你有没有遇到过这种事？AI写的临床总结里，85.9%和79.5%两个数字一个没抄错，结果却说‘前者略低于后者’——可85.9明明比79.5大啊！再比如，原文只说‘观察到轻微提升’，AI转头就写成‘证明该方法是必要干预’。数字没动，语气升级，方向反转，结论翻车。这不是幻觉，不是编造，甚至不是胡说八道——它每个数都有出处，每句话都像模像样。偏偏最要命的那部分：统计关系、比较逻辑、证据强度，全歪了。
北大和易鑫AI Lab团队在EMNLP 2026主会上捅破了这层窗户纸。他们在官方AI审稿实验中真实收到了这样的意见，还拿真实临床试验报告做了大规模测试。结果扎心：用主流指标FActScore一测，错误报告反而拿了满分——因为它复用了原文数字；而真正说对了‘2.77升到5.76’的报告，却被判零分，只因指标没捕捉到‘上升’这个关系。SelfCheckGPT也靠不住：模型如果每次都把‘大于’写成‘小于’，输出稳定，分数照样漂亮。
问题出在哪？不在‘记不记得’，而在‘能不能准确表达所记住的关系’。团队把这类问题叫‘统计主张失真’（statistical claim distortion）——数字是锚，但主张才是船。他们提出‘Claim-Locked Reporting’：先锁住能说什么（比如‘A显著高于B’或‘仅观察到趋势’），再让模型组织语言。不是防编造，而是防‘一本正经地曲解’。这提醒我们：当AI开始替人写摘要、审论文、出诊断建议时，盯住数字远远不够，得盯住数字之间那根看不见的逻辑线。
这根逻辑线，其实早就在医学写作规范里反复强调过。《国际医学期刊编辑委员会（ICMJE）推荐规范》明确要求：统计结果的表述必须与检验方法、P值、置信区间严格对应；说“显著改善”之前，得先确认是否做了假设检验、α设为多少、有没有校正多重比较。可现在的AI模型压根不读这些规则——它读的是海量论文里的语言模式。结果就是：看到“p<0.05”就自动配“显著”，看到两个均值差个2以上就写“大幅提升”，连标准误和标准差都分不清，更别说效应量（Cohen’s d）和临床意义的区别了。
更现实的问题是，医生真在用。2024年《JAMA Internal Medicine》一项问卷调查显示，37%的住院医师在撰写病例总结时会调用AI辅助；其中近一半承认“没逐条核对统计结论是否匹配原文图表”。不是懒，是信任——毕竟数字对得上，语句通顺，格式规范，连参考文献都能自动生成。可恰恰是这种“差不多就行”的惯性，让错误悄悄扎根。去年某三甲医院试点AI生成出院小结，事后抽查发现，12份中有3份把“OR=1.82（95%CI: 0.94–3.51）”描述为“风险明显升高”，而实际上置信区间跨过了1，根本不能下因果判断。
北大团队后续还做了医生反馈实验：给同一批临床报告，一组看原始PDF，一组看AI改写版。结果发现，医生对AI版的信任度平均高出23%，但识别逻辑错误的能力反而下降了19%——因为语言太流畅，反而削弱了警惕性。这不是技术问题，是认知陷阱。就像我们看错“the the”连写一样，大脑会自动补全“合理”的意思，跳过矛盾点。
所以别再只盯着AI会不会编数字了。真正该建的防线，是帮人重建“关系敏感度”：看到百分比，立刻问“基线是多少？分母变了没？”；看到“提升”，马上查“是绝对差还是相对增幅？有无校准？”；遇到“显著”，反手翻P值和检验方法。工具可以辅助，但逻辑锚点，终究得攥在人自己手里。
天顺优配提示：文章来自网络，不代表本站观点。
