرجع را تأیید کنید.

مورد 2 - تله همبستگی - علیت. یک مقاله خبری با عنوان "صبحانه باعث کاهش وزن می شود" بر اساس یک مطالعه مشاهده ای که در آن "کسانی که صبحانه می خورند لاغرتر هستند" عنوان می کند. مشتری این را می پرسد. متخصص تغذیه از هوش مصنوعی می خواهد که مطالعه را خلاصه کند و محدودیت های آن را زیر سوال ببرد. معلوم می شود که افرادی که صبحانه می خورند عموماً فعال تر و منظم تر زندگی می کنند، به این معنی که این رابطه سببی نیست. متخصص تغذیه اطلاعات متعادلی را در اختیار مشتری قرار می دهد. درس: مشاهده علیت نیست.

مورد 3 - استفاده صحیح. یک متخصص تغذیه یک متاآنالیز اخیر از نیازهای پروتئین (واقعی، از PubMed) پیدا می کند، اما متن طولانی و فنی است. آن را به هوش مصنوعی بدهید و بپرسید «یافته اصلی، نمونه، محدودیت‌ها و مفهوم عملی چیست؟» او می پرسد. هوش مصنوعی متن را صادقانه خلاصه می کند. متخصص تغذیه خلاصه را با مقایسه با نسخه اصلی تأیید می کند و آن را با عمل خود تطبیق می دهد. هوش مصنوعی بار خواندن را کاهش داد. منبع و تایید با متخصص تغذیه باقی ماند.

الگوهای درخواستی قابل کپی

الگوی چکیده مطالعه (شما منبع را ارائه می دهید) در زیر متن/خلاصه یک مقاله علمی واقعی آمده است. این را با عناوین زیر خلاصه کنید: سوال تحقیق، روش/طرح، نمونه، یافته اصلی، محدودیت ها، مفاهیم کاربردی. چیزی که در متن نیست اضافه نکنید. مناسب متن: [...]

الگوی طبقه بندی سطح شواهد برای ادعای زیر: "[ادعا]". سطح شواهدی را در نظر بگیرید که این ادعا معمولاً بر اساس آن است (حکایتی / مشاهده ای / RCT / متاآنالیز). وجود همبستگی یا علیت را بیان کنید. منبع جعلی; فقط قدرت شواهد ادعا را تجزیه و تحلیل کنید.

الگوی تحقیق انتقادی نقاط ضعف روش شناختی و سوگیری های احتمالی (اندازه نمونه کوچک، مدت زمان کوتاه، تضاد منافع، عامل مخدوش کننده) خلاصه مطالعه زیر را فهرست کنید. در یافته ها اغراق نکنید. نقد متوازن.خلاصه: [...]

مشتری CLAIM REALITY CHECK TEMPLATEA ادعای زیر را شنید: "[به عنوان مثال، چای سم زدایی سموم را از بین می برد]". انصافاً مبنای علمی این ادعا را ارزیابی کنید: آنچه معلوم است، آنچه معلوم نیست، چه بخشهایی نادرست / مبالغه شده است. یک توضیح سنجیده و غیر ترسناک تهیه کنید تا به مشتری گفته شود. ساخت منبع

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

فهرستی از مطالعاتی که ثابت می کند زنجبیل ایمنی را تقویت می کند، فهرست کنید.

این تمایل هوش مصنوعی را به سمت ساختن منابع سوق می دهد و با پرسیدن یک راه ("اثبات") سوگیری ایجاد می کند. گواهی های جعلی می رسد.

اعلان قدرتمند:

نقش شما: دستیار ارزیابی شواهد. منبع جعلی ادعای «زنجبیل ایمنی را تقویت می‌کند» به طور متعادل ارزیابی کنید: این ادعا معمولاً بر چه سطحی از شواهد استوار است، آیا شواهد قوی یا ضعیف، همبستگی است یا علی؟ بین آنچه معلوم است/آنچه ناشناخته است تمایز قائل شوید. به مطالعات واقعی ارجاع ندهید (من آنها را از PubMed تأیید خواهم کرد). فقط قدرت شواهد ادعا را تجزیه و تحلیل کنید.

اخطار دوم ساخت منابع را ممنوع می کند، نیاز به ارزیابی متوازن (و نه یک طرفه) دارد و تأیید را به انسان واگذار می کند. خروجی یک ابزار فکری ایمن است.

اشتباهات رایج

• اشتباه گرفتن هوش مصنوعی با موتور جستجوی ادبیات: درخواست منابع. هوش مصنوعی ارجاعات را تشکیل می دهد.
• عدم تایید منبع: استفاده از کار ارائه شده توسط هوش مصنوعی بدون تایید آن از منبع اصلی.
• همبستگی اشتباه برای علیت: ارائه یافته های مشاهده ای به عنوان "این کار را انجام می دهد".
• نادیده گرفتن سطح شواهد: یکسان سازی حکایت با متاآنالیز.
• سوال یک طرفه: ایجاد سوگیری با گفتن "اثبات مطالعات"; مشکل متعادل
• نادیده گرفتن فعلی: با فرض فعلی بودن اطلاعات قدیمی/منسوخ. نسخه فعلی راهنماها را ببینید.

به طور خلاصه

خواندن شواهد و توجه به ادعاهای سلامت پایه و اساس اعتبار حرفه ای یک متخصص تغذیه است. هوش مصنوعی یک دستیار قدرتمند خواندن و تحقیق در این زمینه است: مطالعات واقعی را خلاصه می کند، محدودیت ها را استخراج می کند، سطح شواهد ادعاها را تجزیه و تحلیل می کند. اما هوش مصنوعی منابع را جعل می کند - این خطرناک ترین اشتباه آن است. همیشه منبع را بیاورید و آن را از منبع اصلی تأیید کنید. همبستگی جدا از علیت. سلسله مراتب شواهد را رعایت کنید. اتهامات را به طور متعادل زیر سوال ببرید. هوش مصنوعی به تفکر شما سرعت می بخشد. اما مسئولیت علم، صحت منبع و صداقت ادعا با شماست.

وظیفه کاربردی

یک ادعای تغذیه محبوب را انتخاب کنید (مثلاً "رژیم غذایی قلیایی بدن را متعادل می کند" یا "خوردن دیروقت در شب باعث افزایش وزن شما می شود"). با "الگوی بررسی واقعیت ادعا" ارزیابی متعادلی از هوش مصنوعی دریافت کنید. سپس از "الگوی طبقه بندی سطح شواهد" برای تعیین سطح شواهدی که ادعا بر اساس آن است استفاده کنید. همچنین، آگاهانه از هوش مصنوعی یک "لیست منبع" بخواهید و یکی از مراجعی را که در PubMed ارائه می دهد جستجو کنید. ببین واقعیه این آزمایش توهم منبع را تجسم خواهد داد.

چک لیست

• [ ] منبع را آوردم. من اشاره ای به هوش مصنوعی نکردم.
• [ ] من هر منبع ارائه شده توسط YZ را از منبع اصلی تأیید کردم.
• [ ] من بین همبستگی و علیت تمایز قائل شدم.
• [ ] من ادعا را بر اساس سلسله مراتب شواهد طبقه بندی کرده ام.
• [ ] من ادعاها را به روشی متعادل (نه یک طرفه) زیر سوال بردم.
• [ ] من سازگاری اطلاعات را با راهنماها/مجموعه های فعلی بررسی کردم.