Literatūros apžvalga ir mokslinis rašymas

Pelnas:

• Gebėjimas naudoti dirbtinį intelektą ne ieškant šaltinių, o apibendrinant tikrą jūsų pateiktą straipsnį, nustatant paieškos strategiją ir pozicionuojant ją kaip kalbos įrankį
• Supraskite sukurtų citatų mechanizmą ir pašalinkite kiekvieną citatą, nepriklausomai ją patikrindami naudodami PubMed / DOI
• Gebėjimas pateikti mokslinius teiginius ir skaičius bei skaidriai deklaruoti dirbtinio intelekto panaudojimą

Didelę dalį biologo laiko praleidžia skaitydamas ir rašydamas: neatsilikdamas nuo srities, matydamas, kiek temos buvo ištirta, paverčiant savo išvadas straipsniu, disertacija ar paraiška dotacijai gauti. Dirbtinis intelektas suteikia didelį pagreitį abiejose šiose srityse; Tačiau čia yra pavojingiausi spąstai: haliucinuotos citatos. Modelis gali sukurti straipsnių eilutes, kurios visai neegzistuoja, bet atrodo itin tikroviškai. Šiame skyriuje mokysimės saugiai naudoti dirbtinį intelektą literatūros apžvalgoje ir moksliniuose raštuose.

Pagrindinis principas: leiskite dirbtiniam intelektui pagreitinti spausdinimą, o ne mąstymą ir tikrinimą.

Tinkamas dirbtinio intelekto vaidmuo literatūros apžvalgoje

Dirbtinis intelektas nėra literatūros duomenų bazė. Bendrasis LLM patikimai nežino, koks popierius egzistuoja, ir negali generuoti faktinių citatų. Tinkami įrankiai darbui:

• PubMed, Google Scholar, Semantic Scholar: Tikra straipsnių paieška.
• Citavimo grandinės įrankiai (pvz., „Connected Papers“, „Litmaps“): raskite susijusius straipsnius kaip vaizdinį žemėlapį.
• Dokumentu pagrįstas AI: įrankiai, apibendrinantys jūsų pateiktą faktinį straipsnį (PDF / tekstas) ir atsakantys į jūsų klausimus pagal tą tekstą. Čia modelis nesudaro šaltinio, jis apdoroja tai, ką tu jam duodi.

Saugus LLM naudojimas: apibendrinkite tikrus straipsnius, kuriuos rasite, palyginkite juos, paaiškinkite jums temą, siūlykite paieškos terminus.

Patarimas: nesakyk AI „duokite man 10 šaltinių šia tema“; Vietoj to "kokius paieškos terminus turėčiau naudoti PubMed šioje temoje?" paklausti. Tada skambini tikrai. Modelis patikimas ne ieškant išteklių, o nustatant paieškos strategiją.

Sugalvoto priskyrimo problema: kodėl ir kaip to išvengti

LLM gamina tekstą; Jis veikia pagal „kito galimo žodžio“ logiką. Paprašius cituoti, užuot priminęs tikrąjį straipsnį, jis „sugeneruoja“ tikroviškai atrodančią eilutę: tikėtinus autorių vardus, tikrovišką žurnalą, tinkamus metus, net netikrą DOI. Dauguma jų niekada neegzistuoja. Apsauga:

1. Nepriklausomai patikrinkite kiekvieną citatą: ieškokite DOI svetainėje doi.org, citatos PubMed.
2. Cituokite tik tuos straipsnius, kuriuos perskaitėte patys.
3. Niekada nedėkite modelio sukurtos citatos tiesiai į bibliografiją.
4. Net jei naudojate dokumentais pagrįstą įrankį, patikrinkite, ar citata yra tikrame tekste.

Dirbtinis intelektas moksliniame rašte

Čia dirbtinis intelektas yra tikrai galingas, nes veikia ne kaip „informacijos šaltinis“, o kaip „kalbos įrankis“:

• Juodraščio generavimas: pirmoji metodo pastraipos versija, santrauka.
• Kalbos taisymas: sklandumas ir gramatika, ypač tiems, kuriems anglų kalba nėra gimtoji.
• Pertvarkymas: išsibarsčiusių natų įtraukimas į loginį srautą.
• Skirtinga auditorija: tos pačios išvados perrašymas ekspertui, studentui ar visuomenei.
• Atsakymo laiškas: atsakymo į teisėjo pastabas projektas.

Tačiau moksliniai teiginiai, skaičiai ir nuorodos visada turi kilti iš jūsų ir būti jūsų patikrinti.

Žingsnis po žingsnio: apdorokite straipsnio santrauką

1. Raskite tikrąjį straipsnį („PubMed“ / „Scholar“).
2. Pateikite tekstą AI (santrauka arba visas tekstas).
3. Paprašykite struktūrinės santraukos: klausimas, metodas, išvados, apribojimai.
4. Palyginkite teiginius su tekstu: Ar modelis padarė kokių nors papildymų?
5. Perkelkite jį į savo užrašą, įrašykite šaltinį su tikra citata.

Kopijuojami raginimo šablonai

Apibendrinkite šią straipsnio santrauką 5 antraštėmis: (1) tyrimo klausimas, (2) metodas ir pavyzdys, (3) pagrindinė išvada (su skaičiais), (4) apribojimai, (5) ryšys su mano tyrimu. Nepridėkite jokios informacijos, kurios NĖRA tekste. Tekstas: [abstract]

Siūlykite veiksmingas paieškos eilutes, kad galėtumėte ieškoti šios temos PubMed: pagrindiniai terminai, sinonimai, MeSH terminai ir loginiai operatoriai. Tema: [subject]. Neduokite man šaltinių sąrašo, tiesiog nurodykite paieškos strategiją.

Šis metodas supaprastina pastraipą ir pataiso gramatiką, bet nekeičia jokių skaitinių reikšmių, metodų pavadinimų ar teiginių. Pažymėkite pakeitimus. Tekstas: [paragrafas]

Perrašykite mano atradimą trims skirtingoms auditorijoms: (1) srities ekspertui, (2) bakalauro studentui, (3) plačiajai visuomenei. Išlaikyti mokslinį tikslumą, neperdėti. Rasti: [tekstas]

Silpnas raginimas / Stiprus raginimas

Silpnas: „Parašykite įvadą apie CRISPR ir pridėkite šaltinį“.

Stiprus: "Žemiau yra 4 straipsniai, kuriuos aš perskaičiau ir patikrinau pats (citatai pridedami). Remdamiesi šiais straipsniais, parengkite įvadinę pastraipą apie CRISPR augalų veisime; skliausteliuose nurodykite, kuris iš šių 4 šaltinių patvirtina kiekvieną teiginį; nepridėkite jokių teiginių, kurių šiuose šaltiniuose nėra."

Skirtumas: galingame raginime pateikiate išteklius, o modelis juos tik naudoja. Sugalvotų priskyrimų rizika pašalinama.

trys mini dėklai

1 atvejis – netikras DOI: absolventas į savo darbo įvadą įtraukė 8 dirbtinio intelekto pateiktus šaltinius. Konsultantui patikrinus paaiškėjo, kad 3 iš jų niekada neegzistavo, o 2 jų autoriai klydo. Studentas turėjo peržiūrėti visą bibliografiją. Pamoka: niekada nepasitikėkite modelio priskyrimu.

2 atvejis – pridėta išvada: tyrėjas apibendrino darbą; modelis pridėjo frazę „statistinė reikšmė“, kurios suvestinėje nebuvo. Tyrėjas pastebėjo skirtumą palyginęs jį su tekstu. Pamoka: visada palyginkite santrauką su šaltiniu.

3 atvejis. Teisingas naudojimas: tyrėjas, kuriam anglų kalba nėra gimtoji, AI supaprastino jo parašytą metodo skyrių; Jis numatė, kad skaičių ir pretenzijų nekeis. Rezultatas yra daug lengviau skaitomas tekstas, neiškraipant prasmės. Pamoka: kaip kalbos įrankis AI yra puikus.

palyginimo diagrama

Quest

Ar dirbtinis intelektas patikimas?

Tinkamas įrankis/metodas

tiekimas

ne

PubMed/Scholar

Citavimo generavimas

Ne (išsiverčia)

Patvirtinkite rankiniu būdu

Pateikto straipsnio apibendrinimas

Taip (patvirtinti žinute)

LLM + palyginimas

Kalbos taisymas

Taip

LLM

Sukurkite juodraštį

Taip (paraiška iš jūsų)

LLM

Paieškos strategija

Taip

LLM

Dažnos klaidos

• Modelio priskyrimo naudojimas jo nepatikrinus: Dažniausia ir žalingiausia klaida.
• LLM klaidinimas su paieškos varikliu: jis neranda tikrų straipsnių.
• Remdamiesi santrauka ir neskaitydami šaltinio: gali sukelti modelio papildymą / iškraipymą.
• Dirbtinio intelekto kūrimas teiginiais: mokslinis teiginys turi kilti iš jūsų.
• Plagiatas ir originalumas: modelio sukurto teksto pateikimas taip, lyg tai būtų mano paties sakinys; gali pažeisti žurnalo politiką.

Atsargiai: daugelis žurnalų ir institucijų reikalauja atskleisti AI naudojimą ir nepripažįsta AI kaip autoriaus. Aiškiai nurodykite įrankį ir apimtį, kurią naudojate savo AI palaikomame rašte; Jūs esate atsakingi už galutinio teksto tikslumą.

Sistemingas patikrinimas ir dirbtinio intelekto riba

Dirbtinis intelektas atrodo patrauklus sisteminėse apžvalgose, kuriose norima visapusiškai ir nešališkai nuskaityti visą temą, tačiau jį reikia naudoti atsargiai. Sisteminės paieškos esmė – atkuriama ir skaidri paieškos strategija: dokumentavimas, kuriose duomenų bazėse buvo ieškoma, kokiais terminais, kokiais įtraukimo/išskyrimo kriterijais. AI padeda nustatyti šią strategiją, išplėsti terminus ir parašyti atrankos protokolą. Bet tai yra tikroji duomenų bazės paieška, kuri iš tikrųjų randa straipsnius; Vien todėl, kad modelis sako „čia yra atitinkami tyrimai“, nėra atrankos pakaitalas ir gali praleisti svarbius tyrimus.

Kitas veiksmingas ir saugus naudojimo būdas – padėti peržiūrėti daugybę straipsnių: šimtų santraukų patikrinimas, ar jie atitinka įtraukimo kriterijus, užtrunka. Modelis gali iš anksto klasifikuoti kiekvieną santrauką kaip „galimai svarbią / nesvarbią“ pagal jūsų kriterijus; tačiau galutinį sprendimą įtraukti ir neapibrėžtas situacijas priima žmogus. Vėlgi, modelis yra ne sprendimų priėmėjas, o išankstinio patikrinimo pagalba.

Įvertinkite šią straipsnio santrauką pagal šiuos įtraukimo kriterijus: [kriterijai]. Klasifikuokite kaip „svarbu/nesvarbu/neaišku“ ir vienu sakiniu pateisinkite. Galutinis sprendimas yra mano; Jūs tiesiog iš anksto kvalifikuojate. Santrauka: [tekstas]

Mano raštuose paslėpti dirbtinio intelekto pėdsakai

AI sukurti tekstai kartais būna pernelyg bendri, pasikartojantys arba „kieti, bet tušti“. Konkretumas yra būtinas moksliniam rašymui: kiekvienas sakinys turi perteikti tam tikrą informaciją. Užuot palikę modelio kontūrą tokį, koks yra, pradėkite kiekvieną pastraipą klausimu „ar šis sakinys tikrai ką nors sako, ar tai užpildas?“ Pašalinti. Be to, modelio sukurtame tekste kartais yra subtilių klaidingų terminų arba dažnai pasitaikančių, bet klaidingų posakių; Patikrinkite kiekvieną techninį terminą domeno eksperto akimis. AI yra geras pirmasis juodraščio generatorius; Jis nėra geras korektorius. Paskutinis skaitymas visada esi tu.

Kodėl sudaromi priskyrimai: supratimas apie mechanizmą.

Matant modelio priskyrimo sugalvojimą kaip natūralią jo veikimo būdo pasekmę, o ne „klaidą“, jį lengviau apsaugoti. Mokymų metu modelis išmoksta milijonų tikrų eilučių šabloną: kaip atrodo autorių vardai, žurnalų pavadinimų formatas, DOI struktūra. Kai prašoma citatos, ji „neieško“ tikrojo įrašo; Jis „sugeneruoja“ statistiškai patikimą žymą, atitinkančią išmoktą modelį. Taigi rezultatas atrodo labai tikroviškas, bet gali būti netikras; jis netgi gali įtraukti tikro autoriaus vardą į straipsnį, kurio niekada neparašė. Kai suprasite šį mechanizmą, paaiškėja taisyklė: bet koks modelio sugeneruotas identifikatorius nelaikomas egzistuojančiu, kol nepamatote jo duomenų bazėje. Nuo dokumento priklausomi įrankiai (kur pateikiate tikrąjį tekstą) sumažina šią riziką, nes modelis remiasi jūsų pateiktu tekstu, o ne pritaikymu; bet vis tiek patikrinkite, ar citata iš tikrųjų yra tame tekste.

Apibendrinant

AI neranda (sudaro) šaltinių ieškodama literatūros, bet apibendrina jūsų pateiktus straipsnius, sukuria paieškos strategiją ir supaprastina jūsų rašymą. Didžiausias pavojus yra išgalvotos atributikos; savarankiškai patikrinkite kiekvieną eilutę ir naudokite tik tuos šaltinius, kuriuos perskaitėte. Moksliniai teiginiai, skaičiai ir citatos kyla iš jūsų; AI tik sustiprina kalbą ir tvarką. Skaidriai deklaruokite naudojimą.

Taikymo užduotis

Suteikite dirbtiniam intelektui straipsnį, kurį iš tikrųjų perskaitėte (abstraktus arba visas tekstas) ir sukurkite struktūrizuotą santrauką (klausimas, metodas, radinys, apribojimas). Palyginkite santrauką su šaltinio tekstu, kad pamatytumėte, ar modelis nieko nepridėjo ar neiškraipė. Atskirai paprašykite modelio išteklių ta pačia tema sąrašo; Ieškokite kiekvienos jo pateiktos eilutės „PubMed“ ir suskaičiuokite, kiek yra tikrų.

kontrolinis sąrašas

• [ ] Aš pats radau šaltinius PubMed/Scholar, nedariau, kad jie atitiktų modelį.
• [ ] Aš nepriklausomai patikrinau kiekvieną citatą.
• [ ] Santrauką palyginau su šaltinio tekstu.
• [ ] Mokslinius teiginius ir skaičius pateikiau pats.
• [ ] Citavau tik šaltinius, kuriuos perskaičiau.
• [ ] Skaidriai deklaravau dirbtinio intelekto naudojimą.