收益：
- 能够将人工智能应用于概念图而不是资源目录的学科。
- 能够在独立目录中验证人工智能产生的每个印记并消除虚假来源
- 通过尽可能地与自己提供的真实文本进行综合，能够以最强烈和诚实的形式表达每种观点。
每一项哲学和伦理学研究都建立在文献的基础上。文献综述（通过查找和阅读以前的关键著作、文章和有关某个主题的讨论来绘制该领域的研究）是论文作者、审稿人或讲师准备课程的工作基础。如果不知道谁在某个问题上说了些什么、形成了哪些阵营以及争论的焦点，就不可能做出原创性的贡献。传统上，这项工作是一项又累又脏的工作，需要花费数周的时间。人工智能可以加速这种扫描的映射和合成——但在人类领域，这里存在一个非常特殊和危险的陷阱：虚假来源和虚假归因。
在本单元中，我们将看到如何自信地使用人工智能作为文学助手，如何消除虚构来源的最具破坏性的错误，以及如何诚实地综合不同的观点。
最大的危险：虚假来源
我们把它放在首位，因为它是在人类领域使用人工智能的头号祸根。当你告诉人工智能“列出有关该主题的关键文章”时，该模型通常会呈现真实文章和从未存在过的文章的混合体：真实作者姓名下的虚构文章、不在真实期刊中的卷/期、看起来正确的假 DOI 号码。这些看起来如此令人信服，即使是经验丰富的研究人员也无法第一眼辨别它们。论文或文章中的一次虚假引用可能会破坏整个作品的可信度并导致学术调查。
这是因为人工智能的工作原理：该模型不是“引文数据库”；它是一个“引文数据库”。它从文本模式中学习了“引文是什么样的”，并生成看起来逼真的引文，无论它是否真实。因此，YZ 提供的任何来源都必须经过独立目录（图书馆、同行评审数据库、出版社页面）逐字验证才能使用。
注意：人工智能生成的资源并不真实，因为它“看起来太现实”。作者姓名、期刊和年份可能很熟悉，但文章本身可能从未被写过。如果没有在 YZ 以外的可靠目录中找到每个来源并与其引文完全匹配，切勿使用每个来源。
正确的工作流程：先源，后合成
安全文献研究的顺序很重要。
1. 使用人工智能绘制地图，而不是目录。问人工智能“这场辩论的主要阵营是什么，哪些概念是核心，哪些区别是重要的？”问。这个概念图通常有效。但以“给我源列表”输出作为起点，而不是作为最终列表。
2. 根据单独的目录验证每个资源。在可靠的数据库中搜索YZ推荐的每一个作品。从列表中删除您找不到的资源。还要更正目录中现有来源的引文（作者、标题、年份、期刊、页码）。
3. 自己阅读资料，然后进行综合。最安全的综合是让AI对你提供的实际文本进行总结和比较。因此，人工智能不能从外部添加制造；它仅适用于您提供的实际文本。
4. 综合地诚实地表达观点。展现不同阵营的最强实力；不要讽刺某个观点。
提示：当你让人工智能做文献摘要时，指示它“只依赖我给你的文本，根据你自己的记忆添加作者或文章”。这在很大程度上消除了无关的幻觉，并将每个主张与您提供的文本联系起来。
三个迷你箱子
案例 1——捏造归因被抓。一名研究生向 AI 询问某个主题的“被引用次数最多的 8 篇文章”。学生在图书馆数据库中搜索了每一篇：8 个来源中的 3 个根本不存在——以真实作者名义编造的文章，看起来真实但不存在的文章。学生淘汰了这 3 个，并用真实的 ID 标签更正了剩下的 5 个。验证步骤防止了 3 次幽灵引用进入论文。
案例 2——根据文本，合成是安全的。一位讲师自己收集了 6 篇真实的 PDF 文章，让人工智能仅比较这些文本并创建主题表。输出在 30 分钟内准备就绪，并且不包含任何虚拟源，因为人工智能仅处理所提供的真实文本。讲师仍然将每个主题参考链接回相应的文章。
案例 3 — 矫正视力扭曲。一位研究人员让人工智能总结了两种对立的道德立场。人工智能以一种软弱和刻板的方式呈现了少数派的立场。当研究人员转向该立场最初支持者的文本时，他发现了更有力的论据并纠正了综合。人工智能将“大众视为强者，少数人视为弱者”的倾向已通过诚实的表现得到了平衡。
弱提示/强提示
弱提示：
给出关于该主题的 10 个最重要的来源及其摘要。
这个提示是一个假源工厂：人工智能从其内存中生成真实但假的标识符，并且您在验证之前信任该列表。
强力提示：
你的角色：细心的文献助理。我们将分两个阶段进行。第一阶段（地图）：画出本次讨论的主要阵营、中心概念和关键区别。不提供来源信用；只是给出一个概念图。第 2 阶段（综合）：我们将比较我上传给您的实际文本。只需依赖我提供的文本，不要凭记忆添加作者/文章。将每个声明链接到相关文本。主题：[在此处插入主题]
此要求可防止产生假印记；它从人工智能那里获取概念图，从你那里获取真实的资源。
四个可复制模板
1）概念图（无来源）：
确定[主题]辩论的主要阵营、每个阵营的中心主张以及各个阵营之间的主要区别点。来源引文/CITATION；给个概念图就可以了。如果您不确定，请将区别标记为“必须验证”。
2）给定文本的综合表：
下面我给大家带来N条真实的文字。仅基于这些；添加外部资源。将出现一个表格：行 = 比较主题，列 = 每个文本在该主题中的位置。引用每个单元格中相关文本的名称。文本：[粘贴文本]
3）来源验证清单制作：
对于下面来源列表中的每个引文，我需要验证的字段的单独目录中都会出现一个清单：作者、完整标题、年份、期刊/出版社、卷/期、页码、DOI。您验证来源的真实性；仅列出我将检查的区域。列表：[粘贴来源]
4) 诚实陈述控制：
在下面的综合中，检查每个位置是以其最强的形式还是以弱的漫画形式呈现。少数或不受欢迎的意见是否被不公平地削弱了？突出显示需要更公平代表的地方。合成：[粘贴文本]
来源信任级别表
来源从哪里来
信任级别
该怎么办
AI记忆产生的印记
太低
验证或丢弃完全在目录中
AI 总结您提供的文本
高
将声明链接回文本
同行评审的数据库/图书馆目录
高
按字面意思使用印记
出版商/杂志官方页面
高
直接可靠
常见错误
- 依靠AI的资源列表。最具破坏性的错误；每个印记必须经过独立目录的验证才能使用。
- “看起来很现实”测试。仅仅因为某个参考文献看起来令人信服，并不意味着它就是真实的。虚构的印记看起来同样可信。
- 未经验证即接受 DOI。人工智能可以生成假的但形式上看起来正确的 DOI；解析 DOI，看看您是否找到了真正的文章。
- 漫画化的观点。人工智能往往会呈现出弱势的少数地位；您提供诚实的代表。
- 不设置外部资源限制。要求综合而不说“只要依靠我给你的文本”就打开了外部捏造的大门。
总之
文献综述是哲学工作的基础，人工智能可以加速它——但人文学科中最危险的陷阱是伪造的来源和引文。安全路径很明确：使用人工智能制作概念图，而不是资源目录；根据独立数据库逐字验证每个印记；完成综合，最好使用您提供的实际文本；并诚实地代表每种观点最强烈的一面。 “看起来很现实”并不是一种验证。来源的完整性是您学术信誉的保证。
应用任务
- 使用“概念图”模板（无来源）从人工智能中提取某个主题的阵营。
- 还有AI产生6个资源标签。
- 在可靠的目录中一一搜索这6个标签；确定有多少是真的，有多少是假的。
- 亲自阅读 2 个真实的内容，并让 AI 创建一个综合表。
- 检查视图在综合中是否得到了公平的体现。
清单
- [ ] 我使用人工智能作为概念图，而不是作为资源目录。
- [ ] 我已经逐字验证了独立目录中的每个来源引用。
- [ ] 我从列表中删除了虚假来源。
- [ ] 我用我尽可能提供的真实文本进行了综合。
- [ ] 我将每个主张都链接回相关的实际文本。
- [ ] 我以最强烈和诚实的形式表达了每种观点。