Hallucination, éthique, confidentialité et intégrité scientifique — Intelligence artificielle en physique

Gains :

Capacité à reconnaître les formes d'hallucinations en physique (fausse constante, fausse loi, erreur d'unité, résultat erroné, fausse attribution) et à les détecter avec la méthode appropriée.
Capacité à protéger les données non publiées, confidentielles et personnelles par anonymisation et minimisation en ne les saisissant pas dans des outils non autorisés
Être capable de comprendre que la responsabilité ultime incombe aux humains en rapportant les données honnêtement, sans les embellir, et en documentant de manière transparente l'utilisation de l'intelligence artificielle.

Tout au long de ce module, nous avons abordé la même discipline dans chaque unité : l'intelligence artificielle (IA) accélère, les humains vérifient. Dans cette dernière unité, nous rassemblons l’ensemble de cette pratique de vérification sous l’égide de l’intégrité scientifique, la valeur la plus fondamentale de la science physique. La physique est la quête de production de connaissances vérifiables sur la nature ; L'intégrité, la répétabilité et la responsabilité sont au cœur de cet effort. L’IA peut être utilisée pour renforcer ces valeurs, mais lorsqu’elle est mal utilisée, elle les menace toutes. Dans cette unité, nous discuterons des formes physiques d'hallucination, de la responsabilité en matière de données et de confidentialité, des limites éthiques et de la raison pour laquelle la responsabilité ultime incombe toujours aux humains.

Formes d'hallucinations en physique

L’hallucination – la production confiante de fausses informations par l’IA – prend des formes uniques et dangereuses en physique. Les reconnaître est la première étape pour attraper :

type d'hallucination

exemple

Méthode de capture

Ajustement fixe/données

Une densité de matière incorrecte

Confirmation avec référence fiable

Fausse formule/loi

Un nom de « principe » inexistant

Dérivation de manuel/SymPy

Erreur d'unité/commande

confondre eV avec J

Analyse dimensionnelle, contrôle unitaire

Résultat numérique incorrect

Sortie de code incorrecte

Exécutez le code

attribution apocryphe

article inexistant

Vérification avec DOI

Résultat rapporté à tort

Distorsion d'un article réel

Lire la source originale

Le fil conducteur est le suivant : un grand modèle de langage est conçu non pas pour dire la vérité, mais pour produire un "texte d'apparence possible". En physique, la différence entre « apparemment possible » et « vrai » est précisément la raison d’être de la science.

Responsabilité en matière de données, de confidentialité et de propriété intellectuelle

Les physiciens travaillent souvent avec des données sensibles : données expérimentales non publiées, conceptions pré-brevet, mesures confidentielles issues de collaborations industrielles, recherches impliquant des données personnelles sur la santé ou la sécurité. La saisie de ces données dans un outil généraliste d'IA pourrait les rendre accessibles à des tiers et éventuellement aux données d'entraînement du modèle, ce qui signifierait à la fois une violation de la confidentialité et une perte de la priorité scientifique (le droit d'être le premier à faire une découverte). La règle est claire : ne saisissez pas de données inédites, confidentielles ou personnelles dans un outil d’IA que votre organisation n’a pas approuvé. Si vous souhaitez saisir, anonymisez, minimisez (donnez uniquement ce qui est nécessaire) et lisez les conditions de données de l'outil.

Attention : Saisir les mesures non publiées d'un laboratoire ou les paramètres de conception confidentiels d'une entreprise dans un outil d'IA « pour une analyse rapide » peut être une erreur irréversible. Une fois les données partagées, elles ne peuvent pas être rappelées. En cas de doute, ne saisissez pas de données ; Clarifiez d'abord la politique de votre institution et les conditions de confidentialité de l'outil.

Limites éthiques et intégrité scientifique

Une utilisation peut être techniquement possible et même légale, mais néanmoins contraire à l'éthique. Il existe plusieurs lignes rouges en physique qui concernent l’intégrité scientifique :

Fabrication ou embellissement de données. Demander à l’IA de « générer des points qui correspondent mieux au rendement » ou de « rendre le graphique plus convaincant » est une fraude aux données. Les données sont présentées telles quelles ; Les valeurs aberrantes ne sont éliminées que pour une raison légitime et documentée.

Transparence de la contribution. Si vous avez utilisé l'IA dans une étude (écriture de code, correction du langage, analyse), il est juste de le préciser au bon endroit. De nombreuses revues et institutions l’exigent.

Paternité et responsabilité. L'IA n'est pas un écrivain ; ne peut être responsable du contenu d’une œuvre. La responsabilité incombe toujours aux écrivains humains. Une erreur produite par l’IA ne peut pas être défendue en disant « le véhicule l’a fait ».

Reproductibilité. Un résultat scientifique nécessite que la méthode (y compris le code utilisé, les paramètres, les invites de l’IA) soit clairement documentée afin que d’autres puissent la reproduire.

trois mini-cases

Cas 1 — Fuite de données confidentielles. Un chercheur a collé les données de mesure d’un accord de non-divulgation avec une entreprise dans un outil d’IA générique « pour un graphique rapide ». Il s'est rendu compte plus tard que cet outil pouvait stocker des entrées. Une rupture de contrat et une éventuelle perte de priorité se sont produites. Leçon : les données confidentielles ne sont jamais saisies dans un outil non approuvé.

Cas 2 — Impression d’embellissement. Un étudiant a demandé à l'IA une modification qui « rendrait les données plus proches de la théorie » car les données expérimentales ne correspondaient pas entièrement à la théorie. Son conseiller l'a remarqué et l'a arrêté : une divergence signifiait soit une erreur systématique dans l'expérience, soit une nouvelle physique intéressante – quelque chose qui devait être étudié et non caché. Les données ont été rapportées honnêtement et une erreur systématique a été trouvée.

Cas 3 – Gain de transparence. Une équipe a écrit le code d’analyse des données pour un article avec l’aide de l’IA et l’a clairement indiqué dans la section méthodes ; partagé le code et les invites sous forme de fichiers supplémentaires. Un arbitre a examiné le code et a suggéré une correction mineure. La transparence a détecté l'erreur avant la publication et a accru la crédibilité de l'étude.

Quatre modèles copiables

1) Dépistage des hallucinations :

Analysez les résultats physiques suivants à la recherche d'hallucinations : y a-t-il de fausses constantes, de faux noms de formules/lois, des erreurs d'unité/d'ordre, des résultats numériques non vérifiés et des attributions non confirmées ? Signalez chaque élément suspect et précisez comment le vérifier (référence, code, DOI). Résultat : [ici]

2) Vérification préalable de la confidentialité des données :

Évaluez les données/textes suivants avant de les saisir dans un outil d’IA : contiennent-ils des informations inédites, confidentielles, personnelles ou protégées contractuellement ? Si tel est le cas, suggérez comment je peux l'anonymiser ou le minimiser. En cas de doute, dites « vérifier la politique de l'entreprise ». Contenu : [ici]

3) Projet de déclaration de transparence/contribution :

Dans une étude, j'ai utilisé l'IA pour : [codage/correction linguistique/analyse, etc.]. Rédigez un court brouillon de « Déclaration d'utilisation de l'IA » qui documente honnêtement cela. Il doit également indiquer quelles parties ont été vérifiées par des humains.

4) Garantir l’intégrité scientifique :

Effectuer un contrôle d'intégrité pour l'analyse/résultat suivant : les données sont rapportées telles quelles (sans embellissement), les incertitudes sont-elles signalées, la méthode est-elle documentée de manière reproductible, l'utilisation de l'IA est-elle transparente ? Énumérez toutes les lacunes. Contenu : [ici]

Invite faible/Invite forte

Faible : "Modifiez le rendement pour mieux l'adapter à la théorie et rendre le graphique convaincant."

Résultat : fraude aux données ; Violation directe de l'intégrité scientifique, perte irréversible de réputation.

Strong : "Le rendement n'est pas entièrement conforme à la théorie. Aidez-moi à analyser les causes possibles de cet écart (erreur systématique, fluctuation statistique, modèle manquant ou nouvel effet) ; suggérez comment signaler honnêtement l'écart sans modifier les données. "

Résultat : Une approche honnête, investigatrice et fidèle de l’intégrité scientifique ; Le conflit devient une opportunité de découverte.

Erreurs courantes

Confondre hallucination et confiance en soi. Ce n’est pas parce que l’IA parle avec assurance qu’elle est exacte ; Même la phrase la plus précise peut être fabriquée de toutes pièces.
Saisie de données confidentielles dans le véhicule sans autorisation. Une fois partagées, les données ne peuvent pas être récupérées ; La priorité et la confidentialité sont perdues.
Embellir les données. Changer les données pour les « adapter à la théorie » est l’un des crimes scientifiques les plus graves.
Cacher l’utilisation de l’IA. La transparence est une exigence d’honnêteté et est obligatoire dans de nombreuses institutions.
Mettre la responsabilité sur le véhicule. « L’IA l’a fait » n’est pas une défense ; La responsabilité ultime incombe toujours à l'être humain.

Conseil : à la fin de chaque étude basée sur l'IA, posez-vous trois questions : (1) Tous les faits, chiffres et attributions contenus dans ce résultat ont-ils été vérifiés de manière indépendante ? (2) Les données que j'ai utilisées contenaient-elles des informations confidentielles/personnelles que je ne devais pas saisir ? (3) Ai-je documenté mon utilisation et ma méthodologie de l’IA de manière suffisamment transparente pour que quelqu’un d’autre puisse les reproduire ? Si vous ne pouvez pas répondre clairement « oui » à ces trois questions, l’étude n’est pas encore terminée.

En résumé

L’intégrité scientifique est la base de l’existence de la physique et est encore plus importante à l’ère de l’IA. L'hallucination apparaît en physique sous la forme de fausses constantes, de fausses lois, d'erreurs unitaires, de fausses conclusions et de fausses références ; chacun est capturé avec sa propre méthode de vérification unique. Les données confidentielles et personnelles ne sont pas saisies dans des outils non autorisés ; les données ne sont jamais embellies ; L’utilisation de l’IA est documentée de manière transparente ; et la responsabilité ultime incombe toujours à l'homme. Il n'y a qu'une seule discipline que vous apprenez tout au long de ce module : l'IA est un puissant accélérateur, mais la vérification, l'intégrité et la responsabilité reposent sur les épaules du physicien compétent, c'est-à-dire vous. Un résultat non vérifié de l’IA ne remplace jamais la confirmation d’un physicien.

Tâche de candidature

Sélectionnez un résultat de l'IA (un récit, une analyse ou un texte) que vous avez produit dans ce module. 1. écran pour les hallucinations avec modèle : y a-t-il des constantes factices, des formules fallacieuses, des erreurs d'unité ou des attributions non vérifiées ? Avec le modèle 2, évaluez si les données que vous utilisez sont respectueuses de la vie privée. Enfin, rédigez une courte déclaration d'utilisation/de transparence de l'IA avec le modèle 3. Écrivez en 5 à 6 phrases : qu'a révélé l'analyse, quelles étapes de vérification avez-vous suivies ?

liste de contrôle

[ ] J'ai vérifié indépendamment chaque constante, formule et résultat dans le résultat.
[ ] J'ai vérifié chaque citation avec le DOI/source.
[ ] J'ai vérifié que je n'ai pas saisi de données confidentielles/personnelles dans l'outil sans autorisation.
[ ] J'ai rapporté les données telles quelles, sans fioritures.
[ ] J'ai documenté mon utilisation de l'IA de manière transparente et reproductible.
[ ] J'ai accepté que la responsabilité ultime était la mienne ; Je n'ai attribué aucun défaut au véhicule.

Examen de module

1. Lequel des énoncés suivants est le positionnement le plus précis pour l’intelligence artificielle en physique ?

A) L'intelligence artificielle est un assistant de code, de rédaction et d'édition ; La responsabilité de l'unité, du grade, de la vérification et des décisions éthiques incombe à l'être humain ✔
B) L'intelligence artificielle est une calculatrice et les résultats numériques qu'elle donne sont toujours précis
C) L'intelligence artificielle ne fonctionne qu'en calcul, elle n'a rien à voir avec l'analyse expérimentale et l'enseignement
D) Puisque l’intelligence artificielle est plus impartiale que les humains, les décisions d’unité et de résultat devraient lui être laissées.

Description : Intelligence artificielle ; C'est un assistant qui écrit du code, produit des brouillons, crée et organise des frameworks de dérivation. Cependant, la responsabilité ultime de la vérification des unités et des ordres du résultat, en le garantissant avec les lois de conservation, la confirmation des constantes et des références, appartient au physicien compétent. Le grand modèle de langage n’est pas une calculatrice ou un moteur physique ; est un générateur de texte qui produit le « mot suivant le plus probable » et sa sortie non vérifiée peut conduire à une valeur, une conception ou un résultat incorrect.

2. Quelle est l'approximation la plus précise du résultat numérique d'un code informatique que vous imprimez dans un grand modèle de langage ?

A) Faire confiance au numéro que le modèle dit « ce code donne cela », parce qu'il a écrit le code
B) Exécutez le code vous-même et voyez le résultat ; ✔ ne pas s'appuyer sur la prédiction numérique verbale du modèle
C) Accepter le code comme correct simplement en regardant comment il est lu, sans l'exécuter du tout
D) Si le résultat est à nouveau demandé directement au modèle et qu'il indique le même numéro, il est considéré comme correct.

Explication : Un LLM peut « calculer » le résultat du code qu'il a écrit dans sa tête et renvoyer un nombre erroné ; alors que lorsque le même code est exécuté, il donne le résultat correct. Ce qui est déterministe, c'est le code qui est exécuté ; Il ne s’agit pas d’une prédiction verbale du modèle. Par conséquent, le code doit toujours être exécuté dans votre propre environnement et le résultat doit être visible.

3. Quel est le moyen le plus puissant de tester si la simulation d’un système dynamique sans frottement reflète fidèlement la physique ?

A) Voir que le graphique est visuellement soigné et convaincant
B) Exécuter la simulation avec un seul pas de temps et faire confiance au résultat
C) Surveiller une quantité qui doit être préservée, comme l'énergie totale ou l'impulsion, et vérifier si elle reste constante ✔
D) Évaluation de la simulation en fonction de sa vitesse d'exécution

Explication : Dans un système sans friction, l'énergie totale (et l'impulsion, le cas échéant) doit être conservée. Surveiller cette magnitude tout au long de la simulation et voir si elle reste constante révèle des défauts numériques (par exemple la méthode primitive d'Euler augmentant constamment l'énergie). Si l’énergie dérive, la simulation n’est pas fiable ; Ce n’est pas parce que cela produit un joli graphique qu’il est correct.

4. Parmi les propositions suivantes, laquelle est la bonne approche pour ajuster un modèle à des données expérimentales ?

A) Choisir le polynôme de degré supérieur qui correspond le mieux aux données car il passe par tous les points
B) Donner les paramètres sous forme d'un nombre unique sans ambiguïté
C) Déclarer la qualité de l'ajustement simplement en regardant à quel point la courbe est belle.
D) Sélectionner le modèle issu de la physique, rapporter les paramètres avec leurs incertitudes et évaluer l'ajustement avec les résidus ✔

Explication : Le modèle doit être choisi à partir de la loi physique à laquelle l'événement doit obéir, et non en examinant les données et en se demandant « lequel correspond le mieux ». Avec suffisamment de paramètres libres (par exemple un polynôme de haut degré), un ajustement « parfait » mais physiquement dénué de sens (surajustement) peut être effectué sur n'importe quelle donnée. Les paramètres doivent être rapportés avec leur incertitude, la qualité de l'ajustement doit être évaluée avec les résidus et la plausibilité physique doit être vérifiée.

5. Répéter une mesure plusieurs fois réduit quel type d’incertitude ?

A) Incertitude aléatoire ; l'incertitude systématique ne diminue pas avec la répétition, la cause doit être trouvée et corrigée ✔
B) Incertitude systématique ; car cela élimine les erreurs de recalibrage
C) Élimine complètement les deux ambiguïtés
D) Ne réduit aucun d’entre eux ; l'incertitude est indépendante du nombre de mesures

Explication : Des mesures répétées réduisent l'incertitude aléatoire (avec l'erreur type de la moyenne std/√N) résultant de la distribution aléatoire des résultats. L'incertitude systématique, en revanche, est une erreur qui dévie toujours dans le même sens (par exemple, une balance mal calibrée) et qui ne diminue pas avec la répétition ; Cependant, la cause peut être trouvée et corrigée. Signaler une « très petite » incertitude avec plusieurs mesures peut masquer une erreur systématique sous-jacente.

6. Quelle est la manière indépendante la plus fiable de vérifier une formule de propagation d’erreur dérivée de l’IA ?

A) S'appuyer sur la formule pour paraître fluide et convaincant
B) Recoupement avec un calcul de Monte Carlo qui échantillonne aléatoirement les entrées avec leur incertitude ✔
C) Demander à nouveau la même formule à l’intelligence artificielle et s’attendre à ce qu’elle donne le même résultat
D) Collecter directement les incertitudes et les comparer au résultat

Explication : L'IA mélange souvent les coefficients de dérivée partielle et la structure de racine carrée dans les formules de propagation des erreurs. Un moyen puissant d'y parvenir de manière indépendante est le contrôle croisé de Monte Carlo : échantillonner aléatoirement chaque entrée avec son incertitude, calculer la fonction des milliers de fois et comparer l'écart type de la sortie à l'incertitude donnée par la formule. La rencontre de deux méthodes indépendantes augmente la confiance.

7. Quelle est la division correcte du travail entre l'IA et SymPy dans une longue dérivation de physique symbolique ?

A) SymPy génère l'idée de la dérivation, l'IA vérifie précisément chaque étape
B) Les deux sont inutiles ; les dérivations longues doivent être effectuées manuellement uniquement
C) L'IA construit le cadre de dérivation, SymPy vérifie précisément chaque étape algébrique ✔
D) L'intelligence artificielle effectue la dérivation toute seule, aucune vérification n'est nécessaire car elle semble fluide

Explication : l'IA élabore une stratégie de dérivation et explique le chemin, mais en algèbre longue, elle commet des erreurs de signe, des termes échappés et des simplifications incorrectes. SymPy, quant à lui, fonctionne selon des règles et vérifie précisément chaque étape algébrique. Le workflow le plus puissant combine les deux : obtenir le squelette de l'IA, sourcer chaque étape avec SymPy, tester le résultat avec l'inverse dérivée-intégrale et le cas limite.

8. Que dit l'analyse dimensionnelle sur l'exactitude d'une formule physique ?

A) L'analyse dimensionnelle prouve toujours définitivement qu'une formule est correcte
B) L'analyse dimensionnelle n'a aucune valeur pratique en physique
C) L'analyse dimensionnelle ne donne que le facteur constant de la formule, pas sa cohérence
D) Une formule qui ne tient pas dimensionnellement est absolument fausse ; l'analyse dimensionnelle détecte les erreurs sans compter les nombres ✔

Explication : Les deux côtés d’une équation physique doivent être dimensionnellement égaux avant de pouvoir être numériquement égaux. Une formule qui ne tient pas dimensionnellement est tout simplement fausse ; ceci est capturé à partir du calcul du nombre. L'analyse dimensionnelle ne prouve pas de manière concluante qu'une formule est correcte (elle peut manquer un facteur ou un angle constant sans dimension), mais elle prouve de manière concluante qu'elle est incorrecte ; c'est donc le premier et le moins cher audit de chaque compte.

9. Quelle est la première étape la plus critique lors du calcul de l’énergie cinétique d’un objet se déplaçant à 36 km/h ?

A) Conversion de toutes les entrées en un seul système d'unités (SI) ; Conversion de 36 km/h en 10 m/s ✔
B) Mettre la vitesse en km/h directement dans la formule sans la convertir en m/s
C) Multiplier uniquement des nombres sans prendre en compte les unités
D) En supposant qu'il n'est pas nécessaire de vérifier la commande après avoir calculé le résultat

Explication : les formules basées sur le SI (E = ½mv²) prévoient une vitesse en m/s. Confondre km/h avec m ou heures avec secondes dans un calcul est l’une des erreurs les plus courantes en physique. Tout d'abord, toutes les entrées doivent être converties en un seul système d'unités (SI) : 36 km/h = 10 m/s. Étant donné que l'IA peut commettre des erreurs silencieuses dans les conversions d'unités composées, cette conversion doit être vérifiée manuellement ou avec un outil connaissant les unités.

10. Quelle pratique est correcte en termes d'« honnêteté » dans un graphique scientifique ?

A) Masquer l'incertitude car les barres d'erreur encombrent le graphique
B) Étiquetez les axes avec des unités, sélectionnez l'échelle sans distorsion et affichez l'incertitude avec des barres d'erreur ✔
C) Commencez toujours l'axe Y dans la plage qui montrera la différence la plus spectaculaire
D) Laisser les axes sans unités car le lecteur peut deviner l'unité

Description : Une fiche scientifique honnête ; il étiquette les axes avec leur magnitude et leur unité, choisit l'échelle consciemment et sans distorsion (le fait de commencer l'axe y à partir de zéro pour exagération est trompeur) et rend l'incertitude de mesure visible avec des barres d'erreur. Cacher l’incertitude donne l’impression que les données sont certaines et crée une fausse impression de biais ou d’accord. Plus un graphique est convaincant, plus le contrôle d’intégrité est important.

11. Quel est le plus grand risque et la discipline appropriée lorsqu'on obtient le soutien de la littérature et des citations de l'intelligence artificielle ?

A) L’intelligence artificielle fait perdre du temps car elle produit des citations très lentement
B) Les sources suggérées par l'intelligence artificielle sont toujours réelles, aucune vérification n'est nécessaire
C) L'intelligence artificielle peut produire des attributions qui semblent réelles mais qui n'existent pas ; Chaque citation doit être vérifiée avec DOI/source et la littérature doit être trouvée dans la base de données réelle ✔
D) Les citations inventées sont facilement reconnaissables car elles utilisent toujours des noms de revues irréels

Explication : Un modèle de langage volumineux n'est pas connecté à une base de données réelle ; En imitant les modèles de citation, il peut produire des articles qui portent le vrai nom de la revue, des auteurs crédibles et une année raisonnable, mais qui sont totalement inexistants. Par conséquent, la littérature doit être trouvée à partir de bases de données réelles, l’IA doit être utilisée uniquement pour résumer/traduire le texte actuel, et chaque citation doit être vérifiée indépendamment par DOI ou titre. Une citation non vérifiée constitue une violation de l’intégrité académique.

12. Que faut-il pour obtenir des résultats fiables lorsque l'IA résume un article ?

A) Il suffit de donner le titre de l’article, le modèle connaît le contenu
B) Utiliser le résumé directement sans le vérifier du tout, car il a l'air fluide
C) Demander deux fois au modèle le même résumé et l'accepter comme correct s'il est similaire.
D) Donner le texte original au modèle et comparer le résumé produit avec le texte original pour vérifier que rien n'a été ajouté/déformé ✔

Explication : Le simple fait de donner à l'IA le titre d'un article et de demander un résumé amènera le modèle à proposer un « résumé plausible » sans jamais voir l'article ; Ce résumé est peut-être le contraire de la vérité. Un résumé fiable ne peut être obtenu que lorsque le texte original est introduit dans le modèle et que le résumé généré est comparé au texte original. De plus, il convient de vérifier que le résumé n'ajoute pas de résultats ou de chiffres qui ne figurent pas dans le texte.

13. Qu'est-ce qui est vrai pour les résultats de l'intelligence artificielle dans la production de matériel de cours de physique ?

A) Chaque solution doit être vérifiée indépendamment, les limites des analogies doivent être précisées et les distractions doivent cibler les véritables idées fausses ✔
B) Le corrigé produit par l’intelligence artificielle est toujours correct, il n’y a pas besoin d’audit
C) Les analogies sont parfaites dans tous les cas, il n'est pas nécessaire de préciser leurs limites.
D) Les distractions doivent être choisies de manière complètement aléatoire, car la nature du mauvais choix n'a pas d'importance.

Description : L'IA génère rapidement des questions, des exemples et des analogies, mais la vérification est essentielle sur trois points : la solution à chaque problème doit être vérifiée indépendamment (à la main ou avec du code), car le modèle peut commettre des erreurs de signe/unité dans la solution ; Chaque analogie doit être énoncée là où elle échoue, sinon elle donnera lieu à une nouvelle erreur ; Les distractions devraient cibler les véritables idées fausses. La responsabilité incombe à l'enseignant ; Un corrigé incorrect laisse les élèves dans des malentendus difficiles à corriger.

14. Quel est le comportement conforme à l’intégrité scientifique lorsque les données expérimentales ne concordent pas entièrement avec la théorie ?

A) Demander à l'intelligence artificielle d'organiser les données pour correspondre à la théorie et montrer le graphique de manière convaincante
B) Rechercher les raisons de l'écart (erreur systématique, manque de modèle, nouvel effet) et rendre compte honnêtement sans modifier les données ✔
C) Ignorer les désaccords et signaler uniquement les points qui correspondent
D) Suppression des données et ajustement d'un nouveau résultat d'expérience

Explication : Demander à l’IA « d’organiser les données pour qu’elles correspondent mieux à la théorie » constitue une fraude aux données et une violation flagrante de l’intégrité scientifique. Le désaccord est quelque chose qui doit être étudié, et non caché : il peut indiquer une erreur systématique, une fluctuation statistique, une absence de modèle ou un nouvel effet intéressant. Les données sont présentées telles quelles, avec incertitude ; La responsabilité ultime incombe à la personne et « l'outil l'a fait » ne constitue pas un moyen de défense.