Rutgers AI 물질 사용 연구, 광범위한 이용 확인했지만 안전성은 여전히 측정되지 않아

Rutgers 연구진은 설문에 참여한 청년층의 32.3%가 물질 관련 정보를 위해 생성형 AI를 사용한 적이 있다고 밝혔지만, 그러한 상호작용이 도움이 됐는지 해를 끼쳤는지는 확인하지 못했다. Rutgers AI 물질 사용 연구는 사람들이 약물, 알코올, 그리고 그 영향에 대해 대화형 소프트웨어에 묻는 민감한 행동의 규모를 수치로 제시한다. 핵심 쟁점은 사람들이 답변에 느끼는 신뢰와 그 신뢰를 받을 만하다는 근거 사이의 간극이다.

이번 결과는 챗봇이 사람들이 대면으로는 묻기를 망설일 수 있는 질문을 가져가는 또 하나의 공간이 되는 가운데 나왔다. 프롬프트에 응답해 콘텐츠를 생성하는 소프트웨어인 생성형 AI는 이러한 대화를 직접적이고 개인적인 경험처럼 느끼게 할 수 있다. 제품이 처음에는 범용 비서로 시작했더라도, 이러한 편의성은 공중보건상의 책임을 낳는다.

Google 검색은 중요한 비교 기준을 제공한다. 연구진은 챗봇을 이용하는 사람들과 물질 관련 정보를 웹에서 검색하는 사람들 사이에 상당한 중복이 있음을 확인했다. 따라서 이 이야기는 질문과 결정 사이에 놓이는 또 하나의 영향력 있는 층위에 관한 것이다. 개발자, 임상의, 건강 정보 전달자들은 이제 같은 미해결 문제에 직면해 있다. 누군가 대화형 답변을 받아들인 뒤에는 어떤 일이 일어나는가?

Rutgers AI 물질 사용 연구가 실제로 측정한 것

이 연구는 입증된 의학적 이익이나 위해가 아니라, 보고된 이용 경험과 인식을 기록했다.

2026년 10월 19일 JMIR Formative Research에 게재된 물질 관련 AI 설문조사는 18세에서 29세 사이 미국 거주자 995명의 응답을 분석했다. 참가자들은 2026년 4월 Prolific을 통해 모집됐다. 이 가운데 321명은 물질 관련 목적으로 생성형 AI를 사용한 적이 있다고 답했다.

해당 이용자 가운데 48.2%는 적어도 매월 한 번 이를 사용한다고 답했다. 결과와 영향에 관한 질문이 특히 흔했다. 설문은 전체 응답자의 57.5%가 물질 관련 정보를 Google에서 검색한 적이 있다는 사실도 확인했다. 물질 관련 AI 사용을 보고한 응답자 가운데 92.8%는 해당 주제에 Google도 사용했다.

이처럼 겹치는 이용자층은 챗봇이 검색을 대체했다는 주장을 복잡하게 만든다. 한 사람은 동일한 정보 탐색 과정에서 검색 엔진, 챗봇 및 다른 출처를 오갈 수 있다. 이 설문은 어느 출처가 먼저였는지, 어느 답변이 더 큰 영향을 미쳤는지, 또는 상충하는 답변을 확인한 사람이 있었는지를 입증하지 않는다.

이 구분은 비즈니스 및 제품 측면의 함의를 바꾼다. 챗봇은 누군가의 유일한 정보원이 되지 않더라도 그 사람의 이해에 영향을 미칠 수 있다. 다른 곳에서 찾은 정보를 요약하거나, 낯선 용어를 설명하거나, 사용자가 최종적으로 기억하는 답변을 제공할 수 있다. 이는 이 설문이 입증한 행동이 아니라 가능한 역할이다.

시점 역시 같은 정도의 주의가 필요하다. 10월은 결과의 게재와 홍보가 이뤄진 시점이며, 응답은 4월에 보고된 행동을 설명한다. 독자는 헤드라인을 오늘의 채택 현황을 실시간으로 측정한 결과로 받아들여서는 안 된다. 데이터 수집 이후의 제품 변화도 연구진이 이미 수집한 응답을 설명할 수 없다.

헤드라인에서 언급한 청년층에도 경계가 필요하다. 이 연구는 특정 연령 범위의 성인을 다룬다. 이를 아동, 모든 학생 또는 물질을 사용하는 모든 사람에 대한 주장으로 확대해서는 안 된다. 물질 관련 질문을 했다고 해서 개인적 사용, 의존 또는 실험하려는 의도가 입증되는 것도 아니다.

기술 독자에게 구체적인 변화는 가시성이다. Rutgers 챗봇 연구는 이전까지 충분히 검토되지 않았던 활용 사례가 이 표본 안에서 측정 가능한 이용자층을 지녔음을 보여준다. 이 연구의 게재는 그 이용자층을 더 쉽게 간과할 수 없게 만들지만, 상호작용의 품질과 결과는 여전히 조사 대상으로 남긴다.

이는 결과를 과도하게 확대하지 않고도 주목할 충분한 이유가 된다. 채택 연구는 평가가 필요한 지점을 식별할 수 있다. 그러나 헤드라인이 아무리 눈길을 끌거나 챗봇 인터페이스가 아무리 익숙해졌더라도, 그러한 평가는 대체할 수 없다.

건강 정보 전달자들은 자체 웹사이트 밖의 이용자층에 대응해야 한다

이번 결과는 신뢰할 수 있는 정보가 대화형 인터페이스 안에서 주목을 두고 경쟁해야 하는 조직에 압력을 가한다.

Rutgers는 10월 23일 공개한 청년층 챗봇 연구 결과에서 참가자들이 주로 위험과 결과에 대한 정보를 찾았다고 설명했다. 제1저자인 Mireia Triguero Roura는 이러한 도구의 잘못된 정보가 위험한 행동으로 이어질 수 있다고 경고했다. 이 경고는 잠재적 위험을 지적한 것이며, 설문이 그러한 피해를 관찰했다는 뜻은 아니다.

실질적인 함의는 정확한 웹페이지를 하나 더 게시하는 데 그치지 않는다. 건강 관련 조직은 누군가 생성된 설명을 통해 정보를 접할 때 그 정보가 어떻게 전달되는지 고려해야 한다. 답변은 일반적인 결론을 유지하면서도 특정 독자에게 중요한 단서를 누락할 수 있다.

예시 상황을 생각해 보자. 누군가 건강 웹사이트에서 본 경고를 설명해 달라고 챗봇에 묻는다. 보조 도구는 더 짧은 답변을 제공하고, 그 사람은 해당 경고가 자신의 상황에도 적용되는지 묻는다. 이 예시는 가정이지만, 정보 교환이 어떻게 개인화된 해석으로 이동할 수 있는지 보여준다.

이 전환은 기초 지식을 제공하는 조직에 중요하다. 원문 페이지는 일반 교육과 개인별 평가를 신중하게 구분할 수 있다. 그러나 대화형 요약은 그 구분을 흐릴 수 있다. 정보 전달자들이 마주하는 질문은 정보의 형식이 바뀔 때 필수적인 경계가 계속 드러나는가이다.

임상의도 관련된 소통 과제에 직면한다. AI가 생성한 설명을 들고 찾아온 사람은 자신의 질문이 무엇을 의미하는지에 대해 이미 확신에 찬 이해를 갖고 있을 수 있다. 연구 결과의 함의로서, 임상 대화는 그 사람의 정보 탐색을 잘못으로 취급하지 않으면서 그러한 이해를 검토할 여지를 남겨야 한다.

일축하는 대응은 근본적인 질문을 답하지 못한 채 남긴다. 무비판적인 대응은 근거가 뒷받침하는 수준보다 챗봇에 더 큰 권위를 부여한다. 더 유용한 접근은 그 사람이 어떤 정보를 받았는지, 무엇을 이해했는지, 그리고 어디에 불확실성이 남아 있는지를 파악하는 것이다.

공중보건팀에도 배포 문제가 있다. 명확한 자료는 발견 가능하고, 이해하기 쉬우며, 정확하게 인용하거나 요약하기에 적합해야 한다. 그렇다고 챗봇이 그 의미를 보존한다는 보장은 없다. 다만 정보 전달자가 자신의 작업물이 자체 게시 채널 밖에서 어떻게 나타나는지 평가하기 시작할 구체적인 출발점을 제공한다.

이 압력은 즉각적이면서도 지속적이다. 조직은 지금 기존 자료의 명확성을 검토할 수 있다. 대화형 전달이 이해를 향상하는지 판단하려면 추가 근거가 필요하다. 이는 관련된 책임이지만 서로 다른 시간대에서 작동하며, 같은 성과로 제시해서는 안 된다.

따라서 이 연구는 디지털 건강 커뮤니케이션의 협소한 정의에 문제를 제기한다. 정확한 콘텐츠를 게시하는 일은 여전히 필수적이다. 사람들이 그 콘텐츠를 해석하는 인터페이스를 이해하는 일도 업무의 또 다른 부분이 된다. 특히 그러한 인터페이스가 원 저자가 결코 보지 못하는 후속 질문을 유도할 때 그렇다.

대화형 접근성과 검증된 지침은 서로 다른 필요를 충족한다

접근하기 쉬운 답변은 정보 접근성을 높일 수 있지만, 그 신뢰성 문제는 여전히 해결되지 않을 수 있다.

대화형 인터페이스가 제품 가치 제안으로 매력적인 이유는 이해하기 쉽다. 사용자는 어색한 질문을 일상적인 언어로 표현하고, 설명을 요청하며, 여러 페이지를 탐색하지 않고도 대화를 이어갈 수 있다. 이러한 기능은 상호작용 방식을 설명한다. 임상적 적합성을 입증하는 것은 아니다.

이것이 AI 건강 정보의 핵심 상충 관계다. 마찰을 줄이면 질문하기는 쉬워질 수 있다. 같은 감소는 근거를 검토하지 않은 채 답변을 받아들이는 일도 쉽게 만들 수 있다. 실제로 그런 일이 일어나는지, 그리고 어떤 결과를 낳는지는 직접적인 연구가 필요하다.

Google 검색은 일반적으로 여러 목적지와 눈에 보이는 게시자를 제시하기 때문에 유용한 기준점이 된다. 사용자는 여전히 해당 출처를 평가해야 하며, 검색 결과가 정확성을 보장하지도 않는다. 챗봇은 그러한 작업을 하나의 답변으로 압축할 수 있으므로, 그 종합의 근거가 특히 중요하다.

ChatGPT, Google Gemini, Meta AI, Snap’s My AI는 Rutgers 설문에서 생성형 AI의 예시로 제시됐다. 이들이 포함됐다고 해서 비교 성능이 입증되는 것은 아니다. 이 연구는 특정 제품을 우승자로 지목하거나 하나의 제품에 측정된 안전성 우위를 부여할 근거를 제공하지 않는다.

의미 있는 비교를 하려면 비교 가능한 조건에서 같은 질문을 검토해야 한다. 평가자는 각 시스템이 무엇을 답했는지, 어떤 근거를 제시했는지, 누락된 맥락을 어떻게 처리했는지를 기록해야 한다. 세련된 답변만으로는 이 환경에서 제품 순위를 매기기에 불충분하다.

과거 여론조사는 이용과 신뢰를 구분해야 할 필요성을 다시 보여준다. KFF는 2024년 8월 AI 건강 정보 여론조사에서 30세 미만 성인의 25%가 건강 정보를 위해 적어도 매월 챗봇을 사용한다고 밝혔다. 전체 성인 가운데서는 29%가 챗봇이 신뢰할 수 있는 건강 정보를 제공한다고 신뢰한다고 답했다.

이 수치는 서로 다른 설문과 더 넓은 건강 질문 범주를 설명한다. Rutgers 결과와 비교해 채택 추세를 입증할 수는 없다. 모집단, 질문, 측정 방식이 다르다. 여기서 이 수치의 가치는 맥락에 있다. 챗봇 이용과 신뢰성에 대한 판단은 이 특정 연구 이전부터 이미 별개의 공적 관심사였다.

제품 과제는 대화 중에 이러한 구분을 이해할 수 있게 만드는 것이다. 도움이 되는 인터페이스는 일반 정보를 설명하는 때와 사용자의 질문이 시스템이 책임 있게 판단할 수 있는 범위를 넘는 때를 알려야 한다. 이는 Rutgers 연구가 입증한 결과가 아니라 설계 목표다.

출처의 가시성도 중요하다. 인용은 사용자가 검토할 대상을 제공하지만, 인용이 있다고 해서 답변이 해당 자료를 정확히 반영한다는 증거는 아니다. 평가는 주장과 근거의 연결을 살펴야 하며, 요약 과정에서 단서가 유지됐는지도 포함해야 한다.

이미 개인 지식 베이스를 통해 기술 자료를 정리하는 독자에게는 정보 관리의 구분이 익숙하다. 원출처에 계속 접근할 수 있게 보관하면 나중에 확인할 수 있다. 그렇다고 저장된 설명이 검증된 의학적 지침으로 바뀌는 것은 아니다.

더 넓은 함의는 접근성과 책임성에 별도의 측정 기준이 필요하다는 점이다. 시스템은 접근하기 쉬우면서도 감사하기는 어려울 수 있다. 제품팀은 만족스러운 대화 자체를 각각의 근거로 내세우기보다, 두 측면을 모두 어떻게 평가하는지 설명할 수 있어야 한다.

신뢰에는 만족으로는 제공할 수 없는 평가가 필요하다

사용자의 긍정적인 인상은 중요한 관찰이지만, 정확성 검사는 아니다.

Rutgers는 참가자들이 AI 도구를 유용하고 신뢰할 수 있으며 믿을 만하다고 인식했다고 보고했다. 이러한 인식은 이 사용 사례가 주목할 만한 이유를 설명하는 데 도움이 된다. 이는 사용자가 기술과 어떤 관계를 맺고 있다고 믿는지에 관해 연구자에게 시사점을 주지만, 특정 응답이 정확했는지를 입증하지는 않는다.

사용자가 답변을 판단할 지식이 부족해 질문하는 경우, 이 차이는 특히 중요하다. 가독성은 설명을 더 쉽게 이해하게 만들 수 있다. 자신감 있는 표현은 이를 더 쉽게 받아들이게 만들 수 있다. 그러나 어느 특성도 그 설명에 필요한 사실과 단서가 담겨 있음을 독립적으로 입증하지는 않는다.

따라서 향후 평가는 몇 가지 질문을 분리해야 한다. 응답은 정확한 정보를 제시했는가? 중요한 내용을 빠뜨렸는가? 사용자는 그 불확실성을 이해했는가? 대화는 이후의 결정에 영향을 미쳤는가? 이러한 질문들을 일반적인 만족도 점수로 묶으면 중요한 구분이 가려질 수 있다.

세계보건기구의 생성형 AI 지침은 다양한 유형의 콘텐츠를 받아들이고 생성하는 모델의 더 폭넓은 건강 분야 활용을 다룬다. 이 지침은 거짓되거나 불완전한 진술, 편향, 자동화된 출력에 대한 과도한 의존 등을 우려 사항으로 지목한다. 이러한 우려는 모든 대화가 실패한다는 증거가 아니라 평가의 틀을 제공한다.

불완전한 답변은 제품 테스트와 특히 관련이 있다. 평가자는 시스템이 명시적으로 말하는 내용뿐 아니라 무엇을 빠뜨리는지도 살펴봐야 한다. 답변이 정확한 일반적 진술을 담고 있더라도, 그것을 개별 상황에 적용하는 데 따르는 한계를 전달하지 못할 수 있다.

불확실성에도 같은 원칙이 적용된다. 대화 시작 시의 면책 고지가 이후 답변에서도 적절한 경계가 유지됨을 입증하지는 않는다. 사용자가 세부 정보를 추가하거나, 안심을 구하거나, 신중한 응답에 이의를 제기하는 과정 전반을 평가가 따라가야 한다.

이는 Rutgers AI 물질 사용 연구의 결과가 아니라 제안된 테스트 우선순위다. 이러한 구분은 연구자들이 테스트하지 않은 역량이나 실패를 시스템에 부여하는 일을 막는다. 또한 실제 격차를 해소하기 위해 개발자가 제시할 수 있는 증거에 주의를 돌린다.

인지된 유용성 역시 그 평가에 포함되어야 한다. 사용자가 이해할 수 없는 기술적으로 정확한 설명은 그 자체로 소통의 문제를 낳는다. 목표는 이해도와 정확성을 함께 평가하되, 각각의 의미는 분리해 유지하는 것이어야 한다.

이는 제품 주장에 까다로운 기준을 요구한다. 민감한 질문에 유용한 어시스턴트라고 설명하는 기업은 자사의 증거에서 “유용하다”가 무엇을 뜻하는지 설명해야 한다. 더 빠른 답변, 더 명확한 표현, 정확한 콘텐츠, 더 나은 의사결정은 서로 다른 성과다. 하나를 입증했다고 해서 조용히 모든 성과에 관한 주장으로 바뀌어서는 안 된다.

공적 논쟁도 같은 규율에서 이득을 얻는다. 대화형 접근성의 매력을 인정하면서도 신뢰성에 관한 더 강한 증거를 요구할 수 있다. 이 입장은 보편적 이익이나 불가피한 피해를 어느 쪽이든 가정하지 않고, 해결되지 않은 질문들에서 직접 도출된다.

표본 추출과 인구통계학적 차이가 헤드라인의 범위를 제한한다

“3분의 1”이라는 결과는 이 설문 표본에만 해당하며, 정확한 전국 추정치로 바뀌어서는 안 된다.

연구진은 온라인 비확률 표본을 한계로 지적한다. 이 설계에서는 모든 적격자가 알려진 선택 확률을 갖도록 하는 절차를 통해 참가자가 모집되지 않는다. 따라서 온라인 활동이 특히 활발하거나 AI에 익숙한 사람들이 과대표집됐을 수 있다.

모집 할당량은 이러한 선택 문제를 없애지는 못하지만 표본의 인구통계학적 균형을 개선할 수 있다. 선택된 인구 특성과 일치한다고 해서 참가자들이 정보 습관 측면에서 다른 모든 사람과 닮았다는 뜻은 아니다. 조사 대상 행동 자체가 온라인 활동과 밀접하게 연결돼 있으므로 이 구분은 중요하다.

이러한 단서는 보고된 행동을 무효화하지 않는다. 다만 그 수치가 뒷받침할 수 있는 범위를 바꾼다. 이 연구는 모집된 집단 내에서 상당한 사용이 있었음을 보여주며 추가 조사가 필요하다는 근거를 제공한다. 그러나 이 행동이 모든 미국 청년 성인 전반에서 정확히 얼마나 흔한지를 확정하지는 않는다.

이 설문은 응답자가 자신의 행동을 기억하고 설명하는 데에도 의존한다. 저자들은 수정해 사용한 측정 방식이 이전에 예비시험이나 검증을 거치지 않았다고 언급한다. 따라서 독자는 이 결과를 전체 인구를 추적하기 위한 최종 도구가 아니라, 불확실성이 인정된 초기 측정 노력으로 받아들여야 한다.

인구통계학적 결과에도 유사한 절제가 필요하다. 흑인 및 남성 응답자는 물질 관련 AI 사용을 보고할 가능성이 더 높았다. Rutgers는 의료 접근성, 낙인, 신뢰, 정보 탐색 습관과 관련한 가능한 설명을 논의한다. 그러나 이러한 설명은 설문으로 확립된 원인이 아니라 가설에 머문다.

연관성은 인구통계학적 특성이 행동을 만들어낸다는 것을 입증하지 않는다. 또한 서로 다른 집단이 서로 다른 답변을 받았는지, 다른 결과를 경험했는지도 보여주지 않는다. 이러한 질문에는 이 연구가 제공하지 않는 상호작용과 결과에 관한 증거가 필요하다.

개발자에게 주는 시사점은 평가가 제품을 사용하는 사람들을 충분히 대표하는지 검토해야 한다는 것이다. 중요한 사용자 집단을 간과하는 테스트 대상은 중요한 질문을 답하지 못한 채 남길 수 있다. 이 권고는 특정 집단의 판단력이나 취약성에 관한 가정을 정당화하기보다 포용적 연구를 이끌어야 한다.

기자와 독자에게는 표현이 중요하다. “설문에 참여한 청년 성인”은 결과의 경계를 보존한다. 단서 없는 “청년 성인”은 더 폭넓은 확실성을 암시할 수 있다. 헤드라인에서는 작은 차이지만 해석에서는 상당한 차이다.

Rutgers의 챗봇 연구는 AI 사용과 건강 정보 수요 사이의 인과 방향도 확립할 수 없다. 더 많은 정보를 찾는 사람들이 더 많은 채널로 향할 수 있다. 서로 다른 정보 습관이 챗봇 도입보다 앞섰을 수도 있다. 단일 설문으로는 그 순서를 판별할 수 없다.

이러한 한계는 후속 연구의 가치를 높인다. 비교 가능한 방법을 사용한 반복 설문은 시간에 따른 변화를 살필 수 있다. 참가자를 추적하는 연구는 대화 이후 어떤 일이 일어났는지 조사할 수 있다. 직접적인 답변 감사는 정확성을 다룰 수 있다. 각 설계는 서로 다른 질문에 답하므로, 어느 하나의 후속 연구가 모든 것을 해결할 것으로 기대해서는 안 된다.

다음 증거는 답변과 이해를 연결해야 한다

가장 유용한 다음 진전은 시스템이 무엇을 말하는지, 사용자가 무엇을 이해하는지, 그리고 두 요소가 어떻게 연결되는지를 보여줄 것이다.

Rutgers AI 물질 사용 연구는 소비자 AI의 민감한 활용 사례를 면밀히 살펴볼 이유를 제시한다. 앞으로 몇 달 동안 독자들은 출판물, 제품 업데이트 또는 안전성 발표가 불확실성을 해결한다고 가정하기보다 구체적인 증거를 주시해야 한다.

첫 번째 신호는 물질 관련 챗봇 응답에 대한 독립적 평가다. 유용한 평가는 질문 세트, 평가 기준, 테스트한 제품 버전, 누락 정보에 접근하는 방식을 공개해야 한다. 전문가 검토는 정확성, 누락, 불확실성, 그리고 시스템이 개인별 지침으로 나아가는 지점을 살펴봐야 한다.

일관되게 적절한 응답은 대화형 접근성이 이 이용자층에 책임 있게 제공될 수 있다는 근거를 강화할 것이다. 반복되는 중대한 오류는 이러한 환경에서 범용 시스템에 의존하는 것에 대한 우려를 강화할 것이다. 어느 결과든 도입 수치만으로는 제공할 수 없는 정보를 더한다.

두 번째 신호는 사용자 해석에 관한 연구다. 연구자는 사람들이 답변이 무엇을 확립했다고 믿는지, 어떤 단서를 기억하는지, 그 출처를 확인하는지를 살펴봐야 한다. 평가자에게는 적절히 신중해 보이는 응답이라도 독자에게는 근거 없는 확신을 남길 수 있다.

사용자가 경계를 이해한다는 증거는 기존 소통 방식의 효과를 뒷받침할 것이다. 그들이 일상적으로 그러한 경계를 놓친다는 증거는 이를 문제 삼을 것이다. 이는 생성된 콘텐츠의 문제와 인터페이스가 해당 콘텐츠를 제시하는 방식의 문제를 구분하는 데 도움이 된다.

세 번째 신호는 측정 가능한 평가를 수반하는 투명한 제품 변화다. 개발자가 모호한 건강 질문, 출처 확인, 개인화된 조언으로 전환되는 과정을 어떻게 다루는지 설명하는지 주시해야 한다. 새로운 경고나 의뢰 기능은 그것이 대화에 어떤 영향을 미치는지 증거가 보여줄 때 의미를 갖는다.

문서화된 개선은 특정 개입에 대한 신뢰를 강화할 것이다. 공개된 테스트가 없는 발표는 핵심 불확실성을 해결하지 못한 채 남길 것이다. 관련된 질문은 출시 문구가 얼마나 안심을 주는지가 아니라, 관찰된 행동에서 무엇이 바뀌었는지다.

이러한 신호 중 어느 것도 모든 대화형 건강 정보가 본질적으로 쓸모없거나 본질적으로 안전하다고 취급할 것을 요구하지 않는다. 이는 주장에 부합하는 증거를 요구한다. 도입, 만족도, 콘텐츠 품질, 이해, 건강 결과는 차이를 보이게 유지한 채 같은 조사 안에 포함돼야 한다.

이 구분을 염두에 두고 Rutgers AI 물질 사용 연구를 읽고, 다음 챗봇 헤드라인에도 적용해야 한다. 누가 참여했는지, 연구자들이 무엇을 측정했는지, 보고된 결과가 사용, 신뢰, 정확성 또는 결과에 관한 것인지 질문하라. 기업이 안전장치를 도입할 때는 실제 상호작용에 대한 평가를 찾아보라. 설문이 자신감을 설명할 때는 이를 정확성의 증거로 읽지 말라. 중요한 다음 질문은 접근 가능한 답변이 사람들이 신뢰할 수 있는 정보를 이해하고 그 한계를 인식하도록 돕는지 여부다. 이러한 단계들을 연결하는 증거를 따르고, 헤드라인이 연구가 측정한 범위보다 더 많은 것을 약속할 때 원래 연구를 가까이 두어야 한다.