Rekomendacje wyborcze Grok faworyzują Republikanów, podczas gdy GPT OpenAI faworyzuje Demokratów
W badaniu, które zmuszało oba modele do wskazania kandydata, rekomendacje wyborcze Grok faworyzowały Republikanów, a GPT OpenAI — Demokratów. Zgłoszona różnica była wyraźna: Grok wybierał Republikanów w 92% odpowiedzi, a GPT wskazywał Demokratów w 97%. W prawie 500 wyścigach wyborczych modele zgadzały się ze sobą mniej niż w 10% przypadków.
Wyniki te opisują konkretny test, a nie każdą rozmowę użytkowników z którymkolwiek chatbotem. Badacze korzystali z interfejsów deweloperskich z włączonym wyszukiwaniem w sieci i wyraźnie wymagali wyboru kandydata. Aplikacje konsumenckie początkowo odmawiały udzielenia rekomendacji, co stanowi istotną granicę dla wniosków, jakie można wyciągnąć z tych wyników.
Presja spada teraz na dostawców modeli i deweloperów oferujących wsparcie AI w badaniach dotyczących spraw publicznych. Odmowa poparcia kandydatów ogranicza jedno widoczne zachowanie. Pozostawia jednak trudniejsze pytanie: czy sposób, w jaki system dobiera kwestie i dowody, już kieruje użytkowników ku preferowanemu wnioskowi.
Co faktycznie mierzyły rekomendacje wyborcze Grok
Badanie mierzyło wybór kandydata pod presją konieczności podjęcia decyzji, przy dostępie do wyszukiwania online.
Convovo, studio badawcze i projektowe zajmujące się konwersacyjną AI, kierowane przez profesora Cornell University Tapana Parikha, opublikowało eksperyment w ramach swojego badania kart wyborczych AI. W opisie wskazano, że testowane modele to Grok 4.7 oraz GPT-6.1 Sol. Zakres obejmował wybory do Izby Reprezentantów, Senatu i na gubernatorów w 2026 roku.
Badacze uzyskali dostęp do modeli przez interfejs programowania aplikacji, czyli API, który pozwala deweloperom bezpośrednio łączyć oprogramowanie z modelem. Ma to znaczenie, ponieważ deweloper może dostarczyć instrukcje i narzędzia różniące się od konfiguracji aplikacji konsumenckiej. Współdzielenie rodziny modeli nie gwarantuje identycznego zachowania w tych środowiskach.
Prompt wymagał wskazania jednego kandydata i zniechęcał do zastrzeżeń. Był to więc test odporności na presję decyzji: co dzieje się, gdy system musi przekształcić informacje wyborcze w rekomendację? Nie było to zwykłe zapytanie o biografie kandydatów, procedury głosowania czy porównanie stanowisk politycznych.
To rozróżnienie nadaje eksperymentowi wartość, jednocześnie ograniczając jego zasięg. Celowo wymagający prompt może ujawnić tendencje, które bardziej ostrożne odpowiedzi ukrywają. Częstotliwość tych tendencji w warunkach testu nie może jednak automatycznie opisywać ich częstotliwości podczas codziennego użycia.
Podane odsetki wymagają również właściwego mianownika. Dotyczą odpowiedzi modeli w eksperymencie, a nie wyborców, rozmów w całej usłudze ani wyników wyborów. Udział rekomendacji nie mówi czytelnikom, ilu ludzi otrzymało podobną poradę ani czy ktokolwiek zgodnie z nią postąpił.
Podobnie zgodność między modelami mierzy spójność ich wyborów. Nie mierzy poprawności. Rekomendacje polityczne zależą od priorytetów i ocen, dlatego niezgodność wymaga zbadania powodów stojących za każdą odpowiedzią.
Przydatne porównanie sprawdzałoby, czy systemy rozważały równoważne dowody i ujawniały swoje założenia. Jeden model może priorytetowo traktować opiekę zdrowotną, a drugi opodatkowanie. Nawet trafne opisy mogą prowadzić do przeciwnych rekomendacji, gdy systemy po cichu przypisują tym kwestiom różną wagę.
Główny wniosek jest zatem węższy niż twierdzenie, że którykolwiek chatbot ma trwałą tożsamość polityczną. W testowanych warunkach systemy wielokrotnie wybierały przeciwne partie. Wyjaśnienie tego wzorca wymaga oddzielenia promptu, dostępnych dowodów, zachowania modelu oraz otaczających go instrukcji produktowych.
Dla czytelników stykających się z nagłówkiem ta granica jest kluczowa. Badanie podnosi konkretną obawę dotyczącą zautomatyzowanych rekomendacji. Nie dowodzi, że każda odpowiedź Grok faworyzuje Republikanów ani że każda odpowiedź GPT faworyzuje Demokratów.
Presja dociera do deweloperów poza aplikacjami chatbotów
Deweloperzy muszą oceniać zachowanie własnych aplikacji, w tym sposób gromadzenia i prezentowania przez nie dowodów.
OpenAI powiedziało TechCrunch, że test deweloperskiego API nie odzwierciedla zwykłego doświadczenia z ChatGPT. To rozróżnienie dotyczące aplikacji konsumenckiej ma znaczenie dla interpretacji wyników.
Deweloper tworzący asystenta do badań wyborczych nie może zakładać, że odmowa chatbota konsumenckiego automatycznie przeniesie się na jego rozwiązanie. Wdrożona aplikacja ma własne instrukcje, źródła informacji i wymagania dotyczące wyników. Te wybory decydują o tym, z czym faktycznie spotykają się użytkownicy.
Rozważmy hipotetyczną usługę informacyjną dla obywateli, która prosi model o porównanie kandydatów i wydanie zwięzłej rekomendacji. Jej projektanci mogą chcieć ograniczyć wysiłek potrzebny do czytania rozbudowanych programów. Jednak wymóg dokonania ostatecznego wyboru przekazuje również zadanie określenia, które priorytety polityczne zasługują na największą wagę.
To decyzja produktowa o konsekwencjach redakcyjnych. Jeśli użytkownik nie podał swoich priorytetów, system musi wprowadzić jakąś podstawę do uszeregowania kandydatów. Wynik może brzmieć osobiście i autorytatywnie, choć opiera się na założeniach, których użytkownik nigdy nie zatwierdził.
Usunięcie rekomendacji zmieniłoby tę interakcję, lecz nie rozwiązałoby wszystkich problemów. Porównanie kandydatów nadal wymaga kategorii, dowodów i kolejności prezentacji. Każdy z tych elementów może wpłynąć na to, co czytelnik zauważy, zanim dotrze do jakiegokolwiek wyraźnego wniosku.
W przypadku klientów korporacyjnych istotne pytanie wykracza poza narzędzia wyborcze. Zespoły ds. spraw publicznych, analitycy polityk publicznych i działy komunikacji wykorzystują AI do podsumowywania spornych informacji. Odpowiedź może kształtować ich rozumienie poprzez dobór i akcentowanie treści, nawet jeśli nie zawiera bezpośredniego poparcia.
W tym miejscu polityczne uprzedzenia Grok stają się kwestią oceny, a nie argumentem brandingowym. Nabywcy potrzebują dowodów dotyczących zadań, które faktycznie wykonują. Test wyborczy z wymuszonym wyborem stanowi sygnał ostrzegawczy, ale to ich własne procesy badawcze określają praktyczną ekspozycję.
Deweloperzy mierzą się także z problemem komunikacyjnym. Określanie narzędzia jako neutralnego tworzy oczekiwania dotyczące jego zachowania w szerokim zakresie pytań. Wykazanie neutralności wymaga czegoś więcej niż pokazania, że odmawia ono najbardziej bezpośredniego żądania wskazania kandydata.
Łatwiejsza do oceny deklaracja opisywałaby, co robi aplikacja: odróżnia fakty od ocen, przedstawia istotne dowody i wskazuje niepewność. Użytkownicy mogą sprawdzić te zachowania. Nie mogą bezpośrednio zweryfikować abstrakcyjnego twierdzenia, że system nie ma perspektywy politycznej.
Bezpośredni ciężar jest zatem wspólny. Dostawcy muszą wyjaśniać granice zachowania modeli, a twórcy aplikacji muszą weryfikować swoje wdrożenia. Żaden z nich nie może w pełni odpowiadać za konfigurację drugiego.
Dla użytkowników praktyczną konsekwencją jest przejrzystość. Gdy asystent wydaje rekomendację, jego priorytety powinny być możliwe do zidentyfikowania. W przeciwnym razie system przedstawia wniosek, pozostawiając najbardziej istotną część swojego rozumowania poza rozmową.
Wyszukiwanie może kształtować wybór, zanim pojawi się odpowiedź
Dostęp do wyszukiwania w sieci sam w sobie nie sprawia, że rekomendacja jest wyważona ani dobrze uzasadniona.
Konfiguracja badania z włączonym wyszukiwaniem tworzy mechanizm wart zbadania: model pomaga określić dowody, które później ocenia. Wybiera zapytania, napotyka wyniki i wybiera materiały do swojej odpowiedzi. Każdy etap może zawęzić zakres informacji docierających do końcowej odpowiedzi.
Proces ten często nazywa się wyszukiwaniem kontekstowym, czyli gromadzeniem zewnętrznych materiałów do wykorzystania przy generowaniu odpowiedzi. Może ono poprawić dostęp do aktualnych informacji. Wprowadza jednak również pytania o pokrycie źródeł, brzmienie zapytań oraz to, czy konkurencyjne twierdzenia są analizowane z porównywalną starannością.
Wyobraźmy sobie porównanie kandydatów, które zaczyna się od wyszukiwania propozycji dotyczących opieki zdrowotnej. Inne zaczyna się od egzekwowania przepisów imigracyjnych. Oba wyszukiwania mogą zwrócić istotne fakty, ale ustalają różne agendy, zanim model oceni któregokolwiek kandydata.
Żaden z tych tematów nie jest z natury niewłaściwym wyborem. Problem pojawia się, gdy system przedstawia wybraną przez siebie agendę jako oczywiste lub kompleksowe odzwierciedlenie wyborów. Użytkownik zadający szerokie pytanie niekoniecznie upoważnił system do takiego ustalenia priorytetów.
Różnorodność źródeł wymaga podobnej staranności. Odpowiedź zawierająca kilka linków może nadal opierać się na materiałach dzielących te same założenia lub powtarzających to samo źródłowe ujęcie. Liczenie cytowań nie może potwierdzić, że system przeanalizował znaczący zakres dowodów.
Przeciwnym błędem jest domaganie się równego traktowania każdego twierdzenia. Dobrze udokumentowane stwierdzenie i możliwe do wykazania fałszywe oskarżenie nie zasługują na równą wiarygodność. Wyważone badanie wymaga spójnych standardów dowodowych, a nie mechanicznego rozdzielania przychylnych i nieprzychylnych zdań.
Niezależne badania wyborcze pokazują, dlaczego źródła zasługują na analizę obok dokładności faktograficznej. Badanie informacji dla wyborców organizacji States United analizowało ChatGPT i Google AI w rundach testowych pod koniec 2025 i na początku 2026 roku. Wykazało poprawę dokładności faktograficznej przy jednoczesnym utrzymywaniu się problemów z kompletnością oraz odsyłaniem do oficjalnych źródeł wyborczych.
Badanie to dotyczyło innych pytań niż eksperyment Convovo z wyborem kandydata. Wskazuje jednak na powiązaną słabość: odpowiedź może unikać pojedynczych błędów faktograficznych, a jednocześnie pomijać informacje potrzebne użytkownikowi. Dokładność i adekwatność to odrębne właściwości.
W zastosowaniu do porównania Grok vs GPT to rozróżnienie zmienia zakres, który recenzenci powinni sprawdzać. Końcowa etykieta partyjna jest tylko jednym wynikiem. Bardziej wymowny materiał obejmuje to, którzy kandydaci się pojawili, którym kwestiom poświęcono uwagę oraz czy cytowane strony wspierały przedstawione rozumowanie.
W procesie pracy występuje również problem sprzężenia zwrotnego. Model, który zaczyna od preferowanego ujęcia, może wyszukiwać dowody je wspierające, a następnie interpretować wyniki jako potwierdzenie. Ustalenie tego mechanizmu wymaga kontrolowanych testów; sam partyjny wynik nie może dowieść, że do niego doszło.
Ta sama ostrożność dotyczy wyjaśnień komercyjnych. Obecność wydawcy w wynikach wyszukiwania nie wyjaśnia, dlaczego się tam znalazł. Twierdzenia, że umowy licencyjne, własność lub instrukcje polityczne spowodowały określoną odpowiedź, wymagają dowodów łączących te czynniki z zaobserwowanym zachowaniem.
Wniosek z rekomendacji wyborczych Grok dotyczy zatem całej ścieżki informacyjnej. Dopracowany końcowy akapit może ukrywać wcześniejsze wybory zasługujące na analizę. Ocenianie wyłącznie odpowiedzi pozostawia dobór dowodów w dużej mierze nieprzeanalizowany.
Grok vs GPT nie ustala, kto przekonał wyborców
Wzorzec rekomendacji jest dowodem dotyczącym wyniku systemu, podczas gdy perswazja wymaga dowodów dotyczących ludzi.
To rozróżnienie ma znaczenie, ponieważ nagłówek zachęca do dalej idącego wniosku, niż eksperyment może poprzeć. Model może wielokrotnie rekomendować daną partię, nie zmieniając preferencji żadnego wyborcy. Z kolei bardziej subtelna odpowiedź może wpłynąć na czytelnika, nigdy nie wskazując preferowanego kandydata.
Pomiar perswazji wymagałby obserwowania, jak ludzie reagują w określonych warunkach. Badacze musieliby odróżnić istniejące preferencje od zmian związanych z ekspozycją. Wyniki wymuszonego wyboru nie zapewniają takiego pomiaru.
Nie potwierdzają też wpływu na wybory. Przejście od wygenerowanych odpowiedzi do zmian frekwencji lub poparcia dla kandydatów wymaga dodatkowych dowodów. Udział rekomendacji modelu nie może zastąpić tych brakujących etapów.
Prompt zastosowany w eksperymencie tworzy kolejne ograniczenie. Zniechęcanie do zastrzeżeń sprawdza, jak model zachowuje się, gdy jest nakłaniany do pewności. Wiele uzasadnionych pytań badawczych wymaga zastrzeżeń, ponieważ dowody są niepełne, priorytety się konfliktują lub kandydaci różnią się w kilku wymiarach.
Nie czyni to testu nieistotnym. Systemy powinny być oceniane w wymagających warunkach, w tym przy żądaniach ujawniających niepożądane skłonności. Interpretacja musi po prostu zachować rozróżnienie między testem obciążeniowym a reprezentatywną próbką zwykłego użycia.
Solidna ocena powinna również oddzielnie analizować odmowy i rekomendacje. Jeśli system często odmawia, przypadki, w których odpowiada, mogą tworzyć selektywny podzbiór. Raportowanie wyłącznie rozkładu partyjnego wśród odpowiedzi może zacierać, jak często model odmówił wyboru.
Powtarzane próby są ważne z innego powodu. Wygenerowane odpowiedzi mogą się różnić, a to samo pytanie może prowadzić do innego sformułowania lub wniosku. Stabilny wzorzec w kolejnych powtórzeniach wspierałby mocniejsze twierdzenie niż pojedyncza odpowiedź, choć sama stabilność nadal nie ustalałaby jego przyczyny.
Porównania między produktami wprowadzają dalsze komplikacje. Aplikacje konsumenckie mogą obejmować instrukcje, funkcje interfejsu i konfiguracje narzędzi wykraczające poza bazowy model. Opisywanie wyników jednej konfiguracji jako cechy całej firmy pomija te różnice.
Niezależne badania również pokazują, dlaczego ocena polityczna powinna obejmować wiele zachowań. Badanie Brennan Center dotyczące dezinformacji wyborczej wykazało, że testowane chatboty podważały teorie spiskowe dotyczące wyborów, jednocześnie nadal popełniając błędy rzeczowe lub błędy w cytowaniach. Wyniki wskazały także słabości zabezpieczeń przed tworzeniem zwodniczych materiałów wyborczych.
Wyniki te nie mogą potwierdzać ani podważać preferencji partyjnych Convovo. Dotyczą innych zadań. Ich znaczenie polega na tym, że system może stosunkowo dobrze radzić sobie z jednym zachowaniem związanym z wyborami, a słabo z innym.
Z tego samego powodu ocena politycznych uprzedzeń Grok nie powinna traktować pojedynczego wyniku jako pełnego werdyktu. Wybór kandydata, wiarygodność faktów, jakość źródeł i odporność na dezinformację wymagają odrębnego zbadania. Łączenie ich w jedną etykietę polityczną utrudnia interpretację dowodów.
Najbardziej uzasadniona interpretacja pozostaje konkretna. Opisany eksperyment ujawnia wyraźnie rozbieżne rekomendacje w określonej konfiguracji. Stanowi podstawę do dalszego badania, ale nie dowodzi celowej manipulacji, powszechnego stronniczego zachowania ani mierzalnego wpływu na elektorat.
Neutralność wymaga dowodów, które czytelnicy mogą sprawdzić
Istotne porównanie dotyczy deklaracji neutralności i obserwowalnych decyzji podejmowanych przez system.
To główne napięcie stojące za tą historią. Odmowa poparcia kandydatów jest widoczna i łatwa do wykazania. Pokazanie, że szersze odpowiedzi polityczne stosują spójne standardy, jest zadaniem bardziej wymagającym.
System może odmówić wskazania, kogo dana osoba powinna poprzeć, a jednocześnie decydować, które kwestie prowadzą dyskusję. Może trafnie podsumowywać kandydatów, pomijając istotne stanowisko. Może podawać cytowania, które sprawiają wrażenie uspokajających, nie wyjaśniając jasno ich ograniczeń.
Te możliwości są kwestiami analitycznymi, a nie ustaleniami dotyczącymi każdej odpowiedzi któregokolwiek dostawcy. Wyjaśniają, dlaczego twierdzenie na poziomie produktu wymaga dowodów na poziomie zadania. Zakres dowodów powinien odpowiadać zakresowi obietnicy.
Analiza Brookings dotycząca uprzedzeń politycznych badała odpowiedzi chatbotów z użyciem quizów politycznych i omawiała ograniczenia oceny orientacji politycznej. Jej podejście różni się od eksperymentu z rekomendacją na karcie wyborczej, co wzmacnia znaczenie jasnego określenia, co faktycznie mierzy każda ocena.
Quiz polityczny prosi system o wybór spośród abstrakcyjnych stanowisk. Rekomendacja kandydata wymaga od niego rozważenia osób, ich dorobku i bieżących informacji. Zgodność między tymi metodami byłaby pouczająca, lecz żadna z nich nie wyjaśnia automatycznie drugiej.
Przejrzystość powinna zatem zaczynać się od projektu oceny. Czytelnicy muszą znać testowaną wersję modelu, prompt, dostępne narzędzia oraz sposób klasyfikowania odpowiedzi. Bez tych informacji imponujący odsetek jest trudny do oceny lub odtworzenia.
Interpretacja wymaga równoważnej przejrzystości. Badacze powinni odróżniać bezpośrednie obserwacje od proponowanych wyjaśnień. Rozkład partyjny jest obserwacją; twierdzenie o tym, który wewnętrzny proces go spowodował, jest odrębnym wnioskiem.
Opinia publiczna korzysta również wtedy, gdy kontrprzykłady pozostają widoczne. Odpowiedzi odbiegające od dominującego wzorca modelu mogą pomóc zidentyfikować istotne warunki. Ukrywanie takich przypadków za zagregowanym odsetkiem ułatwia stworzenie prostego nagłówka, a utrudnia zrozumienie mechanizmu.
Dla twórców sugeruje to szerszą formę odpowiedzialności. Asystent badawczy powinien czynić źródło osądu czytelnym: priorytety użytkownika, udokumentowane kryteria lub wyraźnie wskazany wybór interpretacyjny. Niewyjaśniony ranking nie powinien dziedziczyć autorytetu faktów, na których się opiera.
Pracownicy wiedzy mogą stosować tę samą zasadę przy zachowywaniu badań AI. Przechowywanie oryginalnych dowodów obok wygenerowanych podsumowań ułatwia późniejszy przegląd. Przeszukiwalna baza wiedzy może wspierać taki proces, choć samo przechowywanie nie może ustalić jakości wniosku.
Właściwym standardem jest identyfikowalność, czyli zdolność prześledzenia odpowiedzi z powrotem do materiału ją wspierającego. Identyfikowalność nie gwarantuje neutralności, ale daje recenzentom coś konkretnego do zbadania. Ułatwia również kwestionowanie pominięć i niepopartych dowodami skoków w rozumowaniu.
Rekomendacje wyborcze Grok poddają ten standard presji, ponieważ przeciwstawne wyniki są tak łatwe do rozpoznania. Trudniejsza praca zaczyna się po zidentyfikowaniu podziału partyjnego: trzeba ustalić, jakie decyzje go wywołały i czy pozostają one spójne w przypadku mniej bezpośrednich pytań.
Co powinno zmienić się w kolejnej rundzie testów
Kolejne użyteczne dowody powinny wyjaśnić wzorzec, sprawdzić jego granice i ustalić, czy dociera on do zwykłych użytkowników.
Pierwszym sygnałem, na który warto zwrócić uwagę, jest niezależna replikacja z użyciem udokumentowanych wersji modeli i porównywalnych ustawień. Odtworzenie podziału partyjnego zwiększyłoby pewność, że reprezentuje on powtarzalne zachowanie. Zasadniczo odmienny wynik wymagałby zbadania, co się zmieniło, zanim pierwotne ustalenie zostanie uznane za błędne.
Replikacja powinna zachować szczegóły, które sprawiają, że porównania mają sens. Dostępność wyszukiwania, sformułowanie pytania i obsługa odmów mogą zmienić to, co mierzy eksperyment. Publikowanie tych warunków pozwala czytelnikom odróżnić rzeczywistą sprzeczność od testu innego systemu.
Drugim sygnałem są kontrolowane dowody dotyczące zależności rekomendacji od dostępnych informacji. Testy mogłyby porównać otwarte wyszukiwanie ze wspólnym pakietem źródeł i sprawdzić, czy te same dowody dotyczące kandydata prowadzą do podobnych ocen. Są to proponowane eksperymenty, a nie ogłoszone dalsze działania.
Jeśli przeciwstawne preferencje utrzymałyby się przy identycznych dowodach i porównywalnych instrukcjach, sam dobór źródeł stałby się mniej wystarczającym wyjaśnieniem. Gdyby różnica się zmniejszyła, rola wyszukiwania informacji zasługiwałaby na większą uwagę. Żaden z wyników nie eliminowałby potrzeby zbadania, jak modele ważyły konkurujące priorytety.
Trzecim sygnałem jest testowanie zwykłych rozmów konsumenckich, które nie dochodzą do prośby o poparcie. Pytania o dorobek kandydatów, wagę kwestii i kompromisy polityczne lepiej odniosłyby się do obawy, że sposób sformułowania sprawy ma znaczenie, zanim pojawi się ostateczna rekomendacja.
Jeśli takie rozmowy konsekwentnie odtwarzałyby kierunkowy wzorzec, argument za szerszym znaczeniem dla produktu stałby się mocniejszy. Jeśli nie, wynik wymuszonego wyboru pozostałby istotny w węższym zakresie. Każde z tych ustaleń pomogłoby użytkownikom zrozumieć, gdzie zaczyna się i kończy wykazane ryzyko.
W nadchodzących miesiącach odpowiedzi firm będą użyteczne, jeśli odniosą się do tych mierzalnych pytań. Ogólne zapewnienie o neutralności nie może wyjaśnić konkretnego wzorca. Również oskarżenie o inżynierię polityczną nie może zastąpić dowodów dotyczących sposobu tworzenia odpowiedzi.
Twórcy powinni zwracać szczególną uwagę na zmiany w faktycznych wersjach i konfiguracjach, które wdrażają. Ulepszenie zaobserwowane w aplikacji konsumenckiej nie oznacza automatycznie ulepszenia w ich usłudze. Ocena musi podążać za produktem, który otrzymują użytkownicy.
Czytelnicy powinni także opierać się interpretowaniu podziału Grok vs GPT jako rekomendacji, by wybrać asystenta zgodnego z ich polityką. Zgodność z istniejącą preferencją nie dowodzi lepszego rozumowania. Wiarygodny proces badawczy powinien wytrzymać kontrolę także wtedy, gdy jego wniosek jest niepożądany.
Przy ocenie kolejnego twierdzenia o rekomendacjach wyborczych Grok poproś o warunki stojące za odsetkiem. Sprawdź prompt, wersję modelu, dostęp do źródeł, wskaźnik odmów i dowody wspierające proponowane wyjaśnienie. Porównaj ostateczny wybór z informacjami rozważonymi przez system oraz z priorytetami, które wprowadził. Zachowuj oryginalne źródła, gdy odpowiedź ma znaczenie dla Twojej pracy, i oddzielaj zweryfikowane fakty od osądów asystenta. Zanim uznasz którykolwiek model za polityczny autorytet badawczy, zadaj bardziej użyteczne pytanie: czy możesz sprawdzić, dlaczego doszedł do tego wniosku, i czy osoba o innych priorytetach może ocenić te same dowody?
