Guadagni:
- Capacità di riconoscere le forme di allucinazione in fisica (falsa costante, falsa legge, errore unitario, risultato sbagliato, falsa attribuzione) e di coglierle con il metodo appropriato.
- Possibilità di proteggere i dati non pubblicati, riservati e personali mediante anonimizzazione e minimizzazione non inserendoli in strumenti non autorizzati
- Riuscire a capire che la responsabilità ultima spetta agli esseri umani, riportando i dati in modo onesto, senza abbellirli, e documentando in modo trasparente l’uso dell’intelligenza artificiale.
In questo modulo abbiamo trattato la stessa disciplina in ogni unità: l'intelligenza artificiale (AI) accelera, gli esseri umani verificano. In questa unità finale, riuniamo l'intera pratica di verifica sotto l'egida dell'integrità scientifica, il valore più fondamentale della scienza fisica. La fisica è il perseguimento di produrre conoscenza verificabile sulla natura; Al centro di questo impegno ci sono l’integrità, la ripetibilità e la responsabilità. L’intelligenza artificiale può essere utilizzata per rafforzare questi valori, ma se utilizzata in modo errato li minaccia tutti. In questa unità discuteremo delle forme fisiche delle allucinazioni, della responsabilità in materia di dati e privacy, dei confini etici e del motivo per cui la responsabilità ultima rimane sempre degli esseri umani.
Forme di allucinazione in fisica
L'allucinazione, la sicura produzione di false informazioni da parte dell'intelligenza artificiale, assume forme uniche e pericolose in fisica. Riconoscerli è il primo passo per catturare:
tipo di allucinazione
esempio
Metodo di cattura
Montaggio fisso/dati
Una densità del materiale errata
Conferma con riferimento attendibile
Formula/legge falsa
Un nome "principale" inesistente
Derivazione da libro di testo/SymPy
Errore unità/ordine
scambiando eV per J
Analisi dimensionale, controllo unità
Risultato numerico errato
Output del codice non corretto
Esegui il codice
attribuzione apocrifa
articolo inesistente
Verifica con DOI
Risultato riportato erroneamente
Distorsione dell'articolo reale
Leggi la fonte originale
Il filo conduttore è questo: un ampio modello linguistico è progettato non per dire la verità, ma per produrre "testo dall'aspetto possibile". In fisica, la differenza tra "apparentemente possibile" e "vero" è proprio la ragione dell'esistenza della scienza.
Dati, privacy e responsabilità della proprietà intellettuale
I fisici spesso lavorano con dati sensibili: dati sperimentali non pubblicati, progetti pre-brevetto, misurazioni riservate derivanti da collaborazioni industriali, ricerche che coinvolgono dati sulla salute o sulla sicurezza personale. L’inserimento di tali dati in uno strumento generale di intelligenza artificiale potrebbe renderli accessibili a terzi e possibilmente ai dati di addestramento del modello, il che significherebbe sia una violazione della riservatezza che una perdita di priorità scientifica (il diritto di essere il primo a fare una scoperta). La regola è chiara: non inserire dati non pubblicati, riservati o personali in uno strumento di intelligenza artificiale che la tua organizzazione non ha approvato. Se hai intenzione di accedere, anonimizzare, minimizzare (dare solo ciò che è necessario) e leggere le condizioni dei dati dello strumento.
Attenzione: inserire le misurazioni non pubblicate di un laboratorio o i parametri di progettazione riservati di un'azienda in uno strumento di intelligenza artificiale "per un'analisi rapida" può essere un errore irreversibile. Una volta condivisi, i dati non possono essere richiamati. In caso di dubbio non inserire dati; Chiarisci innanzitutto la politica del tuo istituto e i termini sulla privacy dello strumento.
Confini etici e integrità scientifica
Un utilizzo può essere tecnicamente possibile e persino legale, ma comunque non etico. Esistono diverse linee rosse in fisica che riguardano l’integrità scientifica:
Fabbricazione o abbellimento dei dati. Chiedere all’intelligenza artificiale di “generare punti che si adattino meglio al rendimento” o di “rendere il grafico più convincente” è una frode di dati. I dati vengono riportati così come sono; I valori anomali vengono eliminati solo con un motivo documentato e legittimo.
Trasparenza del contributo. Se hai utilizzato l'intelligenza artificiale in uno studio (scrittura di codici, correzione del linguaggio, analisi) è giusto chiarirlo nel posto appropriato. Molte riviste e istituzioni lo richiedono.
Autorevolezza e responsabilità. L'intelligenza artificiale non è uno scrittore; non può essere responsabile del contenuto di un'opera. La responsabilità ricade sempre sugli scrittori umani. Un errore prodotto dall'IA non può essere difeso dicendo "il veicolo ce l'ha fatta".
Riproducibilità. Un risultato scientifico richiede che il metodo (incluso il codice utilizzato, i parametri, i suggerimenti dell’intelligenza artificiale) sia chiaramente documentato in modo che altri possano replicarlo.
tre mini custodie
Caso 1: fuga di dati riservati. Un ricercatore ha incollato i dati di misurazione di un accordo di non divulgazione con un’azienda in uno strumento di intelligenza artificiale generico “per un grafico rapido”. In seguito si rese conto che questo strumento poteva memorizzare input. Si è verificata una violazione del contratto e una possibile perdita di priorità. Lezione: i dati riservati non vengono mai inseriti in uno strumento non approvato.
Caso 2 — Stampa di abbellimento. Uno studente ha chiesto all'intelligenza artificiale una modifica che "rendesse i dati più vicini alla teoria" perché i dati sperimentali non corrispondevano completamente alla teoria. Il suo consigliere se ne accorse e lo fermò: una discrepanza significava o un errore sistematico nell'esperimento o una nuova fisica interessante, qualcosa da indagare, non da nascondere. I dati sono stati riportati in modo onesto ed è stato riscontrato un errore sistematico.
Caso 3 – Acquisita trasparenza. Un team ha scritto il codice di analisi dei dati per un articolo con l'aiuto dell'intelligenza artificiale e lo ha dichiarato chiaramente nella sezione dei metodi; ha condiviso il codice e le istruzioni come file aggiuntivi. Un arbitro ha esaminato il codice e ha suggerito una correzione minore. La trasparenza ha individuato l’errore prima della pubblicazione e ha aumentato la credibilità dello studio.
Quattro modelli copiabili
1) Screening delle allucinazioni:
Analizza il seguente output di fisica per individuare allucinazioni: ci sono costanti fasulle, nomi di formule/leggi fasulle, errori di unità/ordine, risultati numerici non verificati e attribuzioni non confermate? Contrassegna ogni oggetto sospetto e specifica come verificarlo (riferimento, codice, DOI). Uscita: [qui]
2) Pre-controllo della privacy dei dati:
Valutare i seguenti dati/testi prima di inserirli in uno strumento di intelligenza artificiale: contengono informazioni non pubblicate, riservate, personali o protette contrattualmente? In tal caso, suggerisci come posso renderlo anonimo o minimizzarlo. In caso di dubbi, dire "controlla la politica aziendale". Contenuto: [qui]
3) Bozza di dichiarazione di trasparenza/contributo:
In uno studio, ho utilizzato l'intelligenza artificiale per: [codifica/correzione linguistica/analisi, ecc.]. Scrivi una breve bozza di "dichiarazione sull'uso dell'intelligenza artificiale" che lo documenti onestamente. Dovrebbe anche indicare quali parti sono state verificate dagli esseri umani.
4) Garantire l'integrità scientifica:
Eseguire un controllo di integrità per la seguente analisi/risultato: i dati riportati così come sono (senza abbellimenti), sono riportate le incertezze, il metodo è documentato in modo riproducibile, l'uso dell'intelligenza artificiale è trasparente? Elenca eventuali carenze. Contenuto: [qui]
Prompt debole / Prompt forte
Debole: "Modifica il rendimento per adattarlo meglio alla teoria e rendere il grafico convincente."
Risultato: frode di dati; Violazione diretta dell'integrità scientifica, perdita irreversibile della reputazione.
Forte: "Il rendimento non concorda completamente con la teoria. Aiutami ad analizzare le possibili cause di questa discrepanza (errore sistematico, fluttuazione statistica, modello mancante o un nuovo effetto); suggerisci come segnalare onestamente la discrepanza senza modificare i dati."
Risultato: un approccio onesto, investigativo e fedele all'integrità scientifica; Il conflitto diventa un'opportunità di scoperta.
Errori comuni
- Confondere l'allucinazione con la fiducia in se stessi. Solo perché l’IA parla con sicurezza non è una garanzia di accuratezza; Anche la frase più precisa può essere inventata.
- Immissione di dati riservati nel veicolo senza approvazione. Una volta condivisi, i dati non possono essere recuperati; La priorità e la riservatezza vengono perse.
- Abbellire i dati. Cambiare i dati in "teoria adatta" è uno dei crimini scientifici più gravi.
- Nascondere l’uso dell’intelligenza artificiale. La trasparenza è un requisito di onestà ed è obbligatoria in molte istituzioni.
- Mettere la responsabilità sul veicolo. “È stata l’IA” non è una difesa; La responsabilità ultima spetta sempre all’essere umano.
Suggerimento: alla fine di ogni studio basato sull'intelligenza artificiale, poniti tre domande: (1) Ogni fatto, numero e attribuzione in questo risultato è stato verificato in modo indipendente? (2) I dati che ho utilizzato contenevano informazioni riservate/personali che non dovevo inserire? (3) Ho documentato il mio utilizzo e la mia metodologia di intelligenza artificiale in modo sufficientemente trasparente da consentire a qualcun altro di replicarli? Se non riesci a rispondere con un chiaro "sì" a queste tre domande, lo studio non è ancora terminato.
In sintesi
L’integrità scientifica è la base dell’esistenza della fisica ed è ancora più importante nell’era dell’intelligenza artificiale. L'allucinazione appare in fisica sotto forma di false costanti, false leggi, errori unitari, false conclusioni e falsi riferimenti; ognuno viene catturato con il proprio metodo di verifica unico. I dati riservati e personali non vengono inseriti in strumenti non autorizzati; i dati non vengono mai abbelliti; L’uso dell’intelligenza artificiale è documentato in modo trasparente; e la responsabilità ultima spetta sempre all'uomo. C'è solo una disciplina che apprendi in questo modulo: l'intelligenza artificiale è un potente acceleratore, ma la verifica, l'integrità e la responsabilità poggiano sulle spalle del fisico competente, cioè tu. Un output dell'IA non verificato non sostituisce mai la conferma di un fisico.
Compito dell'applicazione
Seleziona un output AI (un account, un'analisi o un testo) che hai prodotto in questo modulo. 1. schermo per allucinazioni con modello: ci sono costanti fittizie, formule spurie, errori unitari o attribuzioni non verificate? Con il modello 2, valuta se i dati che stai utilizzando sono rispettosi della privacy. Infine, redige una breve dichiarazione sull'utilizzo/trasparenza dell'IA con il modello 3. Scrivi in 5-6 frasi: cosa ha rivelato la scansione, quali passaggi di verifica hai intrapreso?
lista di controllo
- [] Ho verificato in modo indipendente ogni costante, formula e risultato nell'output.
- [ ] Ho verificato ogni citazione con il DOI/fonte.
- [ ] Ho controllato di non aver inserito dati riservati/personali nello strumento senza approvazione.
- [ ] Ho riportato i dati così come sono, senza abbellimenti.
- [] Ho documentato il mio utilizzo dell'intelligenza artificiale in modo trasparente e riproducibile.
- [ ] Ho accettato che la responsabilità ultima fosse mia; Non ho attribuito alcun difetto al veicolo.
Esame del modulo
1. Quale dei seguenti è il posizionamento più accurato per l'intelligenza artificiale in fisica?
- A) L'intelligenza artificiale è un assistente di codice, bozza e modifica; La responsabilità dell'unità, del grado, della verifica e delle decisioni etiche spetta all'essere umano ✔
- B) L'intelligenza artificiale è una calcolatrice e i risultati numerici che fornisce sono sempre accurati
- C) L'intelligenza artificiale funziona solo nel calcolo, non ha nulla a che fare con l'analisi degli esperimenti e l'insegnamento
- D) Poiché l’intelligenza artificiale è più imparziale di quella umana, le decisioni sulle unità e sui risultati dovrebbero essere lasciate ad essa.
Descrizione: Intelligenza artificiale; È un assistente che scrive codice, produce bozze, crea e organizza framework di derivazione. Tuttavia, la responsabilità ultima della verifica unitaria e dell'ordine del risultato, assicurandolo con leggi di conservazione, conferma costante e di riferimento spetta al fisico competente. Il grande modello linguistico non è una calcolatrice o un motore fisico; è un generatore di testo che produce la "prossima parola più probabile" e il suo output non verificato può portare a un valore, una progettazione o un risultato errato.
2. Qual è l'approssimazione più accurata per il risultato numerico di un codice di calcolo stampato in un modello linguistico di grandi dimensioni?
- A) Confidando nel numero, il modello dice "questo codice dà quello", perché è stato lui a scrivere il codice
- B) Esegui tu stesso il codice e guarda l'output; ✔ non fare affidamento sulla previsione numerica verbale del modello
- C) Accettare il codice come corretto semplicemente guardando come viene letto, senza eseguirlo affatto
- D) Se il risultato viene chiesto nuovamente direttamente al modello e indica lo stesso numero, è considerato corretto.
Spiegazione: un LLM può "calcolare" l'output del codice che ha scritto nella sua testa e restituire un numero sbagliato; mentre quando viene eseguito lo stesso codice dà il risultato corretto. Ciò che è deterministico è il codice che viene eseguito; Non è una previsione verbale del modello. Pertanto, il codice dovrebbe essere sempre eseguito nel proprio ambiente e l'output dovrebbe essere visualizzato.
3. Qual è il modo più efficace per verificare se la simulazione di un sistema dinamico privo di attrito riflette accuratamente la fisica?
- A) Vedere che il grafico appare visivamente pulito e convincente
- B) Eseguire la simulazione con un solo passo temporale e fidarsi del risultato
- C) Monitorare una grandezza che deve essere preservata, come l'energia totale o la quantità di moto, e verificare se rimane costante ✔
- D) Valutare la simulazione in base alla velocità di esecuzione
Spiegazione: In un sistema privo di attrito, l'energia totale (e la quantità di moto, se presente) deve essere conservata. Monitorare questa grandezza durante la simulazione e vedere se rimane costante rivela difetti numerici (ad esempio il metodo primitivo di Eulero che aumenta costantemente l'energia). Se l’energia va alla deriva, la simulazione non è affidabile; Solo perché produce una bella grafica non significa che sia corretta.
4. Quale dei seguenti è l'approccio corretto quando si adatta un modello ai dati sperimentali?
- A) Scegliere il polinomio di grado più alto che meglio si adatta ai dati perché passa per tutti i punti
- B) Fornire i parametri come un unico numero senza ambiguità
- C) Dichiarare la qualità dell'adattamento semplicemente osservando quanto è bella la curva.
- D) Selezionare il modello dalla fisica, riportare i parametri con le relative incertezze e valutare l'adattamento con i residui ✔
Spiegazione: il modello dovrebbe essere scelto in base alla legge fisica a cui l'evento deve obbedire, non guardando i dati e chiedendosi "quale si adatta meglio". Con un numero sufficiente di parametri liberi (ad esempio un polinomio di alto grado) è possibile eseguire un adattamento "perfetto" ma fisicamente privo di significato (overfit) a qualsiasi dato. I parametri dovrebbero essere riportati con la loro incertezza, la qualità dell’adattamento dovrebbe essere valutata con i residui e dovrebbe essere verificata la plausibilità fisica.
5. Ripetendo una misura più volte si riduce quale tipo di incertezza?
- A) Incertezza casuale; l'incertezza sistematica non diminuisce con la ripetizione, la causa deve essere trovata e corretta ✔
- B) Incertezza sistematica; perché elimina l'errore di ricalibrazione
- C) Elimina completamente entrambe le ambiguità
- D) Non ne riduce nessuno; l’incertezza è indipendente dal numero di misurazioni
Spiegazione: la misurazione ripetuta riduce l'incertezza casuale (con errore standard della media std/√N) risultante dalla distribuzione casuale dei risultati. L’incertezza sistematica, invece, è un errore che devia sempre nella stessa direzione (ad esempio, una bilancia calibrata in modo errato) e non diminuisce con la ripetizione; Tuttavia, la causa può essere trovata e corretta. Segnalare un'incertezza "molto piccola" con misurazioni multiple può nascondere un errore sistematico sottostante.
6. Qual è il modo indipendente più affidabile per verificare una formula di propagazione dell'errore derivata dall'intelligenza artificiale?
- R) Fare affidamento sulla formula per apparire fluida e convincente
- B) Controllo incrociato con un calcolo Monte Carlo che campiona casualmente gli input con la loro incertezza ✔
- C) Chiedere nuovamente la stessa formula all'intelligenza artificiale e aspettarsi che dia lo stesso risultato
- D) Raccogliere direttamente le incertezze e confrontarle con il risultato
Spiegazione: l'intelligenza artificiale spesso mescola coefficienti di derivata parziale e struttura della radice quadrata nelle formule di propagazione degli errori. Un modo efficace per raggiungere questo obiettivo in modo indipendente è il controllo incrociato Monte Carlo: campionare casualmente ciascun input con la sua incertezza, calcolare la funzione migliaia di volte e confrontare la deviazione standard dell’output con l’incertezza data dalla formula. L’incontro di due metodi indipendenti aumenta la fiducia.
7. Qual è la corretta divisione del lavoro tra AI e SymPy in una lunga derivazione della fisica simbolica?
- A) SymPy genera l'idea della derivazione, l'AI verifica con precisione ogni passaggio
- B) Entrambi non sono necessari; le derivazioni lunghe devono essere eseguite solo manualmente
- C) L'AI costruisce il quadro di derivazione, SymPy verifica con precisione ogni passaggio algebrico ✔
- D) L'intelligenza artificiale fa la derivazione da sola, non c'è bisogno di verifica perché sembra fluente
Spiegazione: l'intelligenza artificiale definisce la strategia della derivazione e spiega il percorso, ma nell'algebra lunga commette errori di segno, termini sfuggiti e semplificazioni errate. SymPy, invece, funziona secondo regole e verifica con precisione ogni passaggio algebrico. Il flusso di lavoro più potente combina i due: ottieni lo scheletro dall'intelligenza artificiale, genera ogni passaggio con SymPy, testa il risultato con l'inverso derivato-integrale e il caso limite.
8. Cosa dice l'analisi dimensionale sull'accuratezza di una formula fisica?
- R) L'analisi dimensionale dimostra sempre in modo definitivo che una formula è corretta
- B) L'analisi dimensionale non ha valore pratico in fisica
- C) L'analisi dimensionale fornisce solo il fattore costante della formula, non la sua consistenza
- D) Una formula che non regge dimensionalmente è assolutamente sbagliata; l'analisi dimensionale rileva gli errori senza contare i numeri ✔
Spiegazione: i due membri di un'equazione fisica devono essere dimensionalmente uguali prima di poter essere numericamente uguali. Una formula che non regge dimensionalmente è semplicemente sbagliata; questo viene catturato dal calcolo del conteggio. L'analisi dimensionale non dimostra in modo definitivo che una formula è corretta (potrebbe perdere un fattore o un angolo costante adimensionale), ma dimostra in modo conclusivo che non è corretta; quindi è il primo e il più economico audit di ogni account.
9. Qual è il primo passo più critico quando si calcola l'energia cinetica di un oggetto che viaggia a 36 km/h?
- A) Convertire tutti gli input in un unico sistema di unità (SI); Conversione da 36 km/h a 10 m/s ✔
- B) Inserendo direttamente nella formula la velocità in km/h senza convertirla in m/s
- C) Moltiplicare solo i numeri senza tenere conto delle unità
- D) Supponendo che non sia necessario verificare l'ordine dopo aver calcolato il risultato
Spiegazione: le formule basate sul SI (E = ½mv²) prevedono la velocità in m/s. Confondere km/h con m o ore con secondi in un calcolo è uno degli errori più comuni in fisica. Innanzitutto tutti gli input devono essere convertiti in un unico sistema di unità (SI): 36 km/h = 10 m/s. Poiché l’intelligenza artificiale può commettere errori silenziosi nelle conversioni di unità composte, questa conversione deve essere verificata manualmente o con uno strumento in grado di riconoscere le unità.
10. Quale pratica è corretta in termini di 'onestà' in un grafico scientifico?
- A) Nascondere l’incertezza perché le barre di errore ingombrano il grafico
- B) Etichettare gli assi con le unità, selezionare la scala senza distorsione e mostrare l'incertezza con barre di errore ✔
- C) Iniziare sempre l'asse y nell'intervallo che mostrerà la differenza più evidente
- D) Lasciare gli assi senza unità perché il lettore possa indovinare l'unità
Descrizione: Una carta scientifica onesta; etichetta gli assi con grandezza e unità, sceglie la scala consapevolmente e senza distorsioni (iniziare l'asse y lontano da zero per esagerazione è fuorviante) e rende visibile l'incertezza della misurazione con barre di errore. Nascondere l’incertezza fa sì che i dati sembrino certi e crea una falsa impressione di parzialità o di accordo. Più un grafico è convincente, più importante è il controllo dell’integrità.
11. Qual è il rischio più grande e la disciplina corretta quando si ottiene supporto per letteratura e citazioni dall'intelligenza artificiale?
- R) L’intelligenza artificiale perde tempo perché produce citazioni molto lentamente
- B) Le fonti suggerite dall'intelligenza artificiale sono sempre reali, non c'è bisogno di verifica
- C) L'intelligenza artificiale può produrre attribuzioni che sembrano reali ma non esistono; Ogni citazione deve essere verificata con DOI/fonte e la letteratura deve essere reperita dal database stesso ✔
- D) Le citazioni inventate si riconoscono facilmente perché utilizzano sempre nomi di riviste irreali
Spiegazione: un modello linguistico di grandi dimensioni non è connesso a un database effettivo; Imitando i modelli di citazione, può produrre articoli che portano il vero nome della rivista, autori credibili e un anno ragionevole ma che sono del tutto inesistenti. Pertanto, la letteratura dovrebbe essere reperita da database reali, l’intelligenza artificiale dovrebbe essere utilizzata solo per riassumere/tradurre il testo effettivo a portata di mano e ogni citazione dovrebbe essere verificata in modo indipendente tramite DOI o titolo. Una citazione non verificata costituisce una violazione dell'integrità accademica.
12. Cosa è necessario per ottenere risultati affidabili quando si fa in modo che l'intelligenza artificiale riassuma un articolo?
- R) È sufficiente dare solo il titolo dell'articolo, la modella ne conosce il contenuto
- B) Usare direttamente il riepilogo senza controllarlo affatto, perché sembra fluido
- C) Chiedere due volte al modello la stessa sintesi e accettarlo come corretto se è simile.
- D) Riportare il testo originale al modello e confrontare la sintesi prodotta con il testo originale per verificare che nulla sia stato aggiunto/distorto ✔
Spiegazione: dare semplicemente all'IA il titolo di un articolo e chiedere un riassunto farà sì che il modello fornisca un "riepilogo plausibile" senza mai vedere l'articolo; Questo riassunto potrebbe essere l’opposto della verità. Un riassunto affidabile può essere ottenuto solo quando il testo originale viene inserito nel modello e il riassunto generato viene confrontato con il testo originale. Inoltre, è opportuno verificare che il riepilogo non aggiunga risultati o numeri non presenti nel testo.
13. Cosa vale per i risultati dell’intelligenza artificiale nella produzione dei materiali dei corsi di fisica?
- A) Ogni soluzione dovrebbe essere verificata in modo indipendente, i limiti delle analogie dovrebbero essere specificati e i distrattori dovrebbero prendere di mira le idee sbagliate reali ✔
- B) La chiave di risposta prodotta dall'intelligenza artificiale è sempre corretta, non è necessario alcun controllo
- C) Le analogie sono perfette in tutti i casi, non è necessario specificarne i limiti.
- D) I distrattori dovrebbero essere scelti in modo del tutto casuale, perché la natura della scelta sbagliata non è importante.
Descrizione: L'intelligenza artificiale è veloce nel generare domande, esempi e analogie, ma il controllo è essenziale su tre punti: la soluzione di ogni problema deve essere verificata indipendentemente (a mano o con codice), perché il modello può commettere errori di segno/unità nella soluzione; Ogni analogia deve essere enunciata là dove fallisce, altrimenti darà origine ad un nuovo errore; I distrattori dovrebbero prendere di mira le vere idee sbagliate. La responsabilità è dell'insegnante; Una chiave di risposta errata lascia gli studenti con incomprensioni difficili da correggere.
14. Qual è il comportamento coerente con l'integrità scientifica quando i dati sperimentali non concordano pienamente con la teoria?
- A) Avere un'intelligenza artificiale che organizza i dati per adattarli alla teoria e mostrare il grafico in modo convincente
- B) Investigare le ragioni della discrepanza (errore sistematico, mancanza di modello, nuovo effetto) e riferire onestamente senza modificare i dati ✔
- C) Ignorare il disaccordo e riportare solo i punti pertinenti
- D) Eliminazione dei dati e adattamento del risultato di un nuovo esperimento
Spiegazione: chiedere all’IA di “organizzare i dati per adattarli meglio alla teoria” è una frode di dati e una grave violazione dell’integrità scientifica. Il disaccordo è qualcosa da indagare, non da nascondere: può indicare un errore sistematico, una fluttuazione statistica, una mancanza di schema o un nuovo effetto interessante. I dati sono riportati così come sono, con incertezza; La responsabilità ultima spetta alla persona e "è stato lo strumento" non è una difesa.