收益：
- 能够通过考虑证据层次并区分相关性和因果关系来评估营养声明
- 能够识别人工智能的幻觉来源并验证主要来源的每个参考
- 能够使用人工智能不是寻找来源，而是质疑和批判性评估来源
营养科学发展迅速，新的研究不断发表。营养师的职业价值取决于他在大量证据中辨别真相、及时了解最新情况以及将自己的主张建立在坚实基础上的能力。与此同时，营养学也是伪科学最猖獗的领域之一：每周都会有新的“神奇食物”、“毒素”、“超级食物”说法流传。人工智能可以在两个方面提供帮助：它总结科学文本，简化复杂的研究，帮助您质疑某个主张的证据水平。但这就是人工智能最危险的陷阱所在：它可以捏造不存在的研究，发明来源，并将弱证据呈现为强有力的证据。本单元的原则：用AI来评估和质疑证据，而不是寻找证据；验证主要来源的每个来源和每个声明。
证据层次：并非所有研究都是平等的
在科学中，证据的力量形成了金字塔。功率从下到上递增：
证据级别
你什么意思？
电源
专家意见/轶事
个人经验，“这对我的一个朋友有用”
最弱的
案例系列
少数患者的观察
弱
观察性研究
监测人口（相关性）
中等
随机对照试验（RCT）
随机组实验（因果）
强
系统评价/荟萃分析
辛苦工作的综合总结
最强
了解这个层次结构至关重要；因为新闻中大多数“这种食物有那个作用”的说法实际上都是基于薄弱的观察研究。 “相关性”（两件事同时发生）不是“因果关系”（一件事导致另一件事）：观察到喝咖啡的人寿命更长并不能证明咖啡可以延长寿命。人工智能有时会模糊这种区别；你需要澄清一下。
AI的幻觉来源
语言模型最阴险的错误是它们捏造了实际上并不存在的科学研究、作者姓名、期刊名称和 DOI 号码。 AI可以用令人信服的句子告诉你，“根据2021年《营养杂志》上发表的一项研究……”；这项工作可能永远不会存在。因此，黄金法则是：未经主要来源（PubMed、Cochrane、原始期刊）确认，请勿使用 YZ 提供的任何来源。使用人工智能作为文献搜索引擎是一个职业错误。
注意：如果你告诉人工智能“列出支持这一点的研究”，你可能会得到令人信服但虚假的参考资料。正确用法：将真实研究的文本交给AI，并询问“总结一下/这项研究的局限性是什么？”就是问。你带来来源，人工智能解释它。
值得信赖的指导方针和科学共识
营养师不必为每个问题从头开始浏览文献；大多数临床情况都有国家和国际指南。指南是定期更新的共识文件，专家小组从中评估并得出大量研究；例如，土耳其营养指南（TÜBER）、世界卫生组织（WHO）的建议、糖尿病和心脏病协会的营养指南。在评估一项主张时，首先询问“当前指南对此有何看法？” ”比迷失在个别研究中更可靠；因为指南已经权衡了证据。在这里，您可以通过两种方式使用人工智能：总结指南的实际文本，或者质疑某个主张是否与指南中的普遍共识一致。但要小心：AI内存中的目录信息可能是旧的或混乱的；请务必向官方来源确认指南的最新版本以及确切的建议。在你说“科学是这么说的”之前，请从实际文件中验证该科学的当前共识。指南随着科学的变化而更新；三年前的建议今天可能已被修改。
正确使用人工智能评估证据
- 你把源码带来。查找实际的文章、摘要或指南；把它交给人工智能。
- 总结并简化。将复杂的文本翻译成可以理解的语言——但将声明与文本进行比较。
- 质疑限制。 “这项研究的方法论弱点是什么？”人工智能擅长提出关键问题。
- 将主张建立在证据水平上。让他们对主张所依据的证据级别进行分类。
- 从主要来源验证。验证每个问题、每个结果和每个来源与原始内容。
三个迷你箱子
案例 1 — 伪造源。在演示中，一位营养师告诉人工智能，“给出 3 项研究来证明间歇性禁食的好处。” AI 给出了三项研究、作者和年份。营养师在 PubMed 上搜索：三个中的两个根本不存在，一个是不同的主题。如果他将其包含在演示中，他的职业信誉就会被破坏。正确的做法是自己找到实际的汇编，让AI来总结。教训：人工智能发明资源；验证每个参考。
案例 2 — 相关因果陷阱。一篇新闻文章的标题是“早餐让你减肥”，基于一项观察性研究，其中“吃早餐的人更瘦”。有客户这样问。营养师让人工智能总结研究并质疑其局限性；事实证明，吃早餐的人通常生活更加积极和规律，这意味着这种关系不是因果关系。营养师向客户提供平衡的信息。教训：观察不是因果关系。
案例3——正确使用。一位营养师发现了最近对蛋白质需求的荟萃分析（真实的，来自 PubMed），但文本很长且技术性强。把它交给AI，问“主要发现、样本、约束条件和实际意义是什么？”他问道。 AI忠实地总结了文本。营养师通过与原始内容进行比较来验证总结，并根据自己的实践进行调整。 AI减轻阅读负担；来源和验证仍由营养师负责。
可复制的提示模板
研究摘要模板（您提供来源）以下是实际科学论文的文本/摘要。用以下标题总结这一点：研究问题、方法/设计、样本、主要发现、局限性、实际意义。不要添加文本中没有的任何内容；配件。文本：[...]
证据级别分类模板对于以下权利要求：“[权利要求]”。考虑该主张通常所依据的证据水平（轶事/观察/随机对照试验/荟萃分析）。说明是否存在相关性或因果关系。来源假货；只需分析该主张的证据强度即可。
关键调查模板列出以下研究摘要的方法学弱点和可能的偏差（样本量小、持续时间短、利益冲突、混杂因素）。不要夸大发现；平衡的批评。总结：[...]
声明现实检查模板客户听到以下声明：“[例如，排毒茶可以去除毒素]”。诚实地评估这一说法的科学依据：什么是已知的，什么是未知的，哪些部分是错误/夸大的。起草一份慎重的、不令人恐惧的解释告诉客户。来源捏造。
弱提示/强提示
弱提示：
列出证明生姜增强免疫力的研究。
这种愿望促使人工智能捏造消息来源，并通过询问一种方式（“证明者”）来产生偏见。虚假推荐到达。
强力提示：
您的角色：证据评估助理；来源假 平衡地评估“生姜增强免疫力”的说法：该说法通常基于什么级别的证据，证据是强还是弱，相关性还是因果关系？区分已知/未知。不要参考实际研究（我会从 PubMed 验证它们）；只需分析该主张的证据强度即可。
第二个提示禁止捏造消息来源，要求平衡（而不是片面）评估，并将验证留给人类；输出是一种安全的思考工具。
常见错误
- 将人工智能误认为文献搜索引擎：索要资源； AI 制作参考资料。
- 未确认来源：使用人工智能提供的工作，但未从主要来源进行验证。
- 将相关性误认为因果关系：将观察结果呈现为“这就是那”。
- 忽略证据水平：将轶事与荟萃分析等同起来。
- 片面提问：通过说“证明研究”来制造偏见；平衡问题。
- 忽略当前性：假设旧的/过时的信息是当前的；请参阅当前版本的指南。
综上所述
阅读证据并关注健康声明是营养师职业信誉的基础。人工智能是该领域强大的阅读和查询助手：它总结真实研究，提取约束条件，分析主张的证据水平。但人工智能伪造消息来源——这是它最危险的错误。始终携带来源并从主要来源进行验证；将相关性与因果关系分开；观察证据的层次结构；以平衡的方式质疑指控。 AI加速你的思考；但对科学、来源的准确性和声明的诚实性的责任由您承担。
应用任务
选择流行的营养声称（例如“碱性饮食平衡身体”或“深夜吃东西会让你体重增加”）。通过“索赔现实检查模板”从人工智能获得平衡评估。然后使用“证据级别分类模板”来确定主张所依据的证据级别。此外，故意向 AI 索要“来源列表”，并在 PubMed 中搜索它提供的参考文献之一；看看是不是真的。这个实验将体现源幻觉。
清单
- [ ] 我带了源码；我没有提及人工智能。
- [ ] 我从主要来源确认了 YZ 提供的每一个来源。
- [ ] 我区分了相关性和因果性。
- [ ] 我已根据证据层次对主张进行了分类。
- [ ] 我以一种平衡（而非片面）的方式质疑这些说法。
- [ ] 我检查了该信息与当前指南/汇编的兼容性。