AI 生成研究摘要时如何避免夸大结论

AI 生成研究摘要时如何避免夸大结论

研究摘要的空间有限，最容易把“观察到关联”压成“证明有效”。大模型生成摘要时，应先把研究设计、样本范围、主要结果和不确定性提取出来，再检查每个动词是否越界。若只是单中心回顾性研究，不能写成适用于所有患者；若结果只见于动物实验，不能暗示临床可用。

一项研究发现风险下降，但绝对风险本来就很低。自动摘要若只写“下降三成”，读者可能误以为每三个人就有一人受益。模型应提示作者同时交代基线和绝对变化，必要时用“每一千人中约有多少人”的方式解释，并说明估计区间。对无法准确换算的研究，不要为了好懂而硬算。

作者应把自动摘要与论文正文逐句对照，特别检查分组人数、效应方向、统计区间、不良事件和负面结果。新闻稿版本还需另一次审查，因为面向公众的措辞更容易被引用传播。模型可提示“这里省略了重要限制”，但要由研究者决定怎样简明表达，而非把所有限定词删光。

另一种夸大来自删去副作用或失败结果。摘要字数有限，可以简写，却不能只留下有利指标。研究机构发布新闻稿时，请未参与项目的人依据全文独立审读，看标题是否超过正文、配图是否暗示已经进入临床。对模型生成的社交媒体短文同样把关，因为最短的版本往往传播最广。

摘要也要接受读者测试。给不参与研究的同事只看摘要，让他回答研究对象是谁、结论把握有多大、能否直接应用。如果多数人以为动物试验已经证明人体疗效，就必须改写。模型可提出更克制的替代句，但作者要守住核心发现，不把所有话写得含糊。清楚和谨慎可以同时做到。

写给公众的短摘要尤其要避开“突破”“治愈”等诱人的词，除非研究证据真的走到了那里。传播速度越快，克制越难，也越必要。

期刊可保留摘要生成与修改记录，观察哪些类型的夸大反复出现。对双语摘要，要分别核查，避免一个语言版本更肯定。若发表后发现误导，应更正摘要本身，不能仅在正文深处留一句解释。

错误发生后不要只更换网页文字，应记录原版本、通知转载渠道并解释改动。公众信任不是从“永不犯错”来，而是看研究者愿不愿意纠正自己说得过满的话。

摘要里每个肯定句都应能指向正文的证据，而不是指向作者期待的下一项研究。

好摘要让忙碌的读者快速抓住发现，也让他知道发现尚未回答什么。准确不是保守腔调，而是尊重研究真正走到的那一步。