在过去几十年中，基于证据的实践已经改变了医学、政策和科学。现在，人工智能正在改变基于证据的研究的可能性——既赋予新的能力，也带来新的风险，需要新的标准。
基于证据的研究意味着什么
基于证据的研究依赖于系统地收集和评估证据，而不是直觉、传统或权威。核心原则：
基于证据的原则
- •系统搜索：全面查找，而不仅仅是寻找确认现有信念的内容
- •批判性评估：评估每个来源的质量和可靠性
- •证据层级：根据证据的强度和相关性进行加权
- •透明推理：展示结论如何从证据中得出
人工智能如何改变游戏规则
人工智能为基于证据的研究带来了机遇和挑战：
新能力
- •快速处理大量文献
- •识别不同来源之间的模式
- •跨语言和领域翻译
- •从数据模式生成假设
- •总结复杂的技术内容
新风险
- •看似证据的幻觉
- •自信的推测呈现
- •用户看不见的训练偏见
- •难以区分主要和次要
- •失去来源可追溯性
新标准：多源人工智能研究
解决方案不是在基于证据的研究中避免使用人工智能——而是以保持基于证据原则的方式使用人工智能。多模型研究提供了一个框架：
多个独立来源
使用多个具有不同训练数据的模型，而不是一个人工智能模型作为单一来源。这与基于证据的原则寻求多样化来源相平行。
交叉验证作为批判性评估
让模型相互评估输出的功能类似于同行评审——不通过交叉模型审查的主张会被标记以供人工验证。
共识作为证据加权
多个独立模型之间的高共识提供比单一模型的高信心更强的证据。这在人工智能输出中创建了证据层级。
实用工作流程
以下是如何在人工智能辅助下进行基于证据的研究：
| 步骤 | 传统 | 人工智能增强 |
|---|---|---|
| 问题 | 定义研究问题 | 相同——人工智能并不取代这一点 |
| 搜索 | 数据库搜索，引用链 | 人工智能综合 + 传统搜索 |
| 评估 | 手动来源评估 | 多模型交叉验证 + 人工审查 |
| 综合 | 手动整合 | 人工智能辅助综合与共识指标 |
| 应用 | 人工判断 | 相同——人工智能提供信息但不做决定 |
关键原则
人工智能应该使基于证据的研究更快、更全面——而不是取代使其可靠的原则。使用人工智能来扩展你的影响力，但保持定义基于证据实践的系统搜索、批判性评估和透明推理的标准。
在人工智能时代，能够蓬勃发展的研究人员不会是那些为了速度而放弃基于证据原则的人。他们将是那些使用旨在保持这些原则的人工智能工具，同时增强人类能力的人。
常见问题
在人工智能时代，基于证据的研究原则仍然适用吗？
是的。该帖子认为系统搜索、批判性评估和透明推理仍然适用——人工智能改变了可能性，但并没有淘汰标准。
多模型人工智能研究如何保持基于证据的标准？
它直接映射到他们：多个来源、交叉验证作为同行评审，以及共识作为证据加权。
人工智能为基于证据的研究引入了哪些新风险？
这篇文章将人工智能视为既能启用新能力又会带来需要新标准的新风险，这就是它提出多源工作流程的原因。