Perplexity可以给出有用的引文,但在用于学术工作之前,每一条引文仍必须手动与原始来源核对。2025年的一项研究发现,Perplexity、Copilot和Claude在参考文献检索方面“拥有最高的幻觉率之一”,聊天机器人生成的参考文献中近40%是“错误或完全捏造的”
。另一项大规模分析发现,与新闻相关的引用错误率高达37%——超过三分之一的被引用声明存在不实信息
。
在一项120次查询的对照测试中,Perplexity的错误率低于Gemini(89%对63%的引用准确率),但这一差距反映了双方检索架构的结构性差异。Perplexity明确将引文追溯到实时网页,并以接近实时的方式索引学术数据库,而Gemini则往往从聚合的训练数据中综合生成引用
。尽管如此,目前仍没有关于Perplexity学术模式下引文准确性的大规模独立研究发表
。
Perplexity不应被视为判断一篇论文是否存在、来源是否经过同行评审或引文是否支持其边注的最终权威。它可能检索到PubMed、Semantic Scholar、机构知识库、出版商和预印本服务器的记录,但目前没有公开证据表明其来源选择具备完整或透明的方法论
。
Perplexity可以帮助快速找到论文,但Google Scholar更适合用来查找论文、确认其出处以及探索引文关系。Google Scholar的引文追踪——显示一篇论文被引用的次数以及被谁引用——仍然是理解一个领域研究发展轨迹的不可或缺的工具
。
Perplexity Pro用户可以使用学术专注模式,该模式通过Semantic Scholar的2亿多篇学术论文数据库,将搜索限制在同行评审来源。激活后,Perplexity会忽略博客、新闻网站和维基百科,只返回同行评审的期刊、学术数据库和学术出版物
。
在以下情况使用Perplexity:
像Perplexity这样的AI搜索工具正在改变研究人员发现和消费信息的方式,但它们并不是Google Scholar的替代品。Google仍然控制着约89%的搜索市场,而研究人员和分析师等“重度用户”正越来越多地转向AI原生工具。Perplexity的查询量在一年内激增239%,达到每月近8亿次查询
。
Comments
0 comments