Dobički:
- Sposobnost prepoznavanja halucinacijskih oblik v fiziki (lažna konstanta, lažni zakon, napaka enote, napačen rezultat, lažna atribucija) in njihovo lovljenje z ustrezno metodo.
- Sposobnost zaščite neobjavljenih, zaupnih in osebnih podatkov z anonimizacijo in minimizacijo, tako da jih ne vnesete v nepooblaščena orodja
- Biti sposoben razumeti, da je končna odgovornost na ljudeh, tako da podatke sporočamo pošteno, brez olepševanja in pregledno dokumentiramo uporabo umetne inteligence.
V tem modulu smo v vsaki enoti obravnavali isto disciplino: umetna inteligenca (AI) pospešuje, ljudje preverjajo. V tej zadnji enoti združujemo to celotno prakso preverjanja pod okriljem znanstvene integritete, najbolj temeljne vrednote fizikalne znanosti. Fizika je prizadevanje za ustvarjanje preverljivega znanja o naravi; V središču tega prizadevanja so integriteta, ponovljivost in odgovornost. Umetno inteligenco je mogoče uporabiti za okrepitev teh vrednot – toda če se uporablja nepravilno, jih ogrozi vse. V tej enoti bomo razpravljali o fizičnih oblikah halucinacij, odgovornosti za podatke in zasebnost, etičnih mejah in zakaj končna odgovornost vedno ostane na ljudeh.
Oblike halucinacije v fiziki
Halucinacija – samozavestno ustvarjanje lažnih informacij s strani umetne inteligence – ima v fiziki edinstvene in nevarne oblike. Prepoznavanje teh je prvi korak k ulovu:
vrsta halucinacije
primer
Metoda zajemanja
Namestitev fiksnih/podatkov
Nepravilna gostota materiala
Potrditev z zanesljivo referenco
Napačna formula/zakon
Neobstoječe "načelno" ime
Učbenik/izpeljava SymPy
Napaka enote/naročila
zamenjava eV za J
Dimenzijska analiza, kontrola enote
Nepravilen številčni rezultat
Nepravilen izpis kode
Zaženite kodo
apokrifno pripisovanje
neobstoječ članek
Preverjanje z DOI
Napačno prijavljen rezultat
Izkrivljanje pravega članka
Preberi izvirni vir
Rdeča nit je naslednja: velik jezikovni model ni zasnovan tako, da pove resnico, ampak da proizvede "možno videti besedilo". V fiziki je razlika med "navidezno možnim" in "resničnim" ravno razlog za obstoj znanosti.
Odgovornost glede podatkov, zasebnosti in intelektualne lastnine
Fiziki pogosto delajo z občutljivimi podatki: neobjavljeni eksperimentalni podatki, zasnove pred patentom, zaupne meritve iz industrijskih sodelovanj, raziskave, ki vključujejo osebne zdravstvene ali varnostne podatke. Vnos takšnih podatkov v splošno orodje umetne inteligence bi lahko omogočil dostop do njih tretjim osebam in po možnosti do podatkov o usposabljanju modela – kar bi pomenilo tako kršitev zaupnosti kot izgubo znanstvene prioritete (pravica do prvega odkritja). Pravilo je jasno: ne vnašajte neobjavljenih, zaupnih ali osebnih podatkov v orodje AI, ki ga vaša organizacija ni odobrila. Če boste vnesli, anonimizirali, minimizirali (podajte samo tisto, kar je potrebno) in preberite pogoje podatkov orodja.
Pozor: Vnašanje neobjavljenih laboratorijskih meritev ali zaupnih konstrukcijskih parametrov podjetja v orodje AI "za hitro analizo" je lahko nepopravljiva napaka. Ko so podatki deljeni, jih ni več mogoče priklicati. Če ste v dvomih, ne vnašajte podatkov; Najprej razjasnite politiko vaše ustanove in pogoje zasebnosti orodja.
Etične meje in znanstvena integriteta
Uporaba je lahko tehnično možna in celo zakonita, a še vedno neetična. V fiziki obstaja več rdečih črt, ki zadevajo znanstveno integriteto:
Izmišljotina ali olepševanje podatkov. Zahteva, da umetna inteligenca "ustvari točke, ki bolje ustrezajo donosu" ali "poskrbi, da je graf videti bolj prepričljiv", je podatkovna goljufija. Podatki se poročajo takšni, kot so; Izstopne vrednosti se odpravijo samo z dokumentiranim, legitimnim razlogom.
Transparentnost prispevka. Če ste v študiji uporabljali AI – pisanje kode, popravljanje jezika, analiza – je pošteno, da to pojasnite na ustreznem mestu. Številne revije in ustanove to zahtevajo.
Avtorstvo in odgovornost. AI ni pisatelj; ne more biti odgovoren za vsebino dela. Odgovornost vedno leži na človeških piscih. Napake, ki jo povzroči umetna inteligenca, ni mogoče braniti z besedami "vozilo je uspelo".
Ponovljivost. Znanstveni rezultat zahteva, da je metoda (vključno z uporabljeno kodo, parametri, pozivi AI) jasno dokumentirana, da jo lahko drugi ponovijo.
trije mini kovčki
Primer 1 – Uhajanje zaupnih podatkov. En raziskovalec je merilne podatke iz pogodbe o nerazkritju podatkov s podjetjem prilepil v generično orodje AI "za hiter graf". Kasneje je ugotovil, da lahko to orodje shrani vnose. Prišlo je do kršitve pogodbe in možne izgube prednosti. Nauk: zaupni podatki se nikoli ne vnašajo v neodobreno orodje.
2. primer – olepševalni tisk. En študent je prosil umetno inteligenco za urejanje, ki bi "podatke naredilo videti bližje teoriji", ker se eksperimentalni podatki niso popolnoma ujemali s teorijo. Njegov svetovalec je to opazil in ga ustavil: neskladje je pomenilo ali sistematično napako v poskusu ali zanimivo novo fiziko - nekaj, kar je treba raziskati, ne skriti. Podatki so bili sporočeni pošteno in ugotovljena je bila sistematična napaka.
Primer 3 – Pridobljena preglednost. Ena ekipa je napisala kodo za analizo podatkov za papir s pomočjo AI in to jasno navedla v razdelku o metodah; delil kodo in pozive kot dodatne datoteke. Sodnik je pregledal kodo in predlagal manjši popravek. Transparentnost je napako ujela pred objavo in povečala verodostojnost študije.
Štiri predloge za kopiranje
1) Pregled halucinacij:
Preglejte naslednje fizikalne rezultate glede halucinacij: ali obstajajo lažne konstante, lažna imena formul/zakonov, napake enot/vrstnega reda, nepreverjeni številski rezultati in nepotrjene atribucije? Označite vsak sumljiv predmet in navedite, kako ga preveriti (referenca, koda, DOI). Izhod: [tukaj]
2) Predhodno preverjanje zasebnosti podatkov:
Ocenite naslednje podatke/besedilo, preden jih vnesete v orodje AI: ali vsebujejo neobjavljene, zaupne, osebne ali pogodbeno zaščitene informacije? Če je tako, predlagajte, kako ga lahko anonimiziram ali minimiziram. Če niste prepričani, recite "preverite politiko podjetja". Vsebina: [tukaj]
3) Osnutek izjave o preglednosti/prispevku:
V eni študiji sem uporabil AI za: [kodiranje/jezikovni popravek/analizo itd.]. Napišite kratek osnutek "izjave o uporabi AI", ki to pošteno dokumentira. Navesti mora tudi, katere dele so preverili ljudje.
4) Zagotavljanje znanstvene integritete:
Izvedite preverjanje celovitosti za naslednjo analizo/rezultat: podatki so sporočeni takšni, kot so (brez olepševanja), ali so sporočene negotovosti, ali je metoda dokumentirana na ponovljiv način, ali je uporaba umetne inteligence pregledna? Navedite morebitne pomanjkljivosti. Vsebina: [tukaj]
Šibek poziv/močan poziv
Šibko: "Uredite donos, da bo bolje ustrezal teoriji in naredil graf prepričljiv."
Rezultat: Podatkovna goljufija; Neposredna kršitev znanstvene integritete, nepopravljiva izguba ugleda.
Strong: "Donos se ne ujema v celoti s teorijo. Pomagajte mi analizirati možne vzroke tega neskladja (sistematična napaka, statistična nihanja, manjkajoči model ali nov učinek); predlagajte, kako pošteno poročati o neskladju, ne da bi spremenili podatke."
Rezultat: pošten, raziskovalen in zvest pristop k znanstveni integriteti; Konflikt postane priložnost za odkrivanje.
Pogoste napake
- Zamenjava halucinacij s samozavestjo. Samo zato, ker AI govori samozavestno, ni zagotovilo za točnost; Tudi najbolj natančen stavek je lahko izmišljen.
- Vnašanje zaupnih podatkov v vozilo brez odobritve. Ko so podatki v skupni rabi, ni več mogoče pridobiti; Prednost in zaupnost sta izgubljeni.
- Olepševalni podatki. Spreminjanje podatkov v "fit teorijo" je eden najresnejših znanstvenih zločinov.
- Skrivanje uporabe AI. Transparentnost je zahteva za poštenost in je obvezna v mnogih institucijah.
- Prelaganje odgovornosti na vozilo. "Umetna inteligenca je to storila" ni obramba; Končna odgovornost je vedno na človeku.
Namig: Na koncu vsake študije, ki jo poganja umetna inteligenca, si postavite tri vprašanja: (1) Ali je bilo vsako dejstvo, število in pripis v tem rezultatu neodvisno preverjen? (2) Ali so podatki, ki sem jih uporabil, vsebovali zaupne/osebne podatke, ki jih ne bi smel vnesti? (3) Ali sem svojo uporabo in metodologijo umetne inteligence dokumentiral dovolj pregledno, da bi jo lahko nekdo drug ponovil? Če na ta tri vprašanja ne morete odgovoriti z jasnim "da", študija še ni zaključena.
Če povzamem
Znanstvena integriteta je osnova obstoja fizike in je v dobi umetne inteligence še pomembnejša. Halucinacije se v fiziki pojavljajo v obliki lažnih konstant, lažnih zakonov, enotskih napak, napačnih zaključkov in napačnih referenc; vsak je zajet s svojo edinstveno metodo preverjanja. Zaupni in osebni podatki se ne vnašajo v nepooblaščena orodja; podatki niso nikoli polepšani; Uporaba AI je pregledno dokumentirana; in končna odgovornost je vedno na človeku. V tem modulu se naučite samo ene discipline: umetna inteligenca je močan pospeševalnik, toda preverjanje, integriteta in odgovornost so na ramenih kompetentnega fizika – to je vas. Nepreverjen rezultat umetne inteligence ni nikoli nadomestilo za potrditev fizika.
Aplikacijska naloga
Izberite izhod AI (račun, analiza ali besedilo), ki ste ga ustvarili v tem modulu. 1. zaslon za halucinacije s predlogo: ali obstajajo navidezne konstante, lažne formule, napake enot ali nepreverjene atribucije? S predlogo 2 ocenite, ali so podatki, ki jih uporabljate, prijazni do zasebnosti. Nazadnje pripravite kratko izjavo o uporabi/preglednosti umetne inteligence s predlogo 3. Zapišite v 5-6 stavkih: kaj je razkril pregled, katere korake preverjanja ste izvedli?
kontrolni seznam
- [ ] Neodvisno sem preveril vsako konstanto, formulo in rezultat v izhodu.
- [ ] Vsako navedbo sem preveril z DOI/virom.
- [ ] Preveril sem, da v orodje nisem vnesel zaupnih/osebnih podatkov brez odobritve.
- [ ] Podatke sem sporočil takšne kot so, brez olepševanja.
- [ ] Svojo uporabo umetne inteligence sem dokumentiral na pregleden in ponovljiv način.
- [ ] Sprejel sem, da je končna odgovornost moja; Vozilu nisem pripisal nobene napake.
Modulni izpit
1. Kaj od naslednjega je najbolj natančno določanje položaja za umetno inteligenco v fiziki?
- A) Umetna inteligenca je pomočnik za kodo, osnutek in urejanje; Odgovornost za enoto, čin, preverjanje in etične odločitve nosi človek ✔
- B) Umetna inteligenca je kalkulator in numerični rezultati, ki jih daje, so vedno točni
- C) Umetna inteligenca deluje le pri računanju, nima nič z analizo eksperimentov in poučevanjem
- D) Ker je umetna inteligenca bolj nepristranska od ljudi, je treba odločitve o enotah in rezultatih prepustiti njej.
Opis: Umetna inteligenca; Je pomočnik, ki piše kodo, izdeluje osnutke, ustvarja in organizira izpeljane okvire. Končna odgovornost za enotno in vrstno verifikacijo rezultata, zagotovitev le-teh z ohranitvenimi zakoni, konstantno in referenčno potrditev pa pripada pristojnemu fiziku. Velik jezikovni model ni kalkulator ali fizikalni motor; je generator besedila, ki ustvari 'naslednjo najverjetnejšo besedo' in njegov nepreverjen rezultat lahko privede do napačne vrednosti, zasnove ali rezultata.
2. Kateri je najnatančnejši približek numeričnega rezultata računalniške kode, ki jo natisnete v velik jezikovni model?
- A) Če zaupate številki, ki jo model pravi, "ta koda daje to", ker je on napisal kodo
- B) Zaženite kodo sami in si oglejte rezultat; ✔ ne zanaša se na verbalno numerično napoved modela
- C) Sprejemanje kode kot pravilne samo tako, da pogledate, kako je prebrana, ne da bi jo sploh zagnali
- D) Če je rezultat ponovno neposredno vprašan za model in pove isto številko, se šteje za pravilnega.
Pojasnilo: LLM lahko 'izračuna' izhod kode, ki jo je napisal v svoji glavi, in vrne napačno številko; medtem ko ko se zažene ista koda, daje pravilen rezultat. Kar je deterministično, je koda, ki se izvaja; Ne gre za verbalno napoved modela. Zato je treba kodo vedno izvajati v vašem lastnem okolju in izhod mora biti viden.
3. Kateri je najmočnejši način za preizkus, ali simulacija dinamičnega sistema brez trenja natančno odraža fiziko?
- A) Zagotovite, da je grafikon vizualno videti čist in prepričljiv
- B) Izvajanje simulacije z enim samim časovnim korakom in zaupanje rezultatu
- C) Spremljanje količine, ki jo je treba ohraniti, kot je skupna energija ali zagon, in preverjanje, ali ostaja konstantna ✔
- D) Ocenjevanje simulacije glede na to, kako hitro teče
Pojasnilo: V sistemu brez trenja je treba celotno energijo (in zagon, če obstaja) ohraniti. Spremljanje te velikosti skozi celotno simulacijo in ugotavljanje, ali ostaja konstantna, razkriva numerične napake (npr. primitivna Eulerjeva metoda nenehno povečuje energijo). Če energija lebdi, je simulacija nezanesljiva; Samo zato, ker ustvari lepo grafiko, še ne pomeni, da je pravilna.
4. Kaj od naslednjega je pravilen pristop pri prilagajanju modela eksperimentalnim podatkom?
- A) Izbira polinoma višje stopnje, ki najbolje ustreza podatkom, ker gre skozi vse točke
- B) Navedba parametrov kot eno število brez dvoumnosti
- C) Razglasitev kakovosti prileganja preprosto s pogledom na to, kako lepa je videti krivulja.
- D) Izbira modela iz fizike, poročanje parametrov z njihovimi negotovostmi in vrednotenje prileganja z ostanki ✔
Pojasnilo: model je treba izbrati na podlagi fizikalnega zakona, ki ga mora upoštevati dogodek, ne pa tako, da pogledamo podatke in se sprašujemo, kateri najbolj ustreza. Z dovolj prostimi parametri (npr. polinom visoke stopnje) je mogoče narediti "popolno", a fizično nesmiselno prileganje (overfit) kateremu koli podatku. O parametrih je treba poročati z njihovo negotovostjo, kakovost prileganja je treba ovrednotiti z ostanki in preveriti fizično verodostojnost.
5. Katero vrsto negotovosti zmanjša večkratno ponavljanje meritve?
- A) Naključna negotovost; sistematična negotovost se s ponavljanjem ne zmanjša, vzrok je treba poiskati in odpraviti ✔
- B) Sistematična negotovost; ker odpravlja napako ponovnega umerjanja
- C) Popolnoma odpravi obe dvoumnosti
- D) Ne zmanjša nobenega od njih; negotovost je neodvisna od števila meritev
Pojasnilo: Ponovljena meritev zmanjša naključno negotovost (s standardno napako srednje vrednosti std/√N), ki izhaja iz naključne porazdelitve rezultatov. Sistematska negotovost pa je napaka, ki vedno odstopa v isto smer (na primer nepravilno umerjena tehtnica) in se s ponavljanjem ne zmanjšuje; Vendar pa je vzrok mogoče najti in odpraviti. Poročanje o "zelo majhni" negotovosti z več meritvami lahko prikrije temeljno sistematično napako.
6. Kateri je najbolj zanesljiv neodvisen način za preverjanje formule za širjenje napake, ki jo izpelje AI?
- A) Zanašanje na formulo, ki je videti tekoča in prepričljiva
- B) Navzkrižno preverjanje z izračunom Monte Carlo, ki naključno vzorči vnose z njihovo negotovostjo ✔
- C) Ponovno zahtevati isto formulo od umetne inteligence in pričakovati, da bo dala enak rezultat
- D) Neposredno zbiranje negotovosti in njihova primerjava z rezultatom
Pojasnilo: umetna inteligenca pogosto meša koeficiente delnega odvajanja in strukturo kvadratnega korena v formulah za razmnoževanje napak. Zmogljiv način za neodvisno doseganje tega je navzkrižno preverjanje Monte Carlo: naključno vzorčenje vsakega vhoda z njegovo negotovostjo, tisočkratno izračunavanje funkcije in primerjava standardnega odklona izhoda z negotovostjo, podano s formulo. Srečanje dveh neodvisnih metod poveča zaupanje.
7. Kakšna je pravilna delitev dela med AI in SymPy v dolgi izpeljavi simbolne fizike?
- A) SymPy ustvari idejo o izpeljavi, AI natančno preveri vsak korak
- B) Oboje je nepotrebno; dolge izpeljave je treba izvajati samo ročno
- C) AI gradi ogrodje izpeljave, SymPy natančno preveri vsak algebraični korak ✔
- D) Umetna inteligenca izvede izpeljavo sama, ni potrebe po preverjanju, ker je videti tekoče
Pojasnilo: umetna inteligenca oblikuje strategijo izpeljave in razloži pot, vendar v dolgi algebri naredi napake predznakov, ubežne člene in nepravilne poenostavitve. SymPy pa deluje po pravilih in natančno preveri vsak algebrski korak. Najzmogljivejši potek dela združuje oboje: pridobite okostje iz umetne inteligence, virite vsak korak s SymPy, preizkusite rezultat z inverznim odvodnim integralom in mejnim primerom.
8. Kaj dimenzijska analiza pove o točnosti fizikalne formule?
- A) Dimenzijska analiza vedno dokončno dokaže, da je formula pravilna
- B) Dimenzijska analiza v fiziki nima praktične vrednosti
- C) Dimenzijska analiza poda samo konstantni faktor formule, ne pa njene konsistentnosti
- D) Formula, ki dimenzijsko ne drži, je absolutno napačna; dimenzijska analiza ujame napako brez štetja števil ✔
Pojasnilo: Obe strani fizikalne enačbe morata biti dimenzijsko enaki, preden sta lahko številčno enaki. Formula, ki dimenzijsko ne drži, je preprosto napačna; to je zajeto iz izračuna števila. Dimenzijska analiza ne dokončno dokaže, da je formula pravilna (lahko zgreši brezdimenzijski konstantni faktor ali kot), vendar dokončno dokaže, da je nepravilna; torej prva in najcenejša revizija vsakega računa.
9. Kaj je najbolj kritičen prvi korak pri izračunu kinetične energije predmeta, ki potuje s hitrostjo 36 km/h?
- A) Pretvarjanje vseh vhodnih podatkov v enoten sistem enot (SI); Pretvarjanje 36 km/h v 10 m/s ✔
- B) Vnos hitrosti v km/h neposredno v formulo brez pretvorbe v m/s
- C) Množenje samo števil brez upoštevanja enot
- D) Ob predpostavki, da po izračunu rezultata ni treba preverjati vrstnega reda
Pojasnilo: formule na osnovi SI (E = ½mv²) pričakujejo hitrost v m/s. Mešanje km/h z m ali ur s sekundami v izračunu je ena najpogostejših napak v fiziki. Najprej je treba vse vnose pretvoriti v enoten sistem enot (SI): 36 km/h = 10 m/s. Ker lahko AI naredi tihe napake pri pretvorbah sestavljenih enot, je treba to pretvorbo preveriti ročno ali z orodjem, ki pozna enote.
10. Katera praksa je pravilna v smislu 'poštenosti' v znanstvenem grafu?
- A) Skrivanje negotovosti, ker vrstice napak zamašijo grafikon
- B) Označite osi z enotami, izberite merilo brez popačenja in prikažite negotovost z vrsticami napak ✔
- C) Os y vedno začnite v območju, ki bo pokazalo najbolj dramatično razliko
- D) Puščanje osi brez enot, ker lahko bralec enoto ugane
Opis: Iskrena znanstvena karta; osi označuje z velikostjo in enoto, merilo izbere zavestno in brez popačenja (začetek osi y stran od nič zaradi pretiravanja je zavajajoč) in naredi merilno negotovost vidno s stolpci napak. Zaradi prikrivanja negotovosti so podatki videti zanesljivi in ustvarja napačen vtis pristranskosti ali strinjanja. Bolj kot je grafika prepričljiva, pomembnejše je preverjanje integritete.
11. Kaj je največje tveganje in pravilna disciplina pri pridobivanju podpore za literaturo in citiranje s strani umetne inteligence?
- A) Umetna inteligenca izgublja čas, ker zelo počasi ustvarja citate
- B) Viri, ki jih predlaga umetna inteligenca, so vedno resnični, ni potrebe po preverjanju
- C) Umetna inteligenca lahko ustvari atribucije, ki se zdijo resnične, vendar ne obstajajo; Vsak citat mora biti preverjen z DOI/virom, literaturo pa je treba poiskati iz dejanske zbirke podatkov ✔
- D) Izmišljene citate zlahka prepoznamo, ker vedno uporabljajo neresnična imena revij
Pojasnilo: Velik jezikovni model ni povezan z dejansko bazo podatkov; S posnemanjem vzorcev citiranja lahko ustvari članke, ki nosijo pravo ime revije, verodostojne avtorje in razumno leto, vendar jih sploh ni. Zato je treba literaturo poiskati iz resničnih podatkovnih baz, umetno inteligenco je treba uporabiti le za povzetek/prevod dejanskega besedila, ki je pri roki, vsak citat pa je treba neodvisno preveriti z DOI ali naslovom. Nepreverjen citat je kršitev akademske integritete.
12. Kaj je potrebno za pridobitev zanesljivih rezultatov, ko AI povzema članek?
- A) Dovolj je samo naslov članka, model pozna vsebino
- B) Uporaba povzetka neposredno, ne da bi ga sploh preverili, ker je videti tekoče
- C) Dvakrat vprašati model za isti povzetek in ga sprejeti kot pravilnega, če je podoben.
- D) Dajanje izvirnega besedila modelu in primerjava izdelanega povzetka z izvirnim besedilom, da se preveri, ali ni bilo nič dodanega/popačenega ✔
Pojasnilo: Enostavno podajanje AI naslova članka in zahtevanje povzetka bo povzročilo, da model pripravi 'verjeten povzetek', ne da bi sploh videl članek; Ta povzetek je lahko nasproten resnici. Zanesljiv povzetek je mogoče dobiti le, če se izvirno besedilo vnese v model in se ustvarjeni povzetek primerja z izvirnim besedilom. Dodatno je treba preveriti, da povzetek ne dodaja rezultatov ali številk, ki jih ni v besedilu.
13. Kaj velja za izhod umetne inteligence pri izdelavi gradiva za tečaj fizike?
- A) Vsako rešitev je treba neodvisno preveriti, določiti je treba meje analogij, motilci pa morajo biti usmerjeni na resnične napačne predstave ✔
- B) Ključ odgovora, ki ga ustvari umetna inteligenca, je vedno pravilen, revizija ni potrebna
- C) Analogije so popolne v vseh primerih, njihovih meja ni treba navajati.
- D) Distraktorji naj bodo izbrani povsem naključno, saj narava napačne izbire ni pomembna.
Opis: umetna inteligenca je hitra pri ustvarjanju vprašanj, primerov in analogij, vendar je preverjanje bistvenega pomena v treh točkah: rešitev vsake težave je treba preveriti neodvisno (ročno ali s kodo), ker lahko model povzroči napake predznaka/enote v rešitvi; Vsaka analogija mora biti navedena tam, kjer se pokvari, sicer bo povzročila novo napako; Motilci bi morali ciljati na resnične napačne predstave. Odgovornost nosi učitelj; Napačen ključ odgovora pušča učence nesporazume, ki jih je težko popraviti.
14. Kakšno je vedenje, ki je skladno z znanstveno integriteto, ko se eksperimentalni podatki ne ujemajo popolnoma s teorijo?
- A) Umetna inteligenca mora organizirati podatke tako, da ustrezajo teoriji, in prepričljivo prikazati graf
- B) Raziskovanje razlogov za neskladje (sistematična napaka, pomanjkanje modela, nov učinek) in pošteno poročanje brez spreminjanja podatkov ✔
- C) Ignoriranje nestrinjanja in poročanje le o točkah, ki ustrezajo
- D) Brisanje podatkov in prilagajanje novega rezultata poskusa
Pojasnilo: zahtevati, da umetna inteligenca "razporedi podatke, da bodo bolje ustrezali teoriji", je podatkovna goljufija in huda kršitev znanstvene integritete. Nestrinjanje je nekaj, kar je treba raziskati, ne skriti: lahko kaže na sistematično napako, statistično nihanje, pomanjkanje vzorca ali zanimiv nov učinek. Podatki se poročajo takšni, kot so, z negotovostjo; Končna odgovornost leži na osebi in "to je naredilo orodje" ni obramba.