Việc sử dụng các công cụ AI để viết phần “Các công trình liên quan” (Related Works) hoặc “Tổng quan tài liệu” (Literature Review) trong một bài báo nghiên cứu tiềm ẩn nhiều vấn đề nghiêm trọng có thể làm suy yếu chất lượng, tính liêm chính và độ tin cậy của công trình. Mặc dù AI có thể là một trợ lý hữu ích cho các tác vụ khác, việc áp dụng nó vào lĩnh vực này đặc biệt rủi ro.
Dưới đây là một số vấn đề lớn mà tôi đã gặp phải, được phân loại để làm rõ.
1. Độ chính xác và Tính toàn vẹn của Dữ kiện
Đây là lĩnh vực thất bại nghiêm trọng nhất, bao gồm mọi thứ từ bịa đặt hoàn toàn đến các sai sót học thuật tinh vi nhưng nghiêm trọng.
Sai lệch dữ kiện và “Ảo giác” (Hallucinations): Các mô hình ngôn ngữ AI có thể tạo ra văn bản nghe có vẻ hợp lý nhưng lại sai sự thật. Điều này có thể biểu hiện như sau:
- Bịa ra bài báo: Tạo ra các trích dẫn cho những bài báo không tồn tại.
- Trình bày sai lệch kết quả: Tóm tắt sai phương pháp luận, kết quả hoặc kết luận của một nghiên cứu.
- Trích dẫn không chính xác: Tạo ra các trích dẫn sai tác giả, năm, tạp chí hoặc mã DOI.
Ghi nhận sai tác giả của Công trình nền tảng (Foundational Work): Một phần tổng quan tài liệu đúng chuẩn phải truy vết được nguồn gốc của các ý tưởng. Các mô hình AI, thường bị thiên vị bởi dữ liệu mới hơn trong tập huấn luyện của chúng, thường xuyên thất bại trong việc này.
- Vấn đề: AI có thể trích dẫn một bài báo gần đây tinh chỉnh hoặc áp dụng một ý tưởng, thay vì trích dẫn bài báo gốc, khởi nguồn đã giới thiệu ý tưởng đó. Đây là một lỗi lớn trong việc ghi nhận công lao học thuật.
- Ví dụ: Giả sử “Thuật toán X” (Algorithm X) được giới thiệu trong một bài báo nền tảng, Bài báo Y (Paper Y), vào năm 2015. Một AI được giao nhiệm vụ thảo luận về “Thuật toán X” có thể ưu tiên một bài báo năm 2025, Bài báo Z (Paper Z), vốn chỉ trình bày một sửa đổi nhỏ. Khi đó, văn bản do AI tạo ra sẽ ghi nhận sai lầm rằng Bài báo Z đã đưa ra khái niệm cốt lõi, làm lu mờ nguồn gốc thực sự và không ghi công cho công trình tiên phong của Bài báo Y.
Lỗi trích dẫn bắc cầu và Đánh đồng khái niệm: Đây là một vấn đề tinh vi nhưng phổ biến, khi AI không hiểu được cấu trúc trích dẫn trong một bài báo.
- Vấn đề: Một AI đọc Bài báo A (Paper A). Trong phần “Các công trình liên quan” của Bài báo A, các tác giả thảo luận về một ý tưởng từ Bài báo B (Paper B). AI thiếu khả năng truy vết điều này và ghi nhận sai lầm ý tưởng từ Bài báo B cho các tác giả của Bài báo A. Nó còn có thể đi xa hơn và gộp ý tưởng bị ghi nhận sai này với phương pháp luận thực tế của Bài báo A, tạo ra một mô tả về một công trình không hề tồn tại trong bất kỳ bài báo nào.
- Ví dụ: Một AI đang tóm tắt Bài báo A. Trong phần tổng quan tài liệu, Bài báo A viết, “Công trình của chúng tôi được xây dựng dựa trên ‘tốc độ học tập theo chu kỳ’ (cyclic learning rate) được đề xuất trong Bài báo B.” AI có thể báo cáo sai rằng Bài báo A đã phát triển ‘tốc độ học tập theo chu kỳ’. Tệ hơn nữa, nó có thể kết hợp điều này với phần phương pháp của chính Bài báo A để tạo ra một câu như, “Bài báo A đã giới thiệu ‘tốc độ học tập theo chu kỳ’ và áp dụng nó vào phân tích hình ảnh vệ tinh,” một nhận định hoàn toàn bịa đặt và trình bày sai lệch cả hai bài báo.
Trích dẫn trùng lặp và thiếu chuyên nghiệp: Hệ sinh thái xuất bản học thuật có nhiều phiên bản của cùng một công trình (ví dụ: bản thảo sơ bộ trên arXiv, phiên bản trên OpenReview cho một hội nghị, phiên bản cuối cùng được chấp nhận, một bản sao trên ResearchGate).
- Vấn đề: Các công cụ AI không thể phân biệt các nguồn này. Chúng có thể coi chúng là các công trình riêng biệt, trích dẫn hai hoặc nhiều phiên bản của cùng một bài báo. Điều này làm phình to danh mục tài liệu tham khảo, trông thiếu chuyên nghiệp và cho thấy tác giả đã không tương tác trực tiếp với các nguồn tài liệu.
2. Liêm chính học thuật và Đạo văn
“Chắp vá văn bản” (Patchwriting) và Đạo văn tinh vi: Các mô hình AI thường “chắp vá văn bản” — chúng lấy các câu và cụm từ từ dữ liệu huấn luyện của mình và ghép chúng lại với những sửa đổi nhỏ. Đây vẫn là một hình thức đạo văn, vì bạn đang trình bày ý tưởng và cách diễn đạt từ các nguồn khác như là của riêng mình.
Thiếu minh bạch và Vấn đề về quyền tác giả: Việc không công khai việc sử dụng công cụ AI để viết có thể bị hầu hết các tạp chí và tổ chức coi là hành vi sai trái trong học thuật.
3. Thiên kiến và Phạm vi hạn chế
Ngày giới hạn kiến thức (Knowledge Cut-off Date): Nhiều mô hình AI có một ngày giới hạn kiến thức và không biết về các nghiên cứu gần đây nhất, điều này là thiết yếu cho một phần tổng quan tài liệu kịp thời và phù hợp.
4. Sự “mai một kỹ năng” của nhà nghiên cứu
Suy giảm các kỹ năng nghiên cứu cốt lõi: Quá trình thực hiện tổng quan tài liệu là cách bạn tìm hiểu lĩnh vực của mình, hiểu lịch sử của nó và nắm vững các khái niệm cốt lõi. Việc giao phó nhiệm vụ này cho AI ngăn cản bạn phát triển chuyên môn nền tảng này.
Các phương pháp tốt nhất để sử dụng có trách nhiệm (Như một trợ lý, KHÔNG phải một tác giả)
- Sử dụng để Lên ý tưởng: Yêu cầu các từ khóa tiềm năng hoặc các tác giả nổi bật để bắt đầu.
- Sử dụng để Tóm tắt các bài báo bạn ĐÃ ĐỌC: Sau khi bạn đã tự mình đọc một bài báo, hãy yêu cầu AI tóm tắt nó và so sánh một cách phản biện kết quả của nó với sự hiểu biết của chính bạn. Không bao giờ tin tưởng vào một bản tóm tắt của một bài báo bạn chưa đọc.
- Sử dụng để Trau chuốt ngôn ngữ: Sau khi bạn đã viết bản nháp của mình, hãy sử dụng AI để kiểm tra ngữ pháp hoặc cải thiện cấu trúc câu.
Quy tắc vàng: Đọc mọi nguồn tài liệu. Kiểm chứng mọi nhận định. Bạn phải chịu trách nhiệm cho từng từ và từng trích dẫn. Bạn phải đích thân đọc và xác minh mọi nguồn tài liệu để truy vết ý tưởng đến tận gốc và đảm bảo tính chính xác.
Công khai việc sử dụng của bạn: Hãy minh bạch và tuân thủ các chính sách của tổ chức và nhà xuất bản của bạn về việc sử dụng AI.