收益：
- 能够解释为什么幻觉（捏造的来源、引用、事件）和时代错误是历史上最危险的错误
- 能够应用验证目录中每个参考文献、将内容与文档进行比较以及交叉确认关键事实的能力。
- 能够通过询问人工智能去哪里而不是真正的来源来质疑来源中的偏见和缺失的声音
该模块的每个单元都重复了一个警告：在得到验证之前，人工智能的输出只是一个声明，而不是事实。该单位将这种警告转变为纪律。历史和档案本质上是基于证据的领域；历史学家最基本的技能是资料来源批评（质疑资料来源是由谁、何时、出于什么目的制作的，以及它的可靠性如何）。在人工智能时代，这项技能变得更加重要，因为来源本身现在可能是伪造的。
在这里，我们将深入讨论三种危险：幻觉（人工智能产生捏造的信息、来源或引述）、时代错误（期刊元素被移动到错误的时期）以及一般来源验证的纪律。我们还将看到人工智能从过去不准确或有偏见的来源中学习，因此它可以重现偏见。
幻觉：最危险的错误
幻觉是指人工智能自信地呈现实际不存在的东西。从历史上看，它最常见的形式有以下几种：
- 捏造的来源/参考：不存在的档案基金、文件编号、书籍或文章。
- 虚构的引用：实际上没有说过的单词，文档中没有的句子。
- 虚构的事件/日期/人：未发生的事件、虚假的日期、不存在的人。
- 虚构联系：两个真实事件之间不存在的因果关系。
幻觉之所以危险，是因为它看起来很可信。虚构的参考资料与真实的参考资料具有相同的格式：基金名称、编号、日期。所以“格式看起来正确”绝不意味着“正确”。
注意：YZ生产的任何资源都必须经过验证并在目录或可靠的地方找到才能使用。证明参考文献存在的唯一方法是在原始来源所在的位置（档案目录、图书馆、出版物）查看它。 “人工智能给了它”并不是证据。
时代错误：那个时期的眼镜
时代错误是指通过今天的眼镜来看待过去。由于人工智能是用当今的语言进行训练的，因此它有很强的倾向：
- 术语不合时宜：使用不属于该时期的词语、机构或概念。
- 概念不合时宜：将现在的想法（例如现代意识形态或身份）投射到过去。
- 价值不合时宜：仅用今天的标准来判断过去的行为。
历史学家的工作是在其背景下理解过去。人工智能缺乏这种上下文敏感性；您必须自己提供。
了解幻觉为何如此频繁地发生可以更容易地预防幻觉。人工智能是一个能够产生“下一个最可能的单词”的系统；它没有“了解真相”之类的目的。当被问到一个问题时，无论他是否知道答案，他都会给出看起来在统计上令人信服的文本。档案参考的格式（基金名称、编号、日期）是一种习得的模式；人工智能可以在没有真实参考的情况下填补这一模式。那么“为什么人工智能会弥补呢？”问题的答案很简单：对他来说，弥补比“不知道”更容易。您有责任用真正的资源填充这些模具。
来源验证纪律：循序渐进
1. 验证资源是否存在。在目录/出版物中查找 AI 给出的所有参考文献。如果找不到它，请不要使用它。
2. 将内容与来源进行比较。 AI赋予文档的信息是否真的存在于文档中？报价完全一样吗？
3. 交叉确认。对于一个关键事实，请至少查看两个独立的可靠来源。
4. 应用来源批评。消息来源本身可靠吗？谁、何时、出于什么目的制造了它？是否有偏见？
5. 将其通过时代错误过滤器。是否有任何术语、概念或价值判断与输出中的时期不符？
6.质疑偏见。人工智能能否重现历史资料中的偏见（忽略某一群体，偏向某一观点）？
认证层
问题
谁做的
实体
这个资源真的存在吗？
目录中的你。
内容
文件里真的这么说吗？
文档中的你
确认
有其他来源支持吗？
你，十字
可靠性
消息来源可靠吗？
专家判断
期间
有什么不合时宜的地方吗？
专家判断
偏见
谁的声音缺失/失真？
专家判断
三个迷你箱子
案例 1——六个伪造的参考资料。一名研究人员向人工智能询问某个主题的来源列表。 YZ 提供了 6 个格式完美的存档参考。经目录查找，6件中有4件失踪，其中2件编号错误。如果研究人员没有进行验证，就会出现一项引用不存在来源的研究。教训：目录中的每个参考文献都经过验证。
案例 2 — 虚构的报价。作家会使用人工智能归因于历史人物的引人注目的引言。当他调查消息来源时，他发现没有任何文件证明该人说过这样的话，而且这种说法是人工智能“编造”的。教训：未经主要或可靠来源验证，不得使用报价。
案例 3——偏见的再现。一名学生让人工智能解释一个地区的历史。输出完全忽略了该地区的特定社区，因为人工智能学习的来源也忽略了它们。学生注意到并通过交叉引用纠正了这个差距。教训：人工智能再现了消息来源中的沉默和偏见；人们必须问谁的声音消失了。
四个可复制模板
1）参考验证清单：
以下文本中的所有来源、参考文献、引用、日期和人名均显示在单独的列表中。为每个内容添加注释：“本文中声称的内容必须经过独立验证。”如果不选择，则“验证”；只需生成一个列表进行验证，以便我可以从目录/源中检查它。文本：[此处]
2）时代错误扫描：
检查下面有关[期间]的文字。突出显示可能不属于这一时期的术语、机构、概念和价值观。对于每一个，请简要写下您怀疑的原因。做出最终判断；创建一份可疑清单供专家检查。文本：[此处]
3）来源批评框架：
来源批评是针对以下来源起草的：（1）谁可能制作它，（2）何时，（3）出于什么目的，（4）它可能的偏见是什么，（5）哪些问题应该被信任，哪些问题应该谨慎。作出最终判决；提供问题和可能的答案选项。来源：[此处]
4) 缺少音量/偏置控制：
在下面的历史总结中，谁的声音和哪一个群体的经验可能被遗漏或片面？哪种观点占主导地位，哪种观点不可见？将其作为问题清单生成；我将用交叉引用来填充它。摘要：[此处]
弱提示/强提示
弱：
给我关于这个主题的可靠历史资料和引述。
当询问“来源”和“引用”时，人工智能很容易产生形式正确但内容捏造的参考文献。这个提示是直接引发幻觉。
强：
建议我在这个主题的研究中应该寻找什么样的来源（档案基金类型、出版物类型、机构）。适合特定的参考、文件编号或报价；只要告诉我去哪里看就可以了。然后我会从目录中找到真正的来源。
区别：AI要求的是“往哪里看”，而不是“实际参考”；产生幻觉的风险大大降低，验证工作留给人类。
常见错误
- 依赖正确的参考。虚构的参考也显得完美无缺；必须在目录中进行验证。
- 直接引用AI的话。未经主要/可靠来源确认，不得使用报价。
- 忽视不合时宜的情况。今天的术语和概念悄然渗透到了过去。
- 再现偏见。人工智能从来源处复制沉默；有必要询问缺失的声音。
- 依赖单一来源。关键事实必须得到至少两个独立消息来源的证实。
综上所述
来源验证是历史和归档的核心，在人工智能时代更加重要。幻觉产生的来源、引用和事件，其形式是完美的，但其内容是虚构的；时代错误通过今天的视角扭曲了过去；人工智能会重现来源的偏见。辩护是一门学科：验证目录中的每个参考文献，将内容与文档进行比较，交叉检查关键事实，过滤时期和偏见。询问人工智能“在哪里寻找”，而不是“实际来源”。真理的守护者永远是专家。
应用任务
让人工智能针对您正在研究的主题生成一份资源列表（故意使用“弱提示”）。然后使用“引用验证列表”模板从此输出中提取所有引用，并在目录中搜索每个引用。计算一下有多少是真实存在的，有多少是编造的或不准确的。用“强烈提示”（“我应该看哪里”）重复同一主题并体验差异。
清单
- [ ] 我验证了目录/可信来源中的每个参考文献。
- [ ] 我已通过主要/可靠来源验证了每条报价。
- [ ] 我已经与至少两个独立来源交叉核对了关键事实。
- [ ] 我过滤了输出中的不合时宜的内容。
- [ ] 我质疑缺失/扭曲的声音和偏见。