AI 最危險的時候，往往不是回答「我不知道」，而是用非常肯定的語氣，說出一個看起來很合理的錯誤答案。

Day 1，我們從生活中尋找問題，並利用「專題起點卡」定義目標使用者、使用情境、核心問題與驗收方式。

確定問題後，下一步通常是找資料，確認：

• 這個問題真的存在嗎？
• 影響了哪些人？
• 有沒有統計數據或研究支持？
• 現在有哪些解決方法？
• 我們的專題和現有方法有什麼不同？

現在的 AI 搜尋工具可以在幾秒鐘內整理大量資訊，有些回答還會附上來源連結。但是：

• 有連結，不代表來源可靠。
• 來源可靠，不代表真的支持 AI 的說法。
• 多個網站都這樣寫，不代表它們是獨立來源。
• AI 說得很完整，更不代表內容一定正確。

因此，今天要練習的不是「如何讓 AI 給出更多答案」，而是如何把 AI 回答轉換成可以驗證、可以引用的專題證據。

AI 回答不等於原始資料

假設我們準備製作「校園交通資訊助手」，於是詢問 AI：

大學生搭乘校園周邊公車時，最常遇到哪些問題？請提供相關統計資料。

AI 可能整理出：

1. 候車時間過長。
2. 尖峰時段車內擁擠。
3. 班次資訊不透明。
4. 學生對即時交通資訊有高度需求。
5. 某項調查顯示，超過 70% 的學生希望改善公車服務。

前四點可能符合生活經驗，第五點還出現了一個看似很有說服力的數字。

但是，我們必須繼續追問：

• 這項調查由誰執行？
• 調查的是哪間學校？
• 樣本數是多少？
• 調查是哪一年進行的？
• 「希望改善」的原始問題是什麼？
• 70% 這個數字真的存在嗎？

如果找不到原始調查或報告，這個數字就不能放入專題簡報，更不能當成題目成立的主要證據。

AI 回答適合當作尋找方向的起點，不適合直接作為最後證據。

為什麼 AI 會產生看似合理的錯誤？

生成式 AI 會根據問題與上下文，產生語言上合理的答案。

當資訊不足時，它仍可能組合出看似完整、實際上卻有問題的內容，例如：

• 不存在的統計數字
• 錯誤的日期或人物
• 不存在的論文名稱
• 真實作者搭配錯誤論文
• 看似合理但無法開啟的網址
• 來源存在，但內容沒有支持該項說法

部分 AI 工具已經具備網路搜尋及來源引用功能。例如，ChatGPT 的搜尋回答可以包含行內引用，讓使用者點擊並查看原始來源。

但「附上來源」仍不等於「已經查證完成」。

只要某項內容會影響專題方向、功能設計、競賽簡報或重要決策，我們就應該親自開啟來源。

四步查證法：問、開、比、存

為了讓第一次做專題的同學也能操作，我把查證流程整理成四個字：

問、開、比、存

圖 1：AI 搜尋結果不能直接作為證據，必須經過原始來源確認與獨立來源交叉驗證。

第一步：問——要求 AI 拆開事實與建議

不要只問：

請告訴我大學生使用 AI 的情況。

這個問題太廣，AI 可能把統計數據、網路文章、個人推測和建議混在一起。

我們可以改成：

我要研究「大學生使用生成式 AI 輔助學習」的現況。

請將回答分成：
1. 可以由外部資料驗證的事實
2. 目前仍有爭議或資料不足的說法
3. 你的分析與建議

每一項可驗證事實都要附上：
- 原始來源名稱
- 發布機構
- 發布日期
- 原始網頁連結
- 支持該說法的內容位置

如果找不到可靠來源，請直接標示「尚未找到」，不要自行補上數字。

這段提示詞不能保證 AI 完全不會出錯，但能讓它將「事實」與「推論」分開，方便我們逐項檢查。

第二步：開——親自打開原始來源

看到 AI 提供的引用連結後，至少需要檢查：

如果 AI 引用的是長篇文章，不要只確認標題相似。應該在網頁中搜尋關鍵字，找到真正支持該說法的段落。

例如，AI 聲稱：

研究發現，使用生成式 AI 可以提升學生 30% 的學習效率。

我們不能只看到來源標題包含「AI」和「學習」就接受它，而要進一步確認：

• 「學習效率」如何定義？
• 30% 指的是成績、速度，還是問卷感受？
• 實驗組與對照組各有多少人？
• 研究對象是大學生還是其他族群？
• 使用的是哪一種 AI 工具？
• AI 是否誇大了原始研究結論？

第三步：比——尋找第二個獨立來源

一個來源可能寫錯，多個網站也可能只是互相轉載。

假設某篇新聞報導引用一份政府統計，之後十個網站都轉載同一篇新聞。表面上好像有很多資料，實際上仍然只有一個原始來源。

不同內容適合尋找的來源也不同：

如果要尋找學術資料，可以使用 Google Scholar 搜尋論文、學位論文與其他研究成果，並利用「被引用」功能查看後續有哪些研究引用該文獻。

不過，出現在 Google Scholar 並不代表研究一定正確。我們仍要檢查研究方法、年份、樣本及適用情境。

第四步：存——建立專題證據表

許多人查完資料，只留下 AI 整理後的文字。等到製作簡報時，才發現找不到原始連結，也不知道數字來自哪裡。

找到資料後，應該立即記錄：

以下是一筆示意紀錄：

這不代表題目不能做，而是代表目前只能說：

根據初步訪談，部分學生曾反映尖峰時段擁擠；後續仍需擴大調查。

這比直接寫「大部分學生都認為公車很擠」更誠實，也更容易取得評審信任。

不同搜尋方式如何分工？

實際操作時可以採用以下順序：

1. 先請 AI 說明陌生名詞並整理搜尋關鍵字。
2. 使用搜尋引擎找到官方資料。
3. 使用 Google Scholar 尋找相關研究。
4. 回到原始來源確認文字、日期及研究方法。
5. 透過訪談或問卷確認問題是否存在於目標使用者。
6. 將每一筆可用證據記錄到證據表。

讓 AI 協助查證，但不要讓它自己判自己

可以使用以下提示詞，請 AI 協助檢查資料：

以下是我準備放進 AI 專題簡報的主張與來源。

主張：
[貼上主張]

來源：
[貼上來源連結或內容]

請不要只摘要文章，請依序檢查：
1. 來源是否真的支持這項主張？
2. 這項說法是否誇大原始內容？
3. 資料的發布日期與適用範圍為何？
4. 研究樣本與方法有何限制？
5. 哪些內容是事實，哪些是推論？
6. 還需要找哪一種獨立來源交叉驗證？

若來源沒有提供足夠證據，請明確回答「目前無法證明」。

如果同一個 AI 先產生答案，再叫它判斷自己的答案是否正確，它可能延續原本的錯誤。

比較安全的方法包括：

• 開啟新對話重新檢查。
• 提供原始資料，而不是只提供 AI 摘要。
• 使用不同搜尋方式交叉比對。
• 最後由人閱讀來源並作出判斷。

三個常見錯誤

錯誤一：引用 AI，而不是原始來源

不要寫：

根據 ChatGPT 的資料，70% 的學生會使用 AI。

應該找到 ChatGPT 所依據的原始調查，再引用調查機構、年份、樣本與結果。

錯誤二：只看搜尋結果摘要

搜尋結果上的摘要可能被截斷，也可能缺少完整語境。必須打開原始網頁確認。

錯誤三：只搜尋支持自己想法的資料

如果已經認定「AI 一定能提升學習成效」，就可能只留下支持這個結論的文章。

查證時也要主動搜尋相反觀點：

生成式 AI 對學生學習的限制
generative AI negative effects on learning
generative AI education systematic review

能說明限制不會讓專題變弱，反而能證明團隊真的理解問題。

今天的實作任務

拿出 Day 1 的「專題起點卡」，完成以下任務：

1. 從專題描述中選出三項需要證據支持的主張。
2. 使用 AI 搜尋可能的資料與關鍵字。
3. 親自開啟每一個原始來源。
4. 為重要主張找到至少兩個獨立來源。
5. 建立證據表，記錄來源、日期與證據位置。
6. 刪除所有找不到原始依據的精確數字。

最後試著回答：

如果評審問「你怎麼知道這個問題真的存在？」，我們能不能在 30 秒內拿出證據？

如果還不行，就代表需要繼續搜尋資料，或者進行自己的訪談與問卷。

Day 2 小結

AI 能加快資料搜尋，卻不能替我們承擔資料正確與否的責任。

今天的重點可以濃縮成四個字：

問：把事實與推論拆開。
開：親自打開原始來源。
比：使用獨立來源交叉驗證。
存：留下可以重新找到的證據。

當我們能清楚說明資料從哪裡來、支持哪一句話，以及存在哪些限制，AI 的回答才真正成為專題可以使用的證據。

下一篇，我們將進入 Day 3：同樣都是 AI，為什麼答案差很多？認識模型、工具與任務分工。

參考資料

• OpenAI：ChatGPT 搜尋與來源引用說明
• Google：評估網路資訊品質的方法
• Google Scholar
• Google Scholar 搜尋說明