มุมมองของ Anderson

ความก้าวหน้าทางวิทยาศาสตร์ที่ขับเคลื่อนด้วย AI กำลังถูกคุกคามจากความหมกมุ่นประหลาด

Martin Anderson
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
Nikola Tesla seated beneath his experimental high-voltage electrical apparatus in Colorado Springs, 1899. The famous photograph was created using a double exposure, allowing Tesla to appear calmly seated amid the electrical discharges. Source: Smithsonian.
ประเด็นสำคัญผู้ตรวจทาน AI รุ่นใหม่จดจ่อกับภาคผนวก…
ดูเพิ่มเติม
  • ผู้ตรวจทาน AI รุ่นใหม่จดจ่อกับภาคผนวก ในขณะที่ผู้ตรวจทานที่เป็นมนุษย์มุ่งเน้นไปที่ข้อค้นพบหลักของบทความ
  • โมเดลภาษาถือว่าทุกข้อความมีความสำคัญเท่าเทียมกัน จึงพลาดว่าส่วนใดมีความสำคัญจริง ๆ
  • อคติต่อภาคผนวกยังคงอยู่ across วิธีการเข้าถึง และให้ข้อเสนอแนะระดับผิวเผินที่แทบไม่ช่วยผู้เขียนในการปรับปรุง

งานศึกษาชิ้นใหม่จากสหรัฐฯ ชี้ว่า โมเดล AI ที่ใช้ตรวจทานบทความทางวิทยาศาสตร์กำลังหมกมุ่นกับภาคผนวกของบทความ มากกว่าเนื้อหาหลัก โดยมักให้ความสำคัญกับรายละเอียดประกอบเล็ก ๆ น้อย ๆ มากกว่าข้อค้นพบหลัก เมื่อมีการนำโมเดลภาษามาใช้ช่วยตรวจทานหรือแม้แต่ทดแทนผู้ประเมินที่เป็นมนุษย์มากขึ้นเรื่อย ๆ แนวโน้มที่เพิ่งค้นพบนี้ดูเหมือนกำลังแพร่เข้าสู่กระบวนการประเมินโดยผู้ทรงคุณวุฒิ ซึ่งอาจขัดขวางความก้าวหน้าในการวิจัย AI ได้:

จากบทความวิจัยฉบับใหม่: การเพิ่มขึ้นของคำวิจารณ์เกี่ยวกับภาคผนวกในการประเมินบทความวิทยาศาสตร์โดยผู้ทรงคุณวุฒิที่เป็นมนุษย์ หลังจากสัดส่วนดังกล่าวอยู่ต่ำกว่า 11% มานานหลายปี ก็เพิ่มขึ้นเป็น 27.6% ในการประเมินชุดล่าสุด หลังมีการเปิดตัวโมเดล AI ซึ่งพบว่าดึงคำวิจารณ์มากกว่าครึ่งหนึ่งมาจากภาคผนวก เส้นประแสดงช่วงเปิดตัวโมเดลสำคัญ  แหล่งที่มา - https://arxiv.org/pdf/2611.17811

จากบทความวิจัยฉบับใหม่: การเพิ่มขึ้นของคำวิจารณ์เกี่ยวกับภาคผนวกในการประเมินบทความวิทยาศาสตร์โดยผู้ทรงคุณวุฒิที่เป็นมนุษย์ หลังจากสัดส่วนดังกล่าวอยู่ต่ำกว่า 11% มานานหลายปี ก็เพิ่มขึ้นเป็น 27.6% ในการประเมินชุดล่าสุด หลังมีการเปิดตัวโมเดล AI ซึ่งพบว่าดึงคำวิจารณ์มากกว่าครึ่งหนึ่งมาจากภาคผนวก เส้นประแสดงช่วงเปิดตัวโมเดลสำคัญ  แหล่งที่มา

ในการทดสอบบทความวิทยาศาสตร์ 2,000 ฉบับจากการประชุมวิชาการยอดนิยม 4 แห่ง นักวิจัยผู้จัดทำงานชิ้นใหม่นี้พบว่า โมเดลรุ่นใหม่ดึงคำวิจารณ์ราว 50–70% มาจากภาคผนวก เทียบกับ GPT-5 รุ่นเก่าที่มีสัดส่วนต่ำกว่า 30%

โมเดล AI รุ่นใหม่ที่โดดเด่นที่สุดสองรุ่น ซึ่งดูเหมือนกำลังชักนำแม้แต่ผู้ประเมินที่เป็นมนุษย์ให้หันไปสนใจภาคผนวกและละเลยผลลัพธ์หลักที่สำคัญกว่า ได้แก่ GPT-6.1-Sol ของ OpenAI และ GPT-6-Astra ซึ่งเปิดตัวทั้งคู่ในปี 2026

บทความระบุว่า*:

“ความแตกต่างระหว่างโมเดลแต่ละรุ่นนั้นมีมาก สำหรับ GPT-5 มีจุดอ่อนเพียงส่วนน้อยเท่านั้นที่เกี่ยวข้องกับภาคผนวก ส่วนโมเดลรุ่นใหม่ทั้งสองรุ่น ได้แก่ GPT-6.1-Sol และ GPT-6-Astra พึ่งพาภาคผนวกมากกว่ามาก และรูปแบบนี้พบในทุกการประชุมวิชาการ”

“สิ่งนี้ชี้ว่าอคติที่ให้ความสำคัญกับภาคผนวกเป็นหลักนั้นมีอยู่ในโมเดลรุ่นใหม่เป็นส่วนใหญ่ แม้โมเดลใหม่จะมีประสิทธิภาพดีขึ้น แต่อคติที่มีต่อภาคผนวกกลับเพิ่มมากขึ้น การอ่านบทความได้อย่างละเอียดไม่ได้ทำให้โมเดลเรียนรู้ว่าควรให้ความสำคัญกับส่วนใดมากที่สุด”

งานศึกษายังพบด้วยว่า ความหมกมุ่นกับภาคผนวกนี้แตกต่างกันไปตามวิธีการที่ AI ใช้รับบทความ เนื่องจากการรับบทความผ่าน API, Codex และอินเทอร์เฟซบนเว็บไม่ได้ประเมินไฟล์ PDF ด้วยวิธีเดียวกัน โดย Codex ไม่อ่านเนื้อหาช่วงกลางของไฟล์ PDF ที่มีความยาวโดยเฉลี่ยเลย แต่จะสุ่มอ่านเนื้อหาในภายหลังเป็น “ช่วงสั้น ๆ” เฉพาะเมื่อจำเป็น อย่างไรก็ตาม พบว่าทุกวิธีให้ความสำคัญกับเนื้อหาในภาคผนวก

จนกระทั่งเมื่อไม่นานมานี้ การประเมินโดยมนุษย์กับการประเมินโดย AI ยังไม่ได้มีความหมกมุ่นเช่นนี้ร่วมกัน:

“[Human] ผู้ประเมินที่เป็นมนุษย์มองเนื้อหาหลักกับเอกสารประกอบแตกต่างจาก LLM อย่างมาก LLM ระบุว่าจุดอ่อนมากกว่า 50% เกี่ยวข้องกับเนื้อหาในภาคผนวก ขณะที่มนุษย์ระบุว่าน้อยกว่า 10%

“ความแตกต่างนี้เห็นได้ชัดในระดับการประเมินรายฉบับด้วย จากบทความ 200 ฉบับที่สุ่มเลือกในแต่ละปีระหว่างปี 2021 ถึง 2024 มีบทความรวมเพียง 159 ฉบับเท่านั้นที่ได้รับการประเมินจากมนุษย์ซึ่งระบุจุดอ่อนเกี่ยวกับภาคผนวกอย่างน้อยหนึ่งข้อ ในทางตรงกันข้าม บทประเมินทั้ง 200 รายการที่ LLM สร้างขึ้นสำหรับ ICLR 2027 ต่างมีคำวิจารณ์เกี่ยวกับภาคผนวกอย่างน้อยหนึ่งข้อ”

เปรียบเทียบคำวิจารณ์เกี่ยวกับภาคผนวกในการประเมินโดยผู้ทรงคุณวุฒิที่เป็นมนุษย์กับการประเมินที่ AI สร้างขึ้น ผู้ประเมินที่เป็นมนุษย์ระบุว่าจุดอ่อนที่พบมีเพียง 8.4% ซึ่งเกี่ยวข้องกับเนื้อหาในภาคผนวก เทียบกับ 62% สำหรับโมเดล AI คอลัมน์ที่สองแสดงคำวิจารณ์ที่เกี่ยวกับภาคผนวกเพียงอย่างเดียว โดยไม่มีประเด็นเดียวกันนี้ปรากฏในเนื้อหาหลักของบทความ

เปรียบเทียบคำวิจารณ์เกี่ยวกับภาคผนวกในการประเมินโดยผู้ทรงคุณวุฒิที่เป็นมนุษย์กับการประเมินที่ AI สร้างขึ้น ผู้ประเมินที่เป็นมนุษย์ระบุว่าจุดอ่อนที่พบมีเพียง 8.4% ซึ่งเกี่ยวข้องกับเนื้อหาในภาคผนวก เทียบกับ 62% สำหรับโมเดล AI คอลัมน์ที่สองแสดงคำวิจารณ์ที่เกี่ยวกับภาคผนวกเพียงอย่างเดียว โดยไม่มีประเด็นเดียวกันนี้ปรากฏในเนื้อหาหลักของบทความ

ดังที่แสดงในตารางผลการทดสอบข้างต้น ผู้ประเมิน AI มีโอกาสระบุจุดอ่อนในภาคผนวกมากกว่าผู้ประเมินที่เป็นมนุษย์กว่า 7 เท่า และมีโอกาสวิจารณ์เฉพาะเนื้อหาเสริมมากกว่า 3 เท่า ซึ่งบ่งชี้ว่าโมเดล AI แนวหน้ารุ่นล่าสุดบางรุ่นกำลังให้ความสำคัญกับรายละเอียดที่ผู้ประเมินที่เป็นมนุษย์มักมองว่าเป็นเรื่องรองจากผลงานทางวิทยาศาสตร์หลักของบทความ

เพราะเหตุใด?

เท่าที่พอจะสรุปได้ (งานศึกษานี้เป็นงานแรกที่ระบุถึงปรากฏการณ์ดังกล่าว) ปัญหาส่วนหนึ่งคือ AI ไม่เข้าใจ หรือไม่ได้เรียนรู้จากข้อมูลฝึกจำนวนมหาศาลว่าโดยปกติแล้ว เนื้อหาสำคัญที่สุดของบทความไม่ได้อยู่ในภาคผนวก แนวโน้มทั่วไปของ AI ที่มองว่าข้อความทุกส่วนมีความสำคัญเท่าเทียมกันทำให้ขาดบริบทในการพิจารณาเนื้อหาในภาคผนวก ซึ่งมักไม่ได้ผ่านการคัดสรรและนำเสนออย่างหยาบกว่าส่วนเนื้อหาหลักมาก:

“LLM แทบไม่เคยวิจารณ์หน้าแรก ๆ ซึ่งเป็นส่วนที่บทความวางกรอบปัญหาและอธิบายว่าเหตุใดปัญหานั้นจึงสำคัญ มนุษย์มักโต้แย้งกรอบดังกล่าวโดยตรง ขณะที่ LLM ดูเหมือนจะยอมรับแล้วข้ามไปดูตัวเลข”

‘[Humans and LLMs] LLM อ่านภาคผนวกแตกต่างออกไปอย่างมาก คำวิจารณ์ของมนุษย์ลดลงอย่างรวดเร็วเมื่ออ่านภาคผนวกต่อไป และแทบหายไปในหน้าท้าย ๆ ส่วนจุดอ่อนของ LLM ไม่ได้ลดลงเลย ที่จริง จุดอ่อนของ LLM ปรากฏมากที่สุดเมื่ออ่านภาคผนวกไปได้ระยะหนึ่ง แทนที่จะเกิดขึ้นตั้งแต่ต้น และยังคงปรากฏต่อไปแม้เลยหน้า 30 ไปแล้ว ซึ่งเป็นช่วงที่ผู้ประเมินที่เป็นมนุษย์แทบไม่มีข้อกังวลเลย

‘สำหรับ LLM รายละเอียดในหน้า 25 ก็เป็นเป้าหมายในการวิจารณ์ได้พอ ๆ กับตารางผลลัพธ์หลัก’

ผู้เขียนตั้งข้อสังเกตว่า แนวทางที่ LLM ปฏิบัติต่อข้อความอย่างเสมอภาคอาจทำให้โมเดลมุ่งสนใจเนื้อหาในภาคผนวกมากขึ้นโดยธรรมชาติ เพราะดังที่กล่าวไปแล้ว เนื้อหาส่วนนั้นมักมีข้อผิดพลาดมากกว่า

ดังนั้น ภาพรวมที่ฉันได้จากงานวิจัยใหม่นี้คือ เมื่อเวลาผ่านไป LLM มุ่งความสนใจไปที่ส่วนหนึ่งของบทความวิทยาศาสตร์ใหม่ ๆ ซึ่งมักมีข้อผิดพลาดหรือการปะปนกันของข้อมูลอยู่มาก เพียงเพราะผู้เขียนที่เป็นมนุษย์มักใช้ส่วนนั้นเป็นพื้นที่ทิ้งหลักฐานและข้อพิสูจน์รอง ๆ ที่จัดระเบียบไม่เรียบร้อย

ด้วยเหตุนี้ AI จึงมองว่าภาคผนวกน่าสนใจกว่าเนื้อหาหลักที่ผ่านการคัดสรรมาอย่างดีมากขึ้นเรื่อย ๆ เพราะมีเนื้อหาให้วิเคราะห์และแก้ไขได้มากกว่า ดังนั้น บทความจึงระบุว่า LLM มักมองเนื้อหาส่วนต้นของบทความเป็นการรายงานข้อเท็จจริง และยอมรับข้อมูลตามที่นำเสนอ:

‘มนุษย์คาดหวังว่าเนื้อหาหลักจะสมบูรณ์ได้ด้วยตัวเอง จึงคัดค้านเมื่อส่วนสำคัญถูกย้ายไปไว้ในภาคผนวก แต่ LLM แทบไม่เคยหยิบยกข้อกังวลนี้ขึ้นมา

‘ประเด็นนี้ชี้ให้เห็นความแตกต่างสำคัญ นั่นคือ มนุษย์ตระหนักว่าเนื้อหาหลักมีน้ำหนักมากกว่าภาคผนวก แต่ LLM ไม่ได้ตระหนักเช่นนั้น ‘

ผลกระทบและแนวทางแก้ไข

การมุ่งสนใจรายละเอียดปลีกย่อยอย่างไม่คาดคิดนี้อาจส่งผลกระทบร้ายแรงต่อการวิจัยทางวิทยาศาสตร์ที่ใช้ AI ช่วย โดยเฉพาะหากมองข้ามความสำคัญของข้อค้นพบหลักในบทความ เนื่องจากแนวโน้มนี้ดูเหมือนเพิ่งเกิดขึ้นกับโมเดลรุ่นล่าสุด จึงยังไม่ทราบผลกระทบในระยะยาว

บทความยอมรับว่าผู้ประเมินที่เป็น AI สามารถตรวจพบข้อผิดพลาดที่เป็นประโยชน์ได้ แม้ข้อผิดพลาดเหล่านั้นจะซ่อนอยู่ลึกในภาคผนวกก็ตาม อย่างไรก็ตาม บทความเตือนว่า การให้ความสนใจกับรายละเอียดปลีกย่อยมากเกินไปอาจทำให้ละเลยข้อค้นพบหลักของบทความ และส่งผลให้เกิดบทวิจารณ์ที่ยืดยาวแต่แทบไม่มีคุณค่าในทางปฏิบัติ:

‘ผู้ประเมินที่เป็น LLM ยกระดับมาตรฐานขึ้น เพราะตรวจสอบทุกส่วนของบทความโดยไม่เว้นส่วนใด อย่างไรก็ตาม การประเมินที่มีประสิทธิภาพยังต้องอาศัยวิจารณญาณในการพิจารณาว่าสิ่งใดสำคัญที่สุด เมื่อจุดอ่อนส่วนใหญ่ของบทวิจารณ์มาจากเนื้อหาในภาคผนวกที่ไม่เกี่ยวข้องกับข้อค้นพบหลัก ความเห็นป้อนกลับก็ยังคงอยู่เพียงผิวเผิน ไม่ได้เจาะถึงแก่นของบทความ และแทบไม่ช่วยให้ผู้เขียนปรับปรุงงานได้ ‘

ผู้เขียนงานวิจัยใหม่เรื่อง AI Reviews Are Biased Towards the Appendix (AI มีอคติต่อภาคผนวกในการประเมินบทความ) เริ่มศึกษาประเด็นนี้หลังจากสังเกตเห็นรูปแบบแปลก ๆ บางอย่างในการประเมินบทความที่ตนส่งโดยบทวิจารณ์ที่มี LLM ช่วยหรือสร้างขึ้นทั้งหมด โค้ดของงานวิจัยนี้ดูได้บน GitHub

วิธีการและการทดสอบ

ในการทดสอบ มีการเลือกโมเดล AI ชั้นนำ 4 รุ่นจาก OpenAI และ Anthropic ได้แก่ GPT-6-Astra, GPT-6.1-Sol, Claude-Opus-5.5 และ Claude-Sonnet-5.5 โดยเข้าถึงโมเดลผ่าน Codex และ Claude Code จากนั้นจึงเปรียบเทียบพฤติกรรมการประเมินของโมเดลเมื่อเข้าถึงผ่าน API กับผ่านเว็บอินเทอร์เฟซ

รวบรวมบทความวิจัยจากการประชุมใหญ่ 4 งานด้าน AI และการประมวลผลภาษาธรรมชาติ ได้แก่ ACL 2026, EMNLP 2026, COLM 2026 และ ICLR 2027 โดยเลือกการประชุมเหล่านี้เพราะมีรูปแบบการส่งบทความและการประเมินที่คล้ายคลึงกัน จำกัดจำนวนหน้าของบทความหลักอย่างเข้มงวด แต่โดยทั่วไปไม่จำกัดจำนวนหน้าของภาคผนวกที่วางไว้หลังรายการอ้างอิง

มีการตรวจสอบบทความทั้งหมด 2,000 ฉบับ ประกอบด้วย 1,200 ฉบับจาก ICLR 2021–2026 และ 800 ฉบับจากการประชุม 4 งานในช่วงหลัง โดยเลือกจากแต่ละงานมา 200 ฉบับ บทความในกลุ่มหลังทั้ง 800 ฉบับมีภาคผนวกอย่างน้อย 15 หน้า บทความที่ส่งเข้าร่วม ICLR 2027 ถูกทำให้ไม่ระบุตัวตนไว้แล้ว ส่วนบทความจาก ACL, EMNLP และ COLM ถูกลบชื่อผู้เขียน สังกัด ที่อยู่อีเมล และลิงก์ที่ใช้ระบุตัวตนออก เพื่อป้องกันไม่ให้ผู้ประเมิน AI ทราบว่าใครเป็นผู้เขียน

ปิดการเข้าถึงอินเทอร์เน็ตของโมเดล เพื่อให้แน่ใจว่าบทวิจารณ์จะอ้างอิงจากไฟล์ PDF ที่ให้ไว้เท่านั้น

ขั้นแรก ให้ AI เขียนบทวิจารณ์ตามรูปแบบของการประชุมที่เกี่ยวข้อง โดยกล่าวถึงจุดแข็ง จุดอ่อน และคะแนนโดยรวมของบทความ พร้อมกำหนดคำสั่งให้เรียบง่ายโดยตั้งใจ เพื่อสะท้อนวิธีที่ผู้ประเมินจริงอาจใช้ AI จากนั้นส่งบทความพร้อมบทวิจารณ์ที่เขียนเสร็จแล้วกลับไปให้โมเดล AI ตัวเดิม โดยขอให้ระบุว่าแต่ละคำวิจารณ์กล่าวถึงส่วนใดของบทความ การระบุดังกล่าวทำโดยพิจารณาคำวิจารณ์ควบคู่กับบทความต้นฉบับ:

กระบวนการประเมิน 3 ขั้นตอนที่ใช้ในการศึกษานี้ คัดเลือกบทความจากการประชุม 4 งานที่มีภาคผนวกอย่างน้อย 15 หน้า และทำให้ไม่ระบุตัวตนก่อนนำไปให้โมเดล AI ประเมิน จากนั้นนำบทวิจารณ์แต่ละฉบับมาพิจารณาควบคู่กับบทความต้นฉบับ พร้อมระบุว่าคำวิจารณ์แต่ละข้อเกี่ยวข้องกับส่วนใดของบทความ

กระบวนการตรวจทานสามขั้นตอนที่ใช้ในการศึกษานี้ เริ่มจากคัดเลือกบทความที่มีภาคผนวกอย่างน้อย 15 หน้า จากการประชุมวิชาการ 4 แห่ง แล้วปกปิดข้อมูลระบุตัวตนก่อนให้โมเดล AI ตรวจทาน จากนั้นนำผลการตรวจทานแต่ละฉบับมาเปรียบเทียบกับบทความต้นฉบับ พร้อมระบุว่าคำวิจารณ์แต่ละข้อเกี่ยวข้องกับส่วนใด

การแยกงานเหล่านี้ออกจากกันทำให้สามารถตรวจสอบส่วนต่าง ๆ ของบทความที่ถูกวิจารณ์ได้ โดยไม่ให้คำสั่งเพิ่มเติมส่งผลต่อการตรวจทานต้นฉบับ

ผลการศึกษาส่วนหนึ่งที่เรายังไม่ได้กล่าวถึง คือการทดสอบของผู้เขียนเพื่อหาว่าจุดใดเป็นต้นตอของจุดอ่อนในบทวิจารณ์ที่สร้างโดย LLM:

เปรียบเทียบจุดที่บทวิจารณ์ซึ่งสร้างโดย AI ระบุว่ามีจุดอ่อนในบทความ จากการประชุมวิชาการ 4 แห่ง สีเขียวหมายถึงคำวิจารณ์ที่เกี่ยวกับบทความหลัก สีแดงหมายถึงคำวิจารณ์ที่เกี่ยวกับภาคผนวก และพื้นที่ลายขีดเฉียงแสดงคำวิจารณ์ที่มุ่งไปยังภาคผนวกเพียงอย่างเดียว ในการทดสอบเกือบทุกครั้ง มีการระบุว่าคำวิจารณ์มากกว่าครึ่งมาจากเนื้อหาในภาคผนวก โดยพบอคติรุนแรงที่สุดใน GPT-6-Astra

เปรียบเทียบจุดที่บทวิจารณ์ซึ่งสร้างโดย AI ระบุว่ามีจุดอ่อนในบทความ จากการประชุมวิชาการ 4 แห่ง สีเขียวหมายถึงคำวิจารณ์ที่เกี่ยวกับบทความหลัก สีแดงหมายถึงคำวิจารณ์ที่เกี่ยวกับภาคผนวก และพื้นที่ลายขีดเฉียงแสดงคำวิจารณ์ที่มุ่งไปยังภาคผนวกเพียงอย่างเดียว ในการทดสอบเกือบทุกครั้ง มีการระบุว่าคำวิจารณ์มากกว่าครึ่งมาจากเนื้อหาในภาคผนวก โดยพบอคติรุนแรงที่สุดใน GPT-6-Astra

ดังที่แสดงไว้ข้างต้น คำวิจารณ์ประมาณครึ่งหนึ่งหรือมากกว่าที่ AI ทั้ง 4 โมเดลแสดงนั้นอ้างอิงเนื้อหาในภาคผนวก ซึ่งเป็นรูปแบบที่พบในการประชุมวิชาการทั้ง 4 แห่ง คำวิจารณ์บางข้อพุ่งเป้าไปที่ภาคผนวกเพียงอย่างเดียวโดยไม่เกี่ยวข้องกับบทความหลัก คิดเป็น 17.33% ของจุดอ่อนที่โมเดล GPT ระบุ เทียบกับ 10.16% ในกรณีของ Claude

ผลการศึกษาชี้ว่า มีการให้ความสนใจกับเนื้อหาในภาคผนวกมากเกินสัดส่วน จนบางครั้งรายละเอียดปลีกย่อยก็ถูกนำมาใช้เป็นเหตุวิจารณ์บทความโดยรวม

มีการเปรียบเทียบวิธีการต่าง ๆ เพื่อดูว่าอคติที่มีต่อภาคผนวกได้รับผลกระทบจากวิธีการเข้าถึง AI หรือไม่ โดยใช้ GPT-6-Astra ตรวจทานบทความที่ส่งเข้าร่วม ICLR 2027 จำนวน 100 ฉบับ ผ่าน Codex อินเทอร์เฟซเว็บของ ChatGPT และ API ที่ป้อนเอกสาร PDF ต้นฉบับหรือข้อความที่ดึงออกมาจากเอกสาร

เมื่อใช้ Codex ระบบจะดึงข้อความออกมาและตรวจสอบผ่านคำสั่ง ส่วนการใช้ API จะส่งไฟล์ PDF ฉบับเต็มหรือข้อความที่ดึงออกมาให้โมเดลโดยตรง ขณะที่เอกสารที่อัปโหลดผ่านอินเทอร์เฟซเว็บจะถูกประมวลผลด้วยระบบของอินเทอร์เฟซเอง ซึ่งทำงานแบบไม่เปิดเผยรายละเอียด:

เปรียบเทียบคำวิจารณ์ที่เกี่ยวกับภาคผนวกในโมเดล AI และวิธีการเข้าถึงแบบต่าง ๆ ด้านซ้ายแสดงว่า GPT-5 อ้างอิงเนื้อหาในภาคผนวกน้อยกว่าโมเดล GPT รุ่นใหม่อย่างมากในการประชุมวิชาการ 4 แห่ง ส่วนด้านขวาแสดงว่าอคติดังกล่าวยังคงมีอยู่ไม่ว่าจะเข้าถึง GPT-6-Astra ด้วยวิธีใดจาก 4 วิธี โดยคำวิจารณ์ที่เกี่ยวกับภาคผนวกคิดเป็น 62.2% ถึง 73.7% ของคำวิจารณ์ทั้งหมด พื้นที่ลายขีดเฉียงแสดงคำวิจารณ์ที่มุ่งไปยังภาคผนวกเพียงอย่างเดียว

เปรียบเทียบคำวิจารณ์ที่เกี่ยวกับภาคผนวกในโมเดล AI และวิธีการเข้าถึงแบบต่าง ๆ ด้านซ้ายแสดงว่า GPT-5 อ้างอิงเนื้อหาในภาคผนวกน้อยกว่าโมเดล GPT รุ่นใหม่อย่างมากในการประชุมวิชาการ 4 แห่ง ส่วนด้านขวาแสดงว่าอคติดังกล่าวยังคงมีอยู่ไม่ว่าจะเข้าถึง GPT-6-Astra ด้วยวิธีใดจาก 4 วิธี โดยคำวิจารณ์ที่เกี่ยวกับภาคผนวกคิดเป็น 62.2% ถึง 73.7% ของคำวิจารณ์ทั้งหมด พื้นที่ลายขีดเฉียงแสดงคำวิจารณ์ที่มุ่งไปยังภาคผนวกเพียงอย่างเดียว

ดังที่แสดงไว้ข้างต้น เนื้อหาที่เกี่ยวกับภาคผนวกถูกอ้างถึงในคำวิจารณ์ 62.2% ถึง 73.7% จากทั้ง 4 วิธี โดยพบสัดส่วนสูงสุดเมื่อส่งข้อความที่ดึงออกมาจากเอกสารให้ API โดยตรง จึงพบว่าอคตินี้ยังคงมีอยู่ไม่ว่าจะเข้าถึงโมเดลด้วยวิธีใด

ผลการทดสอบส่วนใหญ่ที่เหลือได้รายงานไว้ก่อนหน้านี้ในบทความแล้ว หากต้องการข้อมูลเพิ่มเติม โปรดดูเอกสารต้นฉบับ

กลเม็ดในการส่งบทความ

เรื่องนี้เป็นเรื่องส่วนตัวสำหรับผู้เขียนผลงานชิ้นใหม่นี้ เช่นเดียวกับที่เป็นเรื่องใกล้ตัวสำหรับฉัน เพราะฉันอ่านบทความวิทยาศาสตร์อยู่บ่อยครั้ง และได้เรียนรู้จากประสบการณ์อันยากลำบากถึงกฎที่ซ่อนอยู่ ตลอดจนวิธีหลีกเลี่ยงกฎเหล่านั้น ซึ่งกำหนดแนวทางการเขียนและนำเสนอบทความ

AI ไม่ได้ผิดโดยทั่วไปที่ให้ความสนใจกับภาคผนวก แม้จะทำเช่นนั้นด้วยเหตุผลที่ไม่ถูกต้องก็ตาม เพราะผู้เขียนมักซ่อน“จุดพลิกผันที่ควรรู้”ของบทความไว้ในนั้น ไม่ว่าจะเป็นปัจจัยหรือผลการศึกษาที่อาจหักล้างข้อกล่าวอ้างในเนื้อหาหลักแทบทั้งหมด หรืออย่างน้อยก็ทำให้ข้อกล่าวอ้างเหล่านั้นมีเงื่อนไขจำกัดลงอย่างมาก

ผู้เขียนก็ไม่จำเป็นต้องเป็นฝ่ายผิดเสมอไปที่ย้ายเนื้อหาสำคัญไปไว้ในภาคผนวก เนื่องจากแม่แบบของวารสารและเวทีเผยแพร่ที่ได้รับความนิยม เช่น แหล่งข้อมูลที่ใช้ในการศึกษาใหม่นี้ กำหนดจำนวนหน้าหรือจำนวนคำสูงสุดสำหรับเนื้อหาหลักของบทความ

เมื่อต้องรายงานผลการศึกษาที่ซับซ้อน ผู้เขียนจำนวนมากย่อมมองว่าข้อจำกัดนี้เข้มงวดอย่างยิ่ง ในกรณีที่ฉันเห็นว่า “แย่ที่สุด”† เนื้อหาหลักของบทความก็กลายเป็นเพียงดัชนีชี้ไปยังเนื้อหาที่ถูกย้ายไปไว้ท้ายบทความเพื่อหลีกเลี่ยงแนวทางที่กำหนด (แม้แนวทางเหล่านั้นกำลังตามทันและห้ามใช้ “กลเม็ด” นี้แล้วก็ตาม)

ความตึงเครียดที่เพิ่มขึ้นในสถานการณ์นี้เกิดจากความต้องการของสถาบันที่ต้องการให้ผู้เขียนควบคุมและจำกัดเนื้อหาที่นำเสนอ ซึ่งยิ่งสำคัญมากขึ้นเรื่อย ๆ เมื่อจำนวนบทความที่ส่งเข้ามาเพิ่มขึ้น กับความคับข้องใจที่เห็นได้ชัดของนักวิจัยที่ต้องการนำเสนอผลงานซึ่งได้มาด้วยความยากลำบากในบริบทที่ครบถ้วนและครอบคลุมเท่าที่พวกเขาเห็นว่าความพยายามนั้นสมควรได้รับ

 

 

* เน้นย้ำโดยผู้เขียน ไม่ใช่ฉัน

†เพราะเมื่อคัดเลือกบทความที่จะนำเสนอ การเลื่อนเนื้อหาไปไว้ในภาคผนวกอาจเป็นเรื่องยากที่แม้แต่ AI จะสังเกตเห็น แต่ก็อาจทำให้ผู้ประเมินสะดุดอย่างมาก หากพวกเขาจัดสรรเวลาสำหรับประเมินบทความ 10 หน้าไว้แล้ว แต่กลับพบว่าต้องพิจารณาเนื้อหา 30 หน้าในเวลาที่จัดสรรไว้เท่าเดิม

เผยแพร่ครั้งแรกวันจันทร์ที่ 16 พฤศจิกายน 2026

ผู้เขียนด้านการเรียนรู้ของเครื่อง, ผู้เชี่ยวชาญด้านการสังเคราะห์ภาพมนุษย์. อดีตหัวหน้าฝ่ายเนื้อหาการวิจัยที่ Metaphysic.ai, จนกระทั่งการรวมเข้าเป็น Brahma.ai ของ DNEG.
เว็บไซต์: martinanderson.ai
ติดต่อ: martin@martinanderson.ai