基于证据的研究是一种方法论，它根据可验证的证据而非意见、直觉或权威来评估主张。在AI辅助研究的背景下，这意味着要求AI模型为主张提供支持证据，然后在多个独立模型之间交叉验证这些证据。Argumentree.AI通过查询多个AI模型来支持基于证据的研究，让每个模型构建带有支持推理的论点，然后让所有模型对每个论点的有效性进行评分。具有高交叉模型共识和可验证引用的主张更可能是基于证据的。
基于证据的研究要求对主张提供可验证的支持。AI可以帮助综合证据，但也可能产生虚假的引用。多模型验证可以捕捉单模型工具遗漏的不支持的主张。
基于证据的研究起源于医学（基于证据的医学），并已扩展到政策、教育、管理和其他领域。核心原则同样适用于AI辅助研究：
主张应可追溯到他人可以检查的来源
方法在重复时应产生一致的结果
推理链应可见，而不是黑箱
主张受益于独立专家的评估
某些证据类型（RCTs，荟萃分析）比其他类型更强
单模型AI研究在基于证据的工作中存在风险，因为幻觉在内部是不可检测的。多模型验证解决了这个问题：
并非所有主张都是基于证据的，这没关系。这个区别对解释很重要：
| 类型 | 示例 | 共识含义 |
|---|---|---|
| 基于证据 | "水在海平面下100°C沸腾" | 高共识 = 可能准确 |
| 基于意见 | "远程工作比办公室工作更好" | 分歧是预期的，而不是错误 |
| 混合 | "咖啡是健康的" | 存在证据但解释各异 |
同时查询多个AI模型以解决任何研究问题
每个模型对来自其他模型的每个论点进行评分
查看带有支持推理的利弊论点，而不仅仅是散文
当只有一个模型引用某个来源时，会标记以供验证
基于证据的研究是一种优先考虑可验证证据而非意见、直觉或权威的方法论。主张根据支持数据、同行评审的来源、逻辑推理和可重复性进行评估。在AI辅助研究中，这意味着要求AI引用来源并在多个模型之间交叉验证主张。
AI可以快速综合大量文献，识别相关研究，并为主张提供支持证据。然而，AI也可能产生虚假的引用。多模型AI研究通过交叉验证发现来解决这个问题——多个独立模型一致同意的主张更可能是基于证据的。
不能自动信任。已知单个AI模型会虚构引用、编造论文标题或将主张归因于不支持它们的来源。交叉模型验证通过比较模型之间的引用来帮助——如果只有一个模型引用某个来源，那就是一个红旗。人工验证在高风险研究中仍然至关重要。
基于证据的主张可以通过数据、研究或逻辑证明进行验证。基于意见的主张表达偏好、价值观或解释，合理的人可以对此有不同看法。AI共识对基于证据的主张更有意义——意见分歧是预期的，并不表示错误。
寻找：(1) 你可以验证的具体引用，(2) 多个独立AI模型之间的共识，(3) 你可以跟随的逻辑推理，以及(4) 与你领域内已知事实相符的主张。多模型研究平台显示哪些主张具有高共识，哪些是有争议的。