ภาพหลอน จริยธรรม การรักษาความลับ และความซื่อสัตย์ทางวิทยาศาสตร์

กำไร:

• ความสามารถในการจดจำรูปแบบประสาทหลอนในฟิสิกส์ (ค่าคงที่ปลอม กฎปลอม ข้อผิดพลาดของหน่วย ผลลัพธ์ที่ไม่ถูกต้อง การระบุแหล่งที่มาปลอม) และตรวจจับด้วยวิธีที่เหมาะสม
• ความสามารถในการปกป้องข้อมูลที่เป็นความลับและข้อมูลส่วนบุคคลที่ไม่ได้เผยแพร่โดยการไม่เปิดเผยตัวตนและลดขนาดลงโดยการไม่นำข้อมูลเหล่านั้นเข้าสู่เครื่องมือที่ไม่ได้รับอนุญาต
• สามารถเข้าใจได้ว่าความรับผิดชอบสูงสุดอยู่ที่มนุษย์โดยการรายงานข้อมูลอย่างตรงไปตรงมา โดยไม่ต้องปรุงแต่ง และบันทึกการใช้ปัญญาประดิษฐ์อย่างโปร่งใส

ตลอดโมดูลนี้ เราได้ครอบคลุมวินัยเดียวกันในแต่ละหน่วย: ปัญญาประดิษฐ์ (AI) เร่งความเร็ว และมนุษย์ตรวจสอบ ในหน่วยสุดท้ายนี้ เราได้รวบรวมแนวปฏิบัติการตรวจสอบทั้งหมดนี้ไว้ภายใต้หลักบูรณภาพทางวิทยาศาสตร์ ซึ่งเป็นคุณค่าพื้นฐานที่สุดของวิทยาศาสตร์กายภาพ ฟิสิกส์คือการแสวงหาการผลิตความรู้ที่ตรวจสอบได้เกี่ยวกับธรรมชาติ หัวใจสำคัญของความพยายามนี้คือความซื่อสัตย์ ความสามารถในการทำซ้ำ และความรับผิดชอบ AI สามารถใช้เพื่อเสริมค่าเหล่านี้ได้ แต่เมื่อใช้ไม่ถูกต้องจะคุกคามค่าเหล่านี้ทั้งหมด ในหน่วยนี้ เราจะหารือเกี่ยวกับรูปแบบทางกายภาพของภาพหลอน ความรับผิดชอบด้านข้อมูลและความเป็นส่วนตัว ขอบเขตทางจริยธรรม และเหตุใดความรับผิดชอบสูงสุดจึงยังคงอยู่กับมนุษย์เสมอ

รูปแบบของภาพหลอนในวิชาฟิสิกส์

ภาพหลอน ซึ่งเป็นการผลิตข้อมูลเท็จอย่างมั่นใจของ AI มีรูปแบบที่มีเอกลักษณ์และเป็นอันตรายในฟิสิกส์ การตระหนักรู้ว่าสิ่งเหล่านี้เป็นก้าวแรกในการจับ:

ประเภทของภาพหลอน

ตัวอย่าง

วิธีการจับภาพ

การติดตั้งแบบคงที่/ข้อมูล

ความหนาแน่นของวัสดุไม่ถูกต้อง

ยืนยันด้วยการอ้างอิงที่เชื่อถือได้

สูตร/กฎหมายเท็จ

ชื่อ "หลักการ" ที่ไม่มีอยู่จริง

ที่มาของตำราเรียน/SymPy

ข้อผิดพลาดของหน่วย/คำสั่งซื้อ

eV เข้าใจผิดสำหรับเจ

การวิเคราะห์มิติ การควบคุมหน่วย

ผลลัพธ์ตัวเลขไม่ถูกต้อง

เอาต์พุตโค้ดที่ไม่เหมาะสม

เรียกใช้รหัส

การระบุแหล่งที่มาที่ไม่มีหลักฐาน

บทความที่ไม่มีอยู่จริง

การตรวจสอบด้วย DOI

รายงานผลไม่ถูกต้อง

การบิดเบือนบทความจริง

Read the original source

หัวข้อทั่วไปคือ: โมเดลภาษาขนาดใหญ่ได้รับการออกแบบมาไม่ให้บอกความจริง แต่เพื่อสร้าง "ข้อความที่ดูเป็นไปได้" ในวิชาฟิสิกส์ ความแตกต่างระหว่าง "ดูเหมือนเป็นไปได้" และ "จริง" นั้นเป็นเหตุผลของการดำรงอยู่ของวิทยาศาสตร์อย่างชัดเจน

ความรับผิดด้านข้อมูล ความเป็นส่วนตัว และทรัพย์สินทางปัญญา

นักฟิสิกส์มักทำงานกับข้อมูลที่ละเอียดอ่อน เช่น ข้อมูลการทดลองที่ไม่ได้เผยแพร่ การออกแบบก่อนจดสิทธิบัตร การวัดผลที่เป็นความลับจากความร่วมมือทางอุตสาหกรรม การวิจัยที่เกี่ยวข้องกับข้อมูลสุขภาพหรือความปลอดภัยส่วนบุคคล การป้อนข้อมูลดังกล่าวลงในเครื่องมือ AI ทั่วไปอาจทำให้บุคคลที่สามสามารถเข้าถึงได้ และอาจรวมถึงข้อมูลการฝึกอบรมของโมเดลด้วย ซึ่งอาจหมายถึงการละเมิดการรักษาความลับและการสูญเสียลำดับความสำคัญทางวิทยาศาสตร์ (สิทธิ์ในการเป็นคนแรกที่ค้นพบ) กฎมีความชัดเจน: อย่าป้อนข้อมูลที่เป็นความลับหรือข้อมูลส่วนบุคคลที่ไม่ได้เผยแพร่ลงในเครื่องมือ AI ที่องค์กรของคุณไม่ได้รับการอนุมัติ หากคุณกำลังจะเข้าสู่ ไม่ระบุชื่อ ย่อขนาด (ให้เฉพาะสิ่งที่จำเป็น) และอ่านเงื่อนไขข้อมูลของเครื่องมือ

ข้อควรระวัง: การป้อนค่าการวัดที่ไม่ได้เผยแพร่ของห้องปฏิบัติการหรือพารามิเตอร์การออกแบบที่เป็นความลับของบริษัทลงในเครื่องมือ AI "เพื่อการวิเคราะห์อย่างรวดเร็ว" อาจเป็นข้อผิดพลาดที่แก้ไขไม่ได้ เมื่อข้อมูลถูกแชร์แล้ว จะไม่สามารถเรียกคืนได้ หากมีข้อสงสัย กรุณาอย่าป้อนข้อมูล ชี้แจงนโยบายของสถาบันและข้อกำหนดความเป็นส่วนตัวของเครื่องมือก่อน

ขอบเขตทางจริยธรรมและความซื่อสัตย์ทางวิทยาศาสตร์

การใช้งานอาจเป็นไปได้ในทางเทคนิคและถูกกฎหมาย แต่ก็ยังถือว่าผิดจรรยาบรรณ มีเส้นสีแดงหลายเส้นในฟิสิกส์ที่เกี่ยวข้องกับความสมบูรณ์ทางวิทยาศาสตร์:

การประดิษฐ์ข้อมูลหรือการตกแต่ง การขอให้ AI “สร้างจุดที่เหมาะสมกับ Yield มากขึ้น” หรือ “ทำให้กราฟดูน่าเชื่อถือมากขึ้น” ถือเป็นการฉ้อโกงข้อมูล ข้อมูลจะถูกรายงานตามที่เป็นอยู่ ค่าผิดปกติจะถูกกำจัดโดยมีเหตุผลที่ถูกต้องตามกฎหมายเท่านั้น

ความโปร่งใสของการบริจาค หากคุณเคยใช้ AI ในการศึกษา เช่น การเขียนโค้ด การแก้ไขภาษา การวิเคราะห์ การชี้แจงให้ชัดเจนในตำแหน่งที่เหมาะสมก็ยุติธรรมแล้ว วารสารและสถาบันหลายแห่งต้องการสิ่งนี้

ผู้เขียนและความรับผิดชอบ AI ไม่ใช่นักเขียน ไม่สามารถรับผิดชอบต่อเนื้อหาของงานได้ ความรับผิดชอบอยู่ที่ผู้เขียนที่เป็นมนุษย์เสมอ ข้อผิดพลาดที่เกิดจาก AI ไม่สามารถป้องกันได้ด้วยการพูดว่า "ยานพาหนะเป็นผู้สร้าง"

ความสามารถในการทำซ้ำ ผลลัพธ์ทางวิทยาศาสตร์จำเป็นต้องมีวิธีการ (รวมถึงโค้ดที่ใช้ พารามิเตอร์ ข้อความแจ้งของ AI) ที่ได้รับการบันทึกไว้อย่างชัดเจน เพื่อให้ผู้อื่นสามารถทำซ้ำได้

มินิเคสสามอัน

กรณีที่ 1 — ข้อมูลที่เป็นความลับรั่วไหล นักวิจัยรายหนึ่งวางข้อมูลการวัดจากข้อตกลงไม่เปิดเผยข้อมูลกับบริษัทหนึ่งลงในเครื่องมือ AI ทั่วไป “เพื่อดูกราฟอย่างรวดเร็ว” ต่อมาเขาตระหนักว่าเครื่องมือนี้สามารถจัดเก็บข้อมูลอินพุตได้ มีการละเมิดสัญญาและอาจสูญเสียลำดับความสำคัญได้เกิดขึ้น บทเรียน: ข้อมูลที่เป็นความลับจะไม่ถูกป้อนเข้าสู่เครื่องมือที่ไม่ได้รับการอนุมัติ

กรณีที่ 2 — การพิมพ์เพื่อความสวยงาม One student asked the AI ​​for an edit that would "make the data look closer to the theory" because the experimental data did not fully match the theory. ที่ปรึกษาของเขาสังเกตเห็นสิ่งนี้และหยุดเขาไว้ ความคลาดเคลื่อนหมายถึงข้อผิดพลาดอย่างเป็นระบบในการทดลองหรือฟิสิกส์ใหม่ที่น่าสนใจ—บางสิ่งที่ต้องตรวจสอบ ไม่ใช่ซ่อนเร้น มีการรายงานข้อมูลอย่างตรงไปตรงมาและพบข้อผิดพลาดอย่างเป็นระบบ

กรณีที่ 3 — ได้รับความโปร่งใส ทีมหนึ่งเขียนโค้ดการวิเคราะห์ข้อมูลสำหรับบทความโดยใช้ AI และระบุไว้อย่างชัดเจนในส่วนวิธีการ shared the code and prompts as additional files. ผู้ตัดสินตรวจสอบรหัสและแนะนำการแก้ไขเล็กน้อย ความโปร่งใสตรวจพบข้อผิดพลาดก่อนตีพิมพ์และเพิ่มความน่าเชื่อถือของการศึกษา

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) การตรวจคัดกรองอาการประสาทหลอน:

สแกนผลลัพธ์ทางฟิสิกส์ต่อไปนี้เพื่อดูอาการประสาทหลอน: มีค่าคงที่ปลอม ชื่อสูตร/กฎหมายปลอม ข้อผิดพลาดของหน่วย/ลำดับ ผลลัพธ์ตัวเลขที่ยังไม่ยืนยัน และการระบุแหล่งที่มาที่ยังไม่ยืนยันหรือไม่ ทำเครื่องหมายรายการที่น่าสงสัยแต่ละรายการและระบุวิธีการตรวจสอบ (ข้อมูลอ้างอิง รหัส DOI) ผลลัพธ์: [ที่นี่]

2) การตรวจสอบความเป็นส่วนตัวของข้อมูลล่วงหน้า:

ประเมินข้อมูล/ข้อความต่อไปนี้ก่อนป้อนลงในเครื่องมือ AI: ข้อมูลนี้มีข้อมูลที่ไม่ได้เผยแพร่ เป็นความลับ ส่วนบุคคล หรือได้รับการคุ้มครองตามสัญญาหรือไม่ ถ้าเป็นเช่นนั้น แนะนำวิธีที่ฉันสามารถปกปิดตัวตนหรือย่อให้เล็กสุดได้ หากไม่แน่ใจ ให้พูดว่า "ตรวจสอบนโยบายองค์กร" เนื้อหา: [ที่นี่]

3) ร่างคำชี้แจงเรื่องความโปร่งใส/การมีส่วนร่วม:

ในการศึกษาชิ้นหนึ่ง ฉันใช้ AI เพื่อ: [การเขียนโค้ด / การแก้ไขภาษา / การวิเคราะห์ ฯลฯ ] เขียนร่างสั้นๆ "คำชี้แจงการใช้ AI" ที่บันทึกสิ่งนี้อย่างตรงไปตรงมา นอกจากนี้ควรระบุด้วยว่าส่วนใดที่ได้รับการตรวจสอบโดยมนุษย์

4) การรับรองความสมบูรณ์ทางวิทยาศาสตร์:

ดำเนินการตรวจสอบความสมบูรณ์สำหรับการวิเคราะห์/ผลลัพธ์ต่อไปนี้: ข้อมูลที่รายงานตามสภาพที่เป็นอยู่ (ไม่มีการปรุงแต่ง), มีการรายงานความไม่แน่นอน, วิธีการได้รับการบันทึกไว้ในลักษณะที่สามารถทำซ้ำได้, การใช้ AI โปร่งใสหรือไม่ แสดงรายการข้อบกพร่องใด ๆ เนื้อหา: [ที่นี่]

พรอมต์อ่อน / พรอมต์แรง

จุดอ่อน: "แก้ไข Yield ให้เข้ากับทฤษฎีมากขึ้นและทำให้กราฟดูน่าเชื่อถือ"

ผลลัพธ์: การฉ้อโกงข้อมูล การละเมิดความสมบูรณ์ทางวิทยาศาสตร์โดยตรง การสูญเสียชื่อเสียงอย่างถาวร

แข็งแกร่ง: "ผลลัพธ์ไม่เห็นด้วยกับทฤษฎีอย่างสมบูรณ์ ช่วยฉันวิเคราะห์สาเหตุที่เป็นไปได้ของความคลาดเคลื่อนนี้ (ข้อผิดพลาดอย่างเป็นระบบ ความผันผวนทางสถิติ แบบจำลองที่หายไป หรือผลกระทบใหม่) แนะนำวิธีรายงานความคลาดเคลื่อนอย่างตรงไปตรงมาโดยไม่ต้องเปลี่ยนแปลงข้อมูล"

ผลลัพธ์: แนวทางที่ซื่อสัตย์ สืบสวน และซื่อสัตย์ต่อความสมบูรณ์ทางวิทยาศาสตร์ ความขัดแย้งกลายเป็นโอกาสในการค้นพบ

ข้อผิดพลาดทั่วไป

• ภาพหลอนที่สับสนกับความมั่นใจในตนเอง เพียงเพราะ AI พูดอย่างมั่นใจไม่ได้รับประกันความถูกต้อง แม้แต่ประโยคที่แม่นยำที่สุดก็อาจถูกประดิษฐ์ขึ้น
• การป้อนข้อมูลที่เป็นความลับเข้าไปในรถโดยไม่ได้รับการอนุมัติ เมื่อแชร์แล้ว จะไม่สามารถเรียกคืนข้อมูลได้ ลำดับความสำคัญและการรักษาความลับจะหายไป
• ข้อมูลที่สวยงาม Changing data to "fit theory" is one of the most serious scientific crimes.
• การซ่อนการใช้ AI ความโปร่งใสเป็นข้อกำหนดของความซื่อสัตย์และเป็นข้อบังคับในหลายสถาบัน
• มอบความรับผิดชอบให้กับตัวรถ “AI ทำได้” ไม่ใช่การป้องกัน ความรับผิดชอบสูงสุดอยู่ที่มนุษย์เสมอ

เคล็ดลับ: ในตอนท้ายของการศึกษาที่ขับเคลื่อนด้วย AI ทุกครั้ง ให้ถามตัวเองสามคำถาม: (1) ข้อเท็จจริง ตัวเลข และการระบุแหล่งที่มาทุกประการในผลลัพธ์นี้ได้รับการตรวจสอบอย่างเป็นอิสระหรือไม่ (2) ข้อมูลที่ฉันใช้มีข้อมูลที่เป็นความลับ/ส่วนบุคคลที่ฉันไม่ควรป้อนหรือไม่? (3) ฉันได้บันทึกการใช้งาน AI และวิธีการอย่างโปร่งใสเพียงพอให้ผู้อื่นทำซ้ำได้หรือไม่ หากคุณไม่สามารถตอบอย่างชัดเจนว่า "ใช่" สำหรับคำถามทั้งสามข้อนี้ แสดงว่าการศึกษายังไม่เสร็จสมบูรณ์

โดยสรุป

ความสมบูรณ์ทางวิทยาศาสตร์เป็นพื้นฐานของการดำรงอยู่ของฟิสิกส์ และมีความสำคัญยิ่งกว่าในยุคของ AI อาการประสาทหลอนปรากฏในฟิสิกส์ในรูปแบบของค่าคงที่เท็จ กฎเท็จ ข้อผิดพลาดของหน่วย ข้อสรุปที่เป็นเท็จ และการอ้างอิงที่เป็นเท็จ แต่ละอันจะถูกบันทึกด้วยวิธีการตรวจสอบที่เป็นเอกลักษณ์ของตัวเอง ข้อมูลลับและข้อมูลส่วนบุคคลจะไม่ถูกบันทึกลงในเครื่องมือที่ไม่ได้รับอนุญาต ข้อมูลไม่เคยได้รับการตกแต่งให้สวยงาม การใช้ AI ได้รับการบันทึกไว้อย่างโปร่งใส และความรับผิดชอบสูงสุดอยู่ที่มนุษย์เสมอ มีเพียงวินัยเดียวที่คุณเรียนรู้ตลอดโมดูลนี้: AI เป็นตัวเร่งความเร็วที่ทรงพลัง แต่การตรวจสอบ ความสมบูรณ์ และความรับผิดชอบนั้นตกอยู่บนไหล่ของนักฟิสิกส์ผู้มีความสามารถ นั่นก็คือคุณ เอาต์พุต AI ที่ไม่ผ่านการตรวจสอบไม่สามารถทดแทนการยืนยันของนักฟิสิกส์ได้

งานสมัคร

เลือกเอาต์พุต AI (บัญชี การวิเคราะห์ หรือข้อความ) ที่คุณสร้างในโมดูลนี้ 1. การคัดกรองภาพหลอนด้วยเทมเพลต: มีค่าคงที่จำลอง สูตรปลอม ข้อผิดพลาดของหน่วย หรือการระบุแหล่งที่มาที่ไม่ได้รับการยืนยันหรือไม่ ด้วยเทมเพลต 2 ให้ประเมินว่าข้อมูลที่คุณใช้เป็นมิตรกับความเป็นส่วนตัวหรือไม่ สุดท้าย ร่างคำชี้แจงการใช้งาน/ความโปร่งใสของ AI สั้นๆ ด้วยเทมเพลต 3 เขียนลงใน 5-6 ประโยค: การสแกนเผยให้เห็นอะไร คุณทำตามขั้นตอนการตรวจสอบอะไรบ้าง

รายการตรวจสอบ

• [ ] ฉันตรวจสอบค่าคงที่ สูตร และผลลัพธ์ทุกค่าอย่างอิสระ
• [ ] ฉันได้ตรวจสอบการอ้างอิงแต่ละรายการกับ DOI/แหล่งที่มาแล้ว
• [ ] ฉันได้ตรวจสอบแล้วว่าฉันไม่ได้ป้อนข้อมูลที่เป็นความลับ/ส่วนบุคคลลงในเครื่องมือโดยไม่ได้รับการอนุมัติ
• [ ] ฉันรายงานข้อมูลตามที่เป็นอยู่ โดยไม่มีการตกแต่งใดๆ
• [ ] ฉันได้บันทึกการใช้ AI ของฉันในลักษณะที่โปร่งใสและทำซ้ำได้
• [ ] ฉันยอมรับว่าความรับผิดชอบสูงสุดเป็นของฉัน ฉันไม่ได้ถือว่าความผิดใด ๆ กับยานพาหนะ

การสอบโมดูล

1. ข้อใดต่อไปนี้คือตำแหน่งปัญญาประดิษฐ์ที่แม่นยำที่สุดในวิชาฟิสิกส์

• ก) ปัญญาประดิษฐ์คือโค้ด ร่าง และผู้ช่วยแก้ไข ความรับผิดชอบต่อหน่วย อันดับ การตรวจสอบ และการตัดสินใจด้านจริยธรรมเป็นหน้าที่ของมนุษย์ ✔
• B) ปัญญาประดิษฐ์เป็นเครื่องคิดเลขและผลลัพธ์เชิงตัวเลขที่ได้รับนั้นแม่นยำเสมอ
• C) ปัญญาประดิษฐ์ใช้งานได้เฉพาะในการคำนวณเท่านั้น ไม่เกี่ยวข้องกับการวิเคราะห์และการสอนการทดลอง
• ง) เนื่องจากปัญญาประดิษฐ์มีความเป็นกลางมากกว่ามนุษย์ การตัดสินใจเรื่องหน่วยและผลลัพธ์จึงควรปล่อยให้เป็นหน้าที่ของมัน

คำอธิบาย: ปัญญาประดิษฐ์; เป็นผู้ช่วยที่เขียนโค้ด สร้างแบบร่าง สร้างและจัดระเบียบเฟรมเวิร์กการสืบทอด อย่างไรก็ตาม ความรับผิดชอบสูงสุดในการตรวจสอบหน่วยและลำดับของผลลัพธ์ การรับรองด้วยกฎหมายการอนุรักษ์ การยืนยันค่าคงที่และการอ้างอิงเป็นของนักฟิสิกส์ผู้มีความสามารถ โมเดลภาษาใหญ่ไม่ใช่เครื่องคิดเลขหรือกลไกทางฟิสิกส์ is a text generator that produces the 'next most likely word' and its unverified output may lead to an incorrect value, design or result.

2. การประมาณที่แม่นยำที่สุดสำหรับผลลัพธ์เชิงตัวเลขของโค้ดคำนวณที่คุณพิมพ์ลงในโมเดลภาษาขนาดใหญ่คืออะไร

• A) การเชื่อถือหมายเลขที่โมเดลบอกว่า 'โค้ดนี้ให้สิ่งนั้น' เพราะเขาเขียนโค้ด
• B) รันโค้ดด้วยตัวเองและดูผลลัพธ์ ✔ไม่ต้องอาศัยการทำนายตัวเลขด้วยวาจาของโมเดล
• C) การยอมรับโค้ดว่าถูกต้องเพียงแค่ดูจากวิธีการอ่านโดยไม่ต้องรันเลย
• D) หากถามผลลัพธ์โดยตรงไปยังโมเดลอีกครั้งและบอกหมายเลขเดิมถือว่าถูกต้อง

คำอธิบาย: LLM อาจ 'คำนวณ' ผลลัพธ์ของโค้ดที่เขาเขียนไว้ในหัวและส่งกลับตัวเลขที่ไม่ถูกต้อง ในขณะที่เมื่อรันโค้ดเดียวกันมันจะให้ผลลัพธ์ที่ถูกต้อง สิ่งที่กำหนดไว้คือโค้ดที่ถูกดำเนินการ ไม่ใช่การทำนายด้วยวาจาของแบบจำลอง ดังนั้นโค้ดควรถูกรันในสภาพแวดล้อมของคุณเองเสมอและควรเห็นผลลัพธ์

3. วิธีใดคือวิธีที่มีประสิทธิภาพที่สุดในการทดสอบว่าการจำลองระบบไดนามิกไร้แรงเสียดทานสะท้อนฟิสิกส์ได้อย่างแม่นยำหรือไม่

• A) การเห็นว่าแผนภูมิดูเรียบร้อยและน่าเชื่อถือ
• B) การรันการจำลองด้วยขั้นตอนเดียวและเชื่อถือผลลัพธ์
• ค) การติดตามปริมาณที่ต้องรักษาไว้ เช่น พลังงานทั้งหมดหรือโมเมนตัม และตรวจสอบว่าคงที่หรือไม่ ✔
• D) การประเมินการจำลองตามความเร็วของการจำลอง

คำอธิบาย: ในระบบไร้แรงเสียดทาน พลังงานทั้งหมด (และโมเมนตัม ถ้ามี) จะต้องได้รับการอนุรักษ์ไว้ การตรวจสอบขนาดนี้ตลอดการจำลองและดูว่าค่าคงที่หรือไม่ จะเผยให้เห็นข้อบกพร่องด้านตัวเลข (เช่น วิธีออยเลอร์แบบดั้งเดิมที่เพิ่มพลังงานอย่างต่อเนื่อง) หากพลังงานลอยไป การจำลองจะไม่น่าเชื่อถือ เพียงเพราะมันสร้างกราฟิกที่สวยงามไม่ได้หมายความว่ามันถูกต้อง

4. ข้อใดต่อไปนี้เป็นแนวทางที่ถูกต้องในการปรับแบบจำลองให้เข้ากับข้อมูลการทดลอง

• A) การเลือกพหุนามดีกรีที่สูงกว่าซึ่งเหมาะสมกับข้อมูลมากที่สุด เนื่องจากข้อมูลจะผ่านทุกจุด
• B) ให้พารามิเตอร์เป็นตัวเลขเดียวโดยไม่มีความคลุมเครือ
• C) การประกาศคุณภาพความพอดีง่ายๆโดยดูจากความสวยงามของเส้นโค้ง
• D) Selecting the model from physics, reporting the parameters with their uncertainties and evaluating the fit with the residuals ✔

คำอธิบาย: ควรเลือกแบบจำลองจากกฎฟิสิกส์ที่เหตุการณ์ต้องปฏิบัติตาม ไม่ใช่พิจารณาจากข้อมูลและสงสัยว่า 'แบบจำลองใดเหมาะสมที่สุด' ด้วยพารามิเตอร์อิสระที่เพียงพอ (เช่น พหุนามระดับสูง) ข้อมูลใดๆ ก็สามารถสร้างความพอดีที่ 'สมบูรณ์แบบ' แต่ไร้ความหมายทางกายภาพ (พอดีเกินพอดี) ได้ ควรรายงานพารามิเตอร์ด้วยความไม่แน่นอน คุณภาพของความพอดีควรได้รับการประเมินด้วยสิ่งตกค้าง และควรตรวจสอบความน่าเชื่อถือทางกายภาพ

5. การวัดซ้ำหลายๆ ครั้งจะช่วยลดความไม่แน่นอนประเภทใด

• A) ความไม่แน่นอนแบบสุ่ม; ความไม่แน่นอนอย่างเป็นระบบไม่ลดลงซ้ำๆ ต้องหาสาเหตุ และแก้ไข ✔
• B) ความไม่แน่นอนอย่างเป็นระบบ เพราะมันช่วยลดข้อผิดพลาดในการสอบเทียบใหม่
• C) กำจัดความคลุมเครือทั้งสองโดยสิ้นเชิง
• D) ไม่ลดจำนวนใด ๆ ลง; ความไม่แน่นอนไม่ขึ้นอยู่กับจำนวนการวัด

คำอธิบาย: การวัดซ้ำจะช่วยลดความไม่แน่นอนแบบสุ่ม (โดยมีข้อผิดพลาดมาตรฐานของค่าเฉลี่ย std/√N) ซึ่งเป็นผลมาจากการกระจายผลลัพธ์แบบสุ่ม ในทางกลับกัน ความไม่แน่นอนอย่างเป็นระบบคือข้อผิดพลาดที่เบี่ยงเบนไปในทิศทางเดียวกันเสมอ (เช่น เครื่องชั่งที่ปรับเทียบไม่ถูกต้อง) และไม่ลดลงเมื่อมีการทำซ้ำ อย่างไรก็ตามสามารถค้นหาสาเหตุและแก้ไขได้ การรายงานความไม่แน่นอน "น้อยมาก" ด้วยการวัดหลายครั้งอาจซ่อนข้อผิดพลาดที่เป็นระบบที่ซ่อนอยู่

6. วิธีใดที่เชื่อถือได้มากที่สุดในการตรวจสอบสูตรการแพร่กระจายข้อผิดพลาดที่ได้รับจาก AI

• ก) ใช้สูตรเพื่อให้ดูลื่นไหลและน่าเชื่อถือ
• B) การตรวจสอบข้ามด้วยการคำนวณแบบมอนติคาร์โล ซึ่งจะสุ่มตัวอย่างอินพุตด้วยความไม่แน่นอน ✔
• ค) ถามสูตรเดิมกับปัญญาประดิษฐ์อีกครั้งและคาดหวังว่าจะให้ผลลัพธ์เหมือนเดิม
• D) รวบรวมความไม่แน่นอนโดยตรงและเปรียบเทียบกับผลลัพธ์

คำอธิบาย: AI มักจะผสมค่าสัมประสิทธิ์อนุพันธ์บางส่วนและโครงสร้างรากที่สองในสูตรการแพร่กระจายข้อผิดพลาด วิธีที่มีประสิทธิภาพในการบรรลุเป้าหมายนี้อย่างอิสระคือการตรวจสอบข้ามมอนติคาร์โล โดยสุ่มสุ่มตัวอย่างแต่ละอินพุตด้วยความไม่แน่นอน คำนวณฟังก์ชันหลายพันครั้ง และเปรียบเทียบค่าเบี่ยงเบนมาตรฐานของเอาต์พุตกับความไม่แน่นอนที่กำหนดโดยสูตร การพบกันของสองวิธีอิสระช่วยเพิ่มความมั่นใจ

7. การแบ่งงานที่ถูกต้องระหว่าง AI และ SymPy ในที่มาอันยาวนานของฟิสิกส์เชิงสัญลักษณ์คืออะไร?

• A) SymPy สร้างแนวคิดของการได้มา ส่วน AI จะตรวจสอบแต่ละขั้นตอนอย่างแม่นยำ
• B) ทั้งสองอย่างไม่จำเป็น การอนุมานแบบยาวจะต้องดำเนินการด้วยตนเองเท่านั้น
• C) AI สร้างกรอบการทำงานของการสืบทอด SymPy ตรวจสอบแต่ละขั้นตอนพีชคณิตอย่างแม่นยำ✔
• ง) ปัญญาประดิษฐ์ทำการสืบค้นด้วยตัวเอง ไม่จำเป็นต้องตรวจสอบเพราะมันดูคล่อง

คำอธิบาย: AI วางกลยุทธ์ในการได้มาและอธิบายเส้นทาง แต่ในพีชคณิตแบบยาว AI จะทำให้เกิดข้อผิดพลาดในการลงชื่อ เงื่อนไขที่ Escape และทำให้เข้าใจง่ายไม่ถูกต้อง ในทางกลับกัน SymPy ทำงานตามกฎเกณฑ์และตรวจสอบแต่ละขั้นตอนพีชคณิตได้อย่างแม่นยำ ขั้นตอนการทำงานที่ทรงพลังที่สุดผสมผสานสองสิ่งนี้เข้าด้วยกัน: รับโครงกระดูกจาก AI, ​​แหล่งที่มาแต่ละขั้นตอนด้วย SymPy, ทดสอบผลลัพธ์ด้วยอนุพันธ์-อินทิกรัลผกผันและกรณีขอบเขต

8. การวิเคราะห์เชิงมิติบอกอะไรเกี่ยวกับความแม่นยำของสูตรทางกายภาพ

• A) การวิเคราะห์เชิงมิติจะพิสูจน์ได้อย่างแน่ชัดเสมอว่าสูตรนั้นถูกต้อง
• B) การวิเคราะห์มิติไม่มีคุณค่าเชิงปฏิบัติในวิชาฟิสิกส์
• C) การวิเคราะห์เชิงมิติจะให้เฉพาะปัจจัยคงที่ของสูตรเท่านั้น ไม่ใช่ความสอดคล้องกัน
• D) สูตรที่ไม่ได้ยึดตามมิติถือว่าผิดอย่างยิ่ง การวิเคราะห์มิติจับข้อผิดพลาดโดยไม่ต้องนับตัวเลข✔

คำอธิบาย: ด้านทั้งสองของสมการทางกายภาพจะต้องเท่ากันในมิติก่อนจึงจะเท่ากันในเชิงตัวเลข สูตรที่ไม่ได้ยึดถือมิตินั้นผิด นี่จับมาจากการคำนวณการนับ การวิเคราะห์มิติไม่ได้พิสูจน์อย่างแน่ชัดว่าสูตรนั้นถูกต้อง (อาจพลาดปัจจัยหรือมุมคงที่ที่ไม่มีมิติ) แต่พิสูจน์ได้อย่างแน่ชัดว่าสูตรนั้นไม่ถูกต้อง ดังนั้นจึงเป็นการตรวจสอบครั้งแรกและถูกที่สุดของทุกบัญชี

9. ขั้นตอนแรกที่สำคัญที่สุดในการคำนวณพลังงานจลน์ของวัตถุเคลื่อนที่ด้วยความเร็ว 36 กม./ชม. คืออะไร

• A) การแปลงอินพุตทั้งหมดให้เป็นระบบหน่วยเดียว (SI) แปลง 36 กม./ชม. เป็น 10 เมตร/วินาที ✔
• B) ใส่ความเร็วเป็น km/h ลงในสูตรโดยตรงโดยไม่ต้องแปลงเป็น m/s
• C) การคูณเฉพาะตัวเลขโดยไม่คำนึงถึงหน่วย
• D) สมมติว่าไม่จำเป็นต้องตรวจสอบลำดับหลังจากคำนวณผลลัพธ์แล้ว

คำอธิบาย: สูตรตาม SI (E = ½mv²) คาดหวังความเร็วเป็น m/s การสับสนระหว่างกิโลเมตรต่อชั่วโมงกับเมตรหรือชั่วโมงกับวินาทีในการคำนวณถือเป็นหนึ่งในข้อผิดพลาดที่พบบ่อยที่สุดในวิชาฟิสิกส์ ขั้นแรก ข้อมูลเข้าทั้งหมดจะต้องถูกแปลงเป็นระบบหน่วยเดียว (SI): 36 กม./ชม. = 10 ม./วินาที เนื่องจาก AI สามารถสร้างข้อผิดพลาดโดยไม่โต้ตอบในการแปลงหน่วยแบบผสมได้ การแปลงนี้จึงต้องได้รับการตรวจสอบด้วยตนเองหรือด้วยเครื่องมือที่รับรู้หน่วย

10. ข้อปฏิบัติใดถูกต้องในแง่ของ 'ความซื่อสัตย์' ในกราฟทางวิทยาศาสตร์?

• A) การซ่อนความไม่แน่นอนเนื่องจากแถบข้อผิดพลาดทำให้แผนภูมิเกะกะ
• B) ติดป้ายกำกับแกนด้วยหน่วย เลือกมาตราส่วนโดยไม่บิดเบือน และแสดงความไม่แน่นอนด้วยแถบข้อผิดพลาด ✔
• C) Always start the y-axis in the range that will show the most dramatic difference
• ง) ปล่อยแกนโดยไม่มีหน่วยเพราะผู้อ่านสามารถเดาหน่วยได้

Description: แผนภูมิทางวิทยาศาสตร์ที่ตรงไปตรงมา; โดยจะติดป้ายกำกับแกนด้วยขนาดและหน่วย เลือกสเกลอย่างมีสติและไม่มีการบิดเบือน (การเริ่มแกน y ให้ห่างจากศูนย์เนื่องจากการพูดเกินจริงอาจทำให้เข้าใจผิด) และทำให้มองเห็นความไม่แน่นอนในการวัดได้ด้วยแถบข้อผิดพลาด การซ่อนความไม่แน่นอนทำให้ข้อมูลดูเหมือนแน่นอน และสร้างความรู้สึกผิด ๆ เกี่ยวกับอคติหรือข้อตกลง ยิ่งกราฟิกดูน่าเชื่อถือมากเท่าใด การตรวจสอบความสมบูรณ์ก็มีความสำคัญมากขึ้นเท่านั้น

11. อะไรคือความเสี่ยงที่ใหญ่ที่สุดและมีวินัยที่ถูกต้องเมื่อได้รับการสนับสนุนจากปัญญาประดิษฐ์?

• ก) ปัญญาประดิษฐ์ทำให้เสียเวลาเพราะสร้างการอ้างอิงได้ช้ามาก
• B) แหล่งที่มาที่แนะนำโดยปัญญาประดิษฐ์นั้นมีอยู่จริงเสมอ ไม่จำเป็นต้องตรวจสอบ
• ค) ปัญญาประดิษฐ์สามารถสร้างการระบุแหล่งที่มาที่ดูเหมือนจริงแต่ไม่มีอยู่จริง การอ้างอิงแต่ละรายการจะต้องได้รับการตรวจสอบด้วย DOI/แหล่งที่มา และต้องค้นหาวรรณกรรมจากฐานข้อมูลจริง ✔
• D) การอ้างอิงที่จัดทำขึ้นนั้นสามารถจดจำได้ง่ายเนื่องจากใช้ชื่อวารสารที่ไม่เป็นจริงเสมอ

คำอธิบาย: โมเดลภาษาขนาดใหญ่ไม่ได้เชื่อมต่อกับฐานข้อมูลจริง ด้วยการเลียนแบบรูปแบบการอ้างอิง สามารถสร้างบทความที่มีชื่อวารสารจริง ผู้เขียนที่น่าเชื่อถือ และปีที่เหมาะสม แต่ไม่มีอยู่จริงเลย ดังนั้น ควรค้นหาวรรณกรรมจากฐานข้อมูลจริง ควรใช้ AI เพื่อสรุป/แปลข้อความจริงที่มีอยู่เท่านั้น และการอ้างอิงแต่ละรายการควรได้รับการตรวจสอบอย่างอิสระโดย DOI หรือชื่อเรื่อง การอ้างอิงที่ไม่ได้รับการยืนยันถือเป็นการละเมิดความซื่อสัตย์ทางวิชาการ

12. ต้องใช้อะไรบ้างจึงจะได้ผลลัพธ์ที่เชื่อถือได้เมื่อมี AI สรุปบทความ?

• A) แค่ตั้งชื่อบทความก็เพียงพอแล้ว โมเดลก็รู้เนื้อหา
• B) การใช้การสรุปโดยตรงโดยไม่ต้องตรวจสอบเลย เพราะมันดูลื่นไหล
• C) ขอให้แบบจำลองสรุปเหมือนกันสองครั้ง และยอมรับว่าถูกต้องหากคล้ายกัน
• D) มอบข้อความต้นฉบับให้กับโมเดลและเปรียบเทียบบทสรุปที่ผลิตกับข้อความต้นฉบับเพื่อตรวจสอบว่าไม่มีการเพิ่ม/บิดเบี้ยว ✔

คำอธิบาย: เพียงตั้งชื่อบทความให้ AI แล้วขอสรุป จะทำให้โมเดลเกิด 'บทสรุปที่น่าเชื่อถือ' โดยไม่เคยเห็นบทความเลย บทสรุปนี้อาจตรงกันข้ามกับความจริง ข้อมูลสรุปที่เชื่อถือได้สามารถรับได้ก็ต่อเมื่อมีการป้อนข้อความต้นฉบับให้กับโมเดล และสรุปที่สร้างขึ้นจะถูกนำไปเปรียบเทียบกับข้อความต้นฉบับ นอกจากนี้ควรตรวจสอบว่าการสรุปไม่ได้เพิ่มผลลัพธ์หรือตัวเลขที่ไม่ได้อยู่ในข้อความ

13. ข้อใดเป็นจริงสำหรับผลลัพธ์ของปัญญาประดิษฐ์ในการผลิตสื่อการเรียนการสอนวิชาฟิสิกส์?

• A) แต่ละวิธีแก้ปัญหาควรได้รับการตรวจสอบอย่างอิสระ ควรระบุขีดจำกัดของการเปรียบเทียบ และผู้เบี่ยงเบนความสนใจควรมุ่งเป้าไปที่ความเข้าใจผิดที่แท้จริง ✔
• B) รหัสคำตอบที่ปัญญาประดิษฐ์สร้างขึ้นนั้นถูกต้องเสมอ ไม่จำเป็นต้องตรวจสอบ
• C) การเปรียบเทียบนั้นสมบูรณ์แบบในทุกกรณี ไม่จำเป็นต้องระบุขีดจำกัดของมัน
• D) ผู้รบกวนควรเลือกแบบสุ่มอย่างสมบูรณ์ เนื่องจากลักษณะของตัวเลือกที่ไม่ถูกต้องนั้นไม่สำคัญ

คำอธิบาย: AI สร้างคำถาม ตัวอย่าง และการเปรียบเทียบได้อย่างรวดเร็ว แต่การตรวจสอบเป็นสิ่งสำคัญในสามประเด็น: การแก้ปัญหาแต่ละปัญหาต้องได้รับการตรวจสอบอย่างเป็นอิสระ (ด้วยมือหรือด้วยโค้ด) เนื่องจากแบบจำลองอาจทำให้เกิดข้อผิดพลาดในการลงนาม/หน่วยในโซลูชัน การเปรียบเทียบแต่ละครั้งจะต้องระบุตำแหน่งที่พัง ไม่เช่นนั้นจะทำให้เกิดข้อผิดพลาดใหม่ ผู้เบี่ยงเบนความสนใจควรมุ่งเป้าไปที่ความเข้าใจผิดที่แท้จริง ความรับผิดชอบอยู่ที่ครู รหัสคำตอบที่ไม่ถูกต้องจะทำให้นักเรียนเกิดความเข้าใจผิดที่แก้ไขได้ยาก

14. พฤติกรรมที่สอดคล้องกับความสมบูรณ์ทางวิทยาศาสตร์เมื่อข้อมูลการทดลองไม่สอดคล้องกับทฤษฎีอย่างสมบูรณ์จะเป็นอย่างไร?

• ก) การมีปัญญาประดิษฐ์จัดระเบียบข้อมูลให้เหมาะสมกับทฤษฎีและแสดงกราฟได้อย่างน่าเชื่อ
• B) ตรวจสอบสาเหตุของความคลาดเคลื่อน (ข้อผิดพลาดอย่างเป็นระบบ ขาดโมเดล ผลกระทบใหม่) และรายงานอย่างตรงไปตรงมาโดยไม่เปลี่ยนแปลงข้อมูล ✔
• C) เพิกเฉยต่อความขัดแย้งและรายงานเฉพาะประเด็นที่เหมาะสมเท่านั้น
• D) การลบข้อมูลและปรับผลการทดสอบใหม่ให้เหมาะสม

คำอธิบาย: การขอให้ AI 'จัดเรียงข้อมูลให้เหมาะสมกับทฤษฎีมากขึ้น' ถือเป็นการฉ้อโกงข้อมูลและเป็นการละเมิดความสมบูรณ์ทางวิทยาศาสตร์อย่างร้ายแรง ความขัดแย้งเป็นสิ่งที่ต้องตรวจสอบ ไม่ใช่ซ่อนเร้น: อาจบ่งบอกถึงข้อผิดพลาดที่เป็นระบบ ความผันผวนทางสถิติ การขาดรูปแบบ หรือผลกระทบใหม่ที่น่าสนใจ ข้อมูลถูกรายงานตามที่เป็นอยู่ด้วยความไม่แน่นอน ความรับผิดชอบสูงสุดอยู่ที่บุคคลนั้น และ 'เครื่องมือที่ทำ' ไม่ใช่การป้องกัน