شما باید هر ارجاع تولیدشده توسط هوش مصنوعی را به‌صورت مستقل راستی‌آزمایی کنید تا از وجود منبع و اینکه محتوای آن واقعاً از ادعای خاصی که به آن ارجاع داده شده پشتیبانی می‌کند، مطمئن شوید. به خروجی مدل اعتماد نکنید؛ هر ارجاع را مانند فرضیه‌ای در نظر بگیرید که نیاز به آزمون دقیق در برابر فراداده‌های کتاب‌شناختی خارجی و متن اصلی دارد.
الگوهای شکست خاص در تولید ارجاع توسط هوش مصنوعی
مدل‌های زبانی بزرگ اغلب ارجاعاتی تولید می‌کنند که ظاهراً معقول به نظر می‌رسند اما از نظر ساختاری نادرست هستند. این خطاها عموماً در سه دسته قرار می‌گیرند:
- عناوین توهمی. مدل عنوانی را می‌سازد که از نظر آکادمیک مناسب به نظر می‌رسد اما وجود خارجی ندارد. ممکن است عنوان ترکیبی از مفاهیم واقعی از رشته‌های مختلف باشد که عبارتی منطقی اما بدون سابقه انتشار ایجاد کند.
- نویسندگان ناهماهنگ. عنوان یا موضوع واقعی است، اما فهرست نویسندگان اشتباه است. مدل ممکن است مقاله‌ای را به پژوهشگری مشهور در آن حوزه نسبت دهد که آن را ننوشته است، یا نام کوچک و نام خانوادگی را جابه‌جا کند. همچنین ممکن است نویسندگان همکار را برای مستحکم‌تر نشان دادن ارجاع اختراع کند.
- سال و فراداده‌های نادرست. سال انتشار، شماره جلد، محدوده صفحات یا DOI ممکن است ساختگی باشند. یک خطای رایج، نسبت دادن سال اخیر به یک اثر بنیادین قدیمی، یا پیوست کردن DOIای است که به مقاله‌ای کاملاً متفاوت منتهی می‌شود.
این خطاها خطرناک هستند زیرا اغلب ظریف‌اند. خواننده ممکن است به ارجاعی نگاه سریع بیندازد، موضوع را بشناسد و بدون بررسی جزئیات، فرض کند که ارجاع معتبر است.
گردش کار راستی‌آزمایی گام‌به‌گام
برای بررسی سیستماتیک یک ارجاع، این توالی را دنبال کنید. ابتدا باید وجود منبع و سپس میزان پشتیبانی آن را راستی‌آزمایی کنید.
1. فراداده‌ها را جدا کنید. جزئیات کامل ارجاع (نویسندگان، عنوان، سال، منبع، و DOI در صورت وجود) را از پیش‌نویس خود کپی کنید.
2. وجود را از طریق DOI یا رجیستری بررسی کنید. اگر DOI ارائه شده است، از Crossref برای پرس‌وجوی رجیستری DOI استفاده کنید. تأیید کنید که DOI به یک رکورد واقعی منتهی می‌شود و فراداده‌ها دقیقاً با ارجاع شما مطابقت دارند. اگر DOI ارائه نشده است، یا اگر در حال بررسی یک کتاب یا فصل هستید، از OpenAlex برای جستجوی ترکیب عنوان و نویسنده استفاده کنید. بررسی کنید که آیا رکورد مطابق در شاخص علمی باز وجود دارد یا خیر.
3. با یک پایگاه داده ثانویه تطبیق دهید. از Google Scholar برای جستجوی عنوان استفاده کنید. به دنبال نمونه‌های متعدد از ارجاع بگردید. اگر مقاله وجود دارد، باید آن را در ارجاعات سایر پژوهشگران مشاهده کنید. چکیده را بررسی کنید تا مطمئن شوید موضوع همخوانی دارد. برای ارجاعات زیست‌پزشکی، از PubMed برای تأیید وجود مقاله در پایگاه داده علوم زیستی و مرور چکیده استفاده کنید. برای پوشش گسترده‌تر، به‌ویژه اگر به اشتراک‌های نهادی دسترسی دارید، از Scopus برای تأیید وجود مقاله و زمینه آن استفاده کنید.
4. پشتیبانی از ادعا را بررسی کنید. این مهم‌ترین مرحله است. به متن کامل یا چکیده منبع تأییدشده دسترسی پیدا کنید. بخش خاصی که ادعا در آن مطرح شده است را بخوانید. بپرسید: آیا این منبع واقعاً این استدلال را مطرح می‌کند؟ آیا داده یا نظریه‌ای که پیش‌نویس شما به آن اشاره دارد را ارائه می‌دهد؟ اگر منبع فقط به‌طور گذرا به موضوع اشاره کرده یا استدلال مخالف را مطرح می‌کند، ارجاع برای هدف شما نامعتبر است.
5. مرجع تأییدشده را ثبت کنید. پس از تأیید، رکورد را در Zotero یا Mendeley ذخیره کنید. این ابزارها به شما امکان می‌دهند فراداده‌های تأییدشده را ذخیره کنید. با مقایسه ارجاع تولیدشده توسط هوش مصنوعی با رکوردهای ذخیره‌شده و تأییدشده خود، یک کتابخانه محلی از حقیقت ایجاد می‌کنید که از خطاهای آینده جلوگیری می‌کند.
نشانه‌های هشداردهنده که حاکی از ارجاع ساختگی هستند
به الگوهای زیر مشکوک باشید:
- عنوان‌های کاملاً عمومی. عنوان‌هایی که از نظر دستوری صحیح هستند اما ظرافت‌های خاص زبان آکادمیک واقعی را ندارند.
- شناسه‌های DOI غیرقابل حل. شناسه‌هایی که از قالب پیروی می‌کنند اما باز نمی‌شوند، یا به صفحه اصلی ناشر هدایت می‌شوند نه به یک مقاله مشخص.
- فهرست‌های نویسنده بسیار بلند یا بسیار کوتاه. در اکثر رشته‌ها، مقالات واقعی دارای تعداد مشخصی از نویسندگان هستند. فهرستی با 15 نویسنده برای یک مقاله نظری، یا تک‌نویسنده بودن برای یک مطالعه تجربی گسترده، ممکن است نشانه ساختگی بودن باشد.
- خطاهای گرد کردن در تاریخ‌ها. اگر هوش مصنوعی مقاله‌ای را از سال "2024" نقل کند اما یافته‌هایی را توصیف نماید که نیازمند یک دهه داده طولی است، احتمالاً تاریخ نادرست است.
- توهم "اطمینان". اگر هوش مصنوعی نقل‌قول را با اطمینان بالا و بدون تردید ارائه دهد، باید بیشتر محتاط باشید، نه کمتر. مدل‌ها اغلب زمانی که در حال توهم‌زایی هستند، بیشترین اطمینان را دارند.
ساختاردهی به پرامپت‌ها برای کاهش خطاهای ارجاع‌دهی
می‌توانید با محدود کردن خروجی هوش مصنوعی در مرحله پیش‌نویس، احتمال وقوع خطاها را کاهش دهید.
- خواستن فراداده‌های کتاب‌شناختی دقیق. به جای درخواست "مقالات مرتبط"، درخواست "سه مقاله منتشرشده پس از سال 2020 همراه با شناسه DOI" را مطرح کنید. اگر شناسه DOI نخواهید، مدل احتمالاً عنوان‌های جعلی تولید خواهد کرد.
- محدود کردن دامنه. برای یک ادعای بسیار محدود ارجاع بخواهید، نه برای یک موضوع کلی. هرچه ادعه محدودتر باشد، احتمال انحراف مدل به سمت توهم کمتر است.
- درخواست نشانه‌های راستی‌آزمایی. از مدل بخواهید جمله اول چکیده یا نتیجه‌گیری خاص مقاله را بیان کند. اگر نتواند قطعه‌ای منسجم ارائه دهد، احتمالاً منبع را اختراع کرده است.
- استفاده از بررسی تکراری. فهرستی از پنج ارجاع برای یک ادعا تولید کنید. دو مورد از آن‌ها را راستی‌آزمایی کنید. اگر هر دو جعلی بودند، کل فهرست را دور بیندازید. اگر هر دو واقعی بودند، سه مورد باقی‌مانده را بررسی کنید. این روش نمونه‌گیری ضمن حفظ دقت بالا، در زمان صرفه‌جویی می‌کند.
The Academic AI Writing Guide
The reader will be able to integrate AI tools into their academic writing workflow while maintaining scholarly integrity and producing higher-quality drafts.
Get it — $29