Gains :
- Capacité à évaluer les allégations nutritionnelles en tenant compte de la hiérarchie des preuves et en faisant la distinction entre corrélation et causalité
- Capacité à reconnaître l'hallucination source de l'intelligence artificielle et à vérifier chaque référence à partir de la source primaire
- Capacité à utiliser l’intelligence artificielle non pas pour trouver des sources, mais pour remettre en question et évaluer de manière critique la source
La science de la nutrition évolue rapidement et de nouvelles recherches sont constamment publiées. La valeur professionnelle d'un diététiste dépend de sa capacité à discerner la vérité dans ce flot de preuves, à se tenir au courant et à fonder ses affirmations sur des bases solides. Parallèlement, la nutrition est l'un des domaines où la pseudoscience prospère le plus : une nouvelle allégation « aliment miracle », « toxine », « superaliment » circule chaque semaine. L’IA peut vous aider sur les deux fronts : elle résume des textes scientifiques, simplifie des études complexes, vous aide à remettre en question le niveau de preuve d’une affirmation. Mais c’est là que réside le piège le plus dangereux de l’IA : elle peut fabriquer des études qui n’existent pas, inventer des sources et présenter des preuves faibles comme solides. Le principe de cette unité : utiliser l'IA pour évaluer et remettre en question des preuves, pas pour les trouver ; vérifiez chaque source et chaque affirmation de la source principale.
Hiérarchie des preuves : toutes les études ne sont pas égales
En science, le pouvoir de la preuve forme une pyramide. La puissance augmente de bas en haut :
Niveau de preuve
Que veux-tu dire ?
puissance
Avis d'expert / anecdote
Expérience personnelle, "ça a marché pour un de mes amis"
le plus faible
Série de cas
Observation d'un petit nombre de patients
faible
étude observationnelle
Surveillance de la population (corrélation)
moyen
Essai contrôlé randomisé (ECR)
Expérimentez avec des groupes aléatoires (cause et effet)
fort
Revue systématique/méta-analyse
Un résumé consolidé du travail acharné
le plus fort
Connaître cette hiérarchie est essentiel ; Parce que la plupart des allégations selon lesquelles « cet aliment fait cela » dans les médias sont en réalité basées sur de faibles études observationnelles. La « corrélation » (deux choses se produisant ensemble) n'est pas une « causalité » (l'une provoquant l'autre) : une observation selon laquelle les buveurs de café vivent plus longtemps ne prouve pas que le café prolonge la vie. L’IA brouille parfois cette distinction ; Vous devez clarifier.
L'hallucination source de l'IA
L’erreur la plus insidieuse des modèles linguistiques est qu’ils fabriquent des études scientifiques, des noms d’auteurs, des noms de revues et des numéros DOI qui n’existent pas réellement. L’IA peut vous le dire dans une phrase convaincante : « Selon une étude publiée dans le Journal of Nutrition en 2021… » ; ce travail n’existera peut-être jamais. Donc la règle d'or : n'utilisez aucune source donnée par YZ sans la confirmer à partir de la source principale (PubMed, Cochrane, revue originale). Utiliser l’IA comme moteur de recherche de littérature est une erreur professionnelle.
Attention : si vous dites à AI « listez les études qui soutiennent cela », vous risquez d'obtenir des références convaincantes mais fausses. Bon usage : donner le texte d'une étude réelle à l'IA et demander "résumer ceci/quelles sont les limites de cette étude ?" c'est demander. Vous apportez la source, l'IA l'interprète.
Lignes directrices fiables et consensus scientifique
Un diététiste n’est pas obligé de parcourir la littérature à partir de zéro pour chaque question ; Il existe des lignes directrices nationales et internationales pour la plupart des situations cliniques. Les guides sont des documents de consensus régulièrement mis à jour à partir desquels des groupes d'experts évaluent et concluent de nombreuses études ; par exemple, le Guide nutritionnel turc (TÜBER), les recommandations de l'Organisation mondiale de la santé (OMS), les directives nutritionnelles des associations de diabète et de cardiologie. Lorsque vous évaluez une réclamation, demandez d'abord « Que disent les directives actuelles à ce sujet ? » » est plus fiable que de se perdre dans des études individuelles ; parce que le guide a déjà pesé l’ensemble des preuves. Vous pouvez utiliser l’IA de deux manières ici : pour résumer le texte même d’un guide ou pour vous demander si une affirmation est cohérente avec le consensus général des guides. Mais attention : les informations du répertoire dans la mémoire de l'IA peuvent être anciennes ou confuses ; Confirmez toujours auprès de la source officielle quelle version du guide est à jour et la recommandation exacte. Avant de dire « La science dit ceci », vérifiez le consensus actuel de cette science à partir du document réel. Les guides sont mis à jour à mesure que la science évolue ; Une recommandation d’il y a trois ans a peut-être été révisée aujourd’hui.
Utiliser correctement l’IA pour évaluer les preuves
- Vous apportez la source. Trouvez un article, un résumé ou un guide réel ; Donnez-le à l'IA.
- Résumez et simplifiez. Faites traduire un texte complexe dans un langage compréhensible, mais comparez les affirmations au texte.
- Remettez en question les restrictions. « Quelles sont les faiblesses méthodologiques de cette étude ? L’IA est efficace pour générer des questions critiques.
- Établir la prétention au niveau de preuve. Demandez-leur de classer le niveau de preuve sur lequel une affirmation est fondée.
- Vérifiez à partir de la source principale. Vérifiez chaque problème, chaque résultat et chaque source avec l'original.
trois mini-cases
Cas 1 — Source fabriquée. Pour une présentation, une diététicienne confie à AI, "donnez 3 études qui prouvent les bienfaits du jeûne intermittent". AI donne trois études, auteur et année. La diététicienne recherche sur PubMed : deux des trois n'existent pas du tout, une est sur un sujet différent. S'il l'avait inclus dans la présentation, sa crédibilité professionnelle aurait été détruite. La bonne façon était de trouver les compilations elles-mêmes et de demander à l'IA de les résumer. Leçon : L’IA invente des ressources ; Vérifiez chaque référence.
Cas 2 — Piège de corrélation-causalité. Un article de presse titre "Le petit-déjeuner fait perdre du poids", basé sur une étude observationnelle selon laquelle "ceux qui prennent un petit-déjeuner sont plus minces". Un client demande ceci. La diététicienne demande à l'IA de résumer l'étude et de questionner ses contraintes ; Il s’avère que les personnes qui prennent un petit-déjeuner vivent généralement plus activement et plus régulièrement, ce qui signifie que la relation n’est pas causale. La diététiste fournit une information équilibrée au client. Leçon : l’observation n’est pas une causalité.
Cas 3 — Utilisation correcte. Une diététiste trouve une méta-analyse récente des besoins en protéines (réelle, de PubMed), mais le texte est long et technique. Donnez-le à l'IA et demandez « quelle est la principale conclusion, l'échantillon, les contraintes et les implications pratiques ? » demande-t-il. AI résume fidèlement le texte. Le diététiste vérifie le résumé en le comparant à l'original et l'adapte à sa pratique. L'IA a réduit la charge de lecture ; la source et la vérification sont restées chez la diététiste.
Modèles d'invite copiables
MODÈLE DE RÉSUMÉ D'ÉTUDE (VOUS fournissez la source) Vous trouverez ci-dessous le texte/résumé d'un article scientifique réel. Résumez cela avec les titres suivants : question de recherche, méthode/conception, échantillon, principale conclusion, LIMITES, implication pratique. N'ajoutez rien qui ne soit PAS dans le texte ; convenable. Texte : [...]
MODÈLE DE CLASSIFICATION DU NIVEAU DE PREUVEPour la réclamation suivante : "[réclamation]". Considérez le niveau de preuve sur lequel cette affirmation est généralement basée (anecdotique/observationnelle/ECR/méta-analyse). Indiquez s’il y a une corrélation ou un lien de causalité. Source FAUX ; il suffit d’analyser la force probante de l’allégation.
MODÈLE D'ENQUÊTE CRITIQUEÉnumérez les FAIBLESSES méthodologiques et les biais possibles (petite taille d'échantillon, courte durée, conflit d'intérêts, facteur de confusion) du résumé d'étude suivant. N’exagérez pas le résultat ; critique équilibrée.Résumé : [...]
MODÈLE DE VÉRIFICATION DE LA RÉALITÉ DES RÉCLAMATIONSUn client a entendu l'affirmation suivante : "[par exemple, le thé détox élimine les toxines]". Évaluez honnêtement la base scientifique de cette affirmation : ce qui est connu, ce qui ne l’est pas, quelles parties sont fausses/exagérées. Rédigez une explication mesurée et non effrayante à donner au client. Fabrication des sources.
Invite faible/Invite forte
Invite faible :
Citez les études prouvant que le gingembre renforce l’immunité.
Cette volonté pousse l’IA à fabriquer des sources et produit des biais en posant des questions à sens unique (« prouve »). De faux témoignages arrivent.
Invite puissante :
Votre rôle : assistant d'évaluation des preuves ; source FAUX Évaluez l'affirmation selon laquelle « le gingembre renforce l'immunité » de manière équilibrée : sur quel niveau de preuve cette affirmation est-elle généralement basée, la preuve est-elle forte ou faible, la corrélation ou la causalité ? Faites la distinction entre ce qui est connu et ce qui est inconnu. NE faites PAS référence à des études réelles (je les vérifierai sur PubMed) ; il suffit d’analyser la force probante de l’allégation.
La deuxième invite interdit la fabrication de sources, exige une évaluation équilibrée (plutôt qu’unilatérale) et laisse la vérification aux humains ; la sortie est un outil de réflexion sûr.
Erreurs courantes
- Confondre l'IA avec un moteur de recherche de littérature : demander des ressources ; L’IA fait des références.
- Ne pas confirmer la source : utiliser le travail fourni par AI sans le vérifier à partir de la source principale.
- Confondre corrélation et causalité : présenter les résultats d'observation comme "ceci fait cela".
- Ignorer le niveau de preuve : assimiler une anecdote à une méta-analyse.
- Demande unilatérale : créer un biais en disant « prouver des études » ; problème équilibré.
- Négliger l'actualité : supposer que les informations anciennes/obsolètes sont actuelles ; Voir la version actuelle des guides.
En résumé
La lecture des preuves et l’attention portée aux allégations santé constituent le fondement de la crédibilité professionnelle d’un diététiste. L’IA est un puissant assistant de lecture et d’enquête dans ce domaine : elle synthétise des études réelles, extrait des contraintes, analyse le niveau de preuve des affirmations. Mais l’IA fabrique des sources – c’est son erreur la plus dangereuse. Apportez toujours la source et vérifiez-la à partir de la source principale ; séparer la corrélation de la causalité ; observer la hiérarchie des preuves ; Remettez en question les allégations de manière équilibrée. L'IA accélère votre réflexion ; mais la responsabilité de la science, de l’exactitude de la source et de l’honnêteté de l’affirmation vous incombe.
Tâche de candidature
Choisissez une allégation nutritionnelle populaire (par exemple « un régime alcalin équilibre le corps » ou « manger tard le soir fait prendre du poids »). Obtenez une évaluation équilibrée de l’IA avec le « modèle de vérification de la réalité des réclamations ». Utilisez ensuite le « modèle de classification du niveau de preuve » pour déterminer le niveau de preuve sur lequel l'allégation est basée. De plus, demandez sciemment à AI une « liste de sources » et recherchez l’une des références qu’elle donne dans PubMed ; Voyez si c'est réel. Cette expérience incarnera l'hallucination source.
liste de contrôle
- [ ] J'ai apporté la source ; Je n'ai pas inventé de référence à l'IA.
- [ ] J'ai confirmé chaque source donnée par YZ à partir de la source principale.
- [ ] J'ai fait la distinction entre corrélation et causalité.
- [ ] J'ai classé la réclamation selon la hiérarchie des preuves.
- [ ] J'ai remis en question les affirmations de manière équilibrée (et non unilatérale).
- [ ] J'ai vérifié la compatibilité des informations avec les guides/compilations actuels.