Anchoring Bias in AI: Ensuring Accuracy and Integrity in Research
Notice bibliographique
Résumé
Researchers can use artificial intelligence tools to streamline and enhance many steps in the research process. AI can quickly and efficiently curate research questions, identify relevant studies, synthesize prior research and identify gaps, gather and analyze data, and compose research findings and conclusions. Despite AI’s impressive capabilities, its responses are not necessarily accurate, complete, or free from bias. This presentation explores the ethics of responsible use of AI in research through the lenses of accuracy, honesty, and anchoring bias. Anchoring bias refers to a person’s tendency to over-rely on initial pieces of information that they receive, potentially discounting or ignoring other information that could confirm or disconfirm the veracity of the initial information. To mitigate this bias, researchers should think critically about AI-generated outputs, rather than over-relying on the first information they receive. This presentation provides researchers with strategies to mitigate the anchoring effect when they use AI in various stages of research: understanding AI’s limitations, nurturing awareness of anchoring bias, asking critical thinking questions to evaluate the accuracy of AI outputs, and employing other strategies to verify the accuracy and reliability of AI outputs. While AI can be a valuable research tool, researchers should remain ethically responsible for the rigor of their research methods and the veracity of the findings they report.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,628 | 0,804 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,013 | 0,075 |
| Communication savante | 0,038 | 0,033 |
| Science ouverte | 0,008 | 0,025 |
| Intégrité de la recherche | 0,016 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».