收益：
- 能够使用人工智能作为研究过程的起始图，并将每个事实和引用与主要来源联系起来
- 能够识别伪造来源、虚假报价和虚假日期（幻觉）的风险并应用系统验证
- 能够在人工智能支持下编辑研究笔记、参考书目和事实清单，并保持文章的可靠性
优秀写作的无形支柱是研究。日期、统计数据、引用、科学发现——这些都体现了文本的可信度。一个错误的事实就可能毁掉整部作品的可信度。人工智能 (AI) 在研究过程中似乎非常有用：它为每个问题提供即时、流畅且自信的答案。但作者最危险的陷阱就在这里：人工智能可以产生实际上并不存在的来源、引用、日期和发现，就好像它们是真实的一样。我们可以用一句话来概括这个单元：人工智能可以是研究的起始地图，但它永远不可能是最终的资源。
幻觉：最隐秘的风险
幻觉是指人工智能以安全流畅的语言呈现不存在的信息。根据研究，最危险的形式是：
捏造来源：人工智能可以捏造实际上并不存在的书籍、文章或报告；此外，还有真实的作者姓名、年份和期刊信息。 “Yılmaz, A. (2019)。数字素养。传播杂志，14(2)。” - 听起来很真实，但可能不是。
虚假引言：人工智能可以将他们从未说过的引言归因于真人。给出一位著名作家的名字以及该作家从未说过的一句话。
错误的日期/数字：可能会给出错误的事件日期、统计数据、百分比；全部都用同样精确的语气。
混淆的事实：可能会混淆两个真实的事实并产生错误的组合（例如将一个人的陈述归因于另一个人）。
这些风险的共同点是：它们看起来都具有流动性且令人信服。流畅并不等于准确。唯一的保护是链接到主要来源的系统验证。
注意：询问人工智能“这个来源是真实的吗？”询问不是一种验证方法。人工智能还可以确认其编造的来源“是的，这是真实的”。验证是在人工智能之外的主要来源处完成的：打开期刊、书籍、数据库本身并找到它。
人工智能的合法研究作用
尽管存在所有这些警告，人工智能在研究中并非毫无价值。只是它的作用是有限的。合法用途：
起始图：确定从哪里开始主题、有哪些副标题以及需要研究哪些概念。这些是要寻找的事物的列表，而不是答案。
概念澄清：直接理解一个不熟悉的术语（然后从源头验证它）。
问题生成：“我应该问什么问题，我可能错过了什么？” AI擅长指出盲点。
编辑：对收集的（已验证的）笔记的参考书目进行总结、分类和格式化。
下表总结了人工智能在研究中的优点和缺点：
任务
人工智能适合吗？
注释
主题介绍图
是的
只提供方向，不提供答案
生成要搜索的问题
是的
显示盲点
提供来源/引文
不
可以弥补；从主要验证
导出历史/统计
不
可能是错误的；从源头购买
编辑已验证的注释
是的
你收集，AI 组织
系统验证流程
每个事实都有一个规则：寻找第一来源。主要来源是信息首次发布的地方：原始研究文章、官方统计机构、自己的书/访谈、原始文件。人工智能（甚至二次摘要）所说的是未经验证的“声明”，而不是“事实”。
验证流程：
- 标记：在您撰写时，用 [VERIFY] 标签标记每个事实、日期、引用和数字。
- 查找主要来源：自己打开每个标记项目的来源；有吗，内容与所说相符吗？
- 交叉检查：从至少两个独立可靠来源验证关键事实。
- 保存记录：记下每个已验证事实的来源；出版时，参考书目来自此注释。
您可以在此流程的编辑部分使用 AI：
背景：以下是我从主要来源收集和验证的注释，每个注释旁边都写有来源。任务：按主题对这些笔记进行分组，并为每组建议一个标题。请勿添加任何没有来源的声明；我未提供的事实、日期或引述都是假的。将缺少的部分标记为“此处缺少源”。
你也可以把人工智能当作“怀疑论者”：
任务：列出下面文本中需要验证的所有事实主张、日期、数字和引文。对于每一个，写下“应该验证什么类型的主要来源？”不要自己回答；仅显示验证列表。
一手、二手、三手来源
了解验证中的源层次结构可以使您的工作更加清晰。主要来源是直接产生信息的地方：原始研究文章、官方统计表、自己的书、法院判决、原始文件。次要来源是解释或传达主要来源的文本：新闻报道、评论、百科全书文章。第三来源是编译第二来源的摘要。 AI 的输出充其量就像是三级摘要；很多时候它甚至比那还要弱，因为它无法显现出它的来源，又可以弥补。规则：事实越关键，你应该越主要。二手资料可能足以营造小说的氛围；某人的健康声明、日期或声明需要主要来源。在金字塔底部的“我应该看哪里”层上使用人工智能，而不是在顶部的“这是事实”层上。
提示：在文本中放置未经验证的事实时，请在其旁边留下可见的 [VERIFY] 标签，并且不要提交包含任何带有此标签的句子的文本。标签是一个简单但挽救生命的习惯，它可以让被遗忘的事实变得可见，表明“我稍后会查看它们”。
三个迷你箱子
案例 1——假文章。一位作者写道，YZ 给出了“2020 年，媒体研究杂志，Demir 等人”。将来源直接放入参考书目中。有读者发现这样的文章并不存在。作者必须从头开始重新验证整个参考书目，从而产生了另外两个伪造的来源。教训：文章中没有包含未亲自找到的来源。
案例2——正确使用。一位记者用人工智能开始了一个复杂的话题：提取副标题和要问的问题。然后，他从官方统计机构和一对一的采访中收集了每一项事实；他只使用人工智能来编辑他验证过的笔记。文章写得又快又扎实；没有任何捏造的事实被通过。
案例 3 — 虚假报价。一位演讲者在演讲中引用了一位著名人工智能科学家的“鼓舞人心”的名言。诺言已兑现；听众中有人注意到了，演讲者的可信度受到损害。正确的做法：是验证自己书本/演讲中的引述。
弱提示/强提示
弱提示：
给我 5 个关于这个主题的学术资源和一个引用。
该提示邀请AI制造资源；输出看起来很真实，但可能无法验证。
强力提示：
您的角色：研究方向助理。主题：[主题]。任务：我需要研究这个主题的 6 个小标题，每个小标题需要问 2 个问题。另外，请引导我“我可以搜索哪些主要来源（官方统计数据、同行评审期刊、一对一访谈）？”只要告诉我去哪里看就可以了。
区别：人工智能被要求提供方向，而不是答案；造假之门已关闭，验证由作者本人承担。
常见错误
- 使用AI提供的资源而不进行验证。捏造的消息来源成为带有您签名的谎言。
- 问人工智能“这是真的”并相信它的答案。 AI也能证实自己的发明。
- 不验证自己来源的引用。虚假报价破坏了可信度。
- 对单一来源感到满意。关键事实需要至少从两个独立来源进行交叉检查。
- 将人工智能视为“最后的资源”而不是“起始地图”。 AI指明方向；主要来源给出了事实。
综上所述
在研究中，人工智能是一个强大的起始地图和组织者：提取副标题、生成问题、收集经过验证的笔记。但提供来源、报价、日期和统计数据的工作永远不能被信任；因为他可以令人信服地编造这一切（幻觉）。黄金法则：将每个事实与主要来源联系起来，交叉检查关键点，不要使用人工智能给出的任何来源而没有自己找到。人工智能告诉你该往哪里看；你决定你发现什么。
应用任务
选择一个主题。首先，使用“方向”模板（而不是来源）从人工智能获取副标题和问题。然后故意向人工智能询问来源/引用，并尝试验证该来源是否为主要来源：它是否真的存在，其内容是否与所说的相符？记下您的发现（有多少来源已得到验证，有多少来源未找到）。最后，使用“怀疑论者”模板制作您自己的文本的验证列表。
清单
- [ ] 我是否使用人工智能来生成方向和问题，而不是资源？
- [ ] 我是否用 [VERIFY] 标记了每个事实、日期、引用和数字？
- [ ] 我是否亲自在主要来源找到并验证了每个来源？
- [ ] 我是否对照至少两个独立来源交叉核对了关键事实？
- [ ] 我是否已通过个人自己的来源验证了报价？
- [ ] 我是否明确向人工智能给出了“来源/引文捏造”规则？