Dùng AI Tổng Hợp Y Văn: Lợi Bất Cập Hại Nếu Không Biết Cách Tránh 'Bẫy' Thiên Vị

Các Bước Thực Tiễn Để Giảm Thiểu Thiên Vị Cụ Thể

Cảnh giác với thiên vị chọn lọc (Selection Bias) trong sàng lọc

Các mô hình ngôn ngữ lớn (LLM) có thể ưu tiên hoặc loại trừ một cách có hệ thống các loại nghiên cứu, ngôn ngữ hoặc kết quả nhất định. Các nhà nghiên cứu nên so sánh các quyết định sàng lọc của AI với một bộ tiêu chuẩn vàng do con người thiết lập để hiệu chỉnh điều này .

Cảnh giác với thiên vị xác nhận (Confirmation Bias) và thiên vị công bố (Publication Bias)

Hệ thống học máy (ML) thường được huấn luyện trên các kiến thức thông thường và tài liệu đã công bố, vốn đã có sẵn xu hướng thiên về các kết quả tích cực. Điều này có thể âm thầm khuếch đại các thiên vị hiện có trong cơ sở bằng chứng .

Kiểm chứng đầu ra của AI với phán xét của con người

Đừng mù quáng chấp nhận các nghiên cứu, dữ liệu trích xuất hay đánh giá nguy cơ thiên vị do AI đề xuất. Hãy kiểm tra chéo một mẫu ngẫu nhiên đáng kể một cách thủ công .

Chỉ sử dụng AI cho các nhiệm vụ nó được thiết kế và kiểm định cụ thể

Đừng bao giờ nhận lời khuyên từ một mô hình ngoài lĩnh vực nó được huấn luyện, và luôn kiểm tra lại công việc của nó .

Tiêu Chuẩn Minh Bạch và Báo Cáo

Công bố mọi công cụ AI đã sử dụng, bao gồm cả phiên bản và vai trò

Vào năm 2025, Cochrane, Campbell Collaboration, JBI, và Collaboration for Environmental Evidence đã cùng ban hành một tuyên bố yêu cầu công bố công khai mọi việc sử dụng AI trong các tổng hợp bằng chứng .

Tuân thủ các hướng dẫn báo cáo mới nổi

Một hướng dẫn ba trụ cột cho AI có trách nhiệm trong tổng quan hệ thống kêu gọi sử dụng phương pháp tăng cường truy xuất (RAG) với khả năng gán nguồn có thể kiểm chứng, định vị AI như một "đối tác được hiệu chuẩn" chứ không phải sự thay thế .

Giải quyết các khoảng trống trong đào tạo và tiêu chuẩn

Cần cải thiện tính minh bạch, tiêu chuẩn báo cáo rõ ràng hơn và đào tạo người dùng tốt hơn để hỗ trợ việc áp dụng AI có trách nhiệm trong tổng hợp bằng chứng .

Kết Luận

AI có thể giảm khối lượng công việc thủ công từ 50–75% trong các khâu sàng lọc tài liệu, trích xuất dữ liệu và đánh giá nguy cơ thiên vị mà không làm giảm độ chính xác theo chuẩn PRISMA — khi được kết hợp với sự giám sát của nhà nghiên cứu . Nhưng các nghiên cứu tương tự cũng xác nhận rằng AI tự nó đã mang theo các thiên vị (thiên vị chọn lọc, thiên vị xác nhận, thiên vị dữ liệu huấn luyện). Giải pháp là sự giám sát của con người, báo cáo minh bạch và kiểm định chặt chẽ. Đừng bao giờ giao phó tư duy phản biện cho công cụ.