Badanie Rutgers dotyczące AI i używania substancji wykazało powszechne wykorzystanie, ale bezpieczeństwo pozostaje niezmierzone

Badacze z Rutgers ustalili, że 32,3% ankietowanych młodych dorosłych korzystało z generatywnej AI, by uzyskać informacje związane z używaniem substancji, nie rozstrzygając, czy te interakcje im pomogły, czy zaszkodziły. Badanie Rutgers dotyczące AI i używania substancji ujmuje liczbowo wrażliwe zachowanie: pytanie oprogramowania konwersacyjnego o narkotyki, alkohol i ich konsekwencje. Jego kluczowe napięcie dotyczy dystansu między zaufaniem ludzi do odpowiedzi a dowodami, że ta odpowiedź na takie zaufanie zasługuje.

Wyniki pojawiają się w czasie, gdy chatboty stają się kolejnym miejscem, do którego ludzie kierują pytania, których mogliby wahać się zadać komuś twarzą w twarz. Generatywna AI, czyli oprogramowanie tworzące treści w odpowiedzi na polecenia, może sprawiać, że takie rozmowy wydają się bezpośrednie i osobiste. Ta wygoda rodzi odpowiedzialność w obszarze zdrowia publicznego, nawet jeśli produkt początkowo był asystentem ogólnego zastosowania.

Wyszukiwarka Google stanowi ważny punkt odniesienia. Badacze stwierdzili znaczne nakładanie się grup osób korzystających z chatbotów i osób wyszukujących w sieci informacje związane z używaniem substancji. Historia dotyczy więc kolejnej wpływowej warstwy między pytaniem a decyzją. Twórcy, klinicyści i komunikatorzy zdrowotni stają teraz przed tą samą nierozstrzygniętą kwestią: co dzieje się, gdy ktoś przyjmuje odpowiedź konwersacyjną?

Co faktycznie mierzyło badanie Rutgers dotyczące AI i używania substancji

Badanie dokumentuje deklarowane użycie i postrzeganie, a nie udowodnione korzyści medyczne lub szkody.

Opublikowane 19 października 2026 roku w JMIR Formative Research badanie ankietowe dotyczące AI i używania substancji przeanalizowało odpowiedzi 995 mieszkańców USA w wieku od 18 do 29 lat. Uczestników rekrutowano za pośrednictwem Prolific w kwietniu 2026 roku. Z tej próby 321 osób zgłosiło, że kiedykolwiek korzystało z generatywnej AI do celów związanych z używaniem substancji.

Wśród tych użytkowników 48,2% deklarowało korzystanie co najmniej raz w miesiącu. Szczególnie powszechne były pytania o konsekwencje. Ankieta wykazała również, że 57,5% wszystkich respondentów wyszukiwało w Google informacje związane z używaniem substancji. Wśród respondentów zgłaszających korzystanie z AI w tym celu 92,8% używało także Google do tego tematu.

Nakładające się grupy odbiorców komplikują wszelkie twierdzenia, że chatboty wyparły wyszukiwanie. Jedna osoba może podczas tego samego procesu poszukiwania informacji korzystać z wyszukiwarki, chatbota i innych źródeł. Ankieta nie ustala, które źródło było pierwsze, która odpowiedź przeważyła ani czy ktokolwiek sprawdzał sprzeczne odpowiedzi.

To rozróżnienie zmienia implikacje biznesowe i produktowe. Chatbot nie musi stać się wyłącznym źródłem informacji danej osoby, aby wpłynąć na jej rozumienie tematu. Może podsumować to, co znalazła gdzie indziej, wyjaśnić nieznaną terminologię lub podać końcową odpowiedź, którą zapamięta. Są to możliwe role, a nie zachowania potwierdzone przez tę ankietę.

Ramy czasowe również wymagają ostrożności. Październik oznacza publikację i nagłośnienie wyników; odpowiedzi opisują zachowania zgłoszone w kwietniu. Czytelnicy powinni unikać traktowania nagłówka jako bieżącego pomiaru dzisiejszej adopcji. Zmiany produktów po zebraniu danych również nie mogą wyjaśniać odpowiedzi, które badacze już zgromadzili.

Odwołanie w nagłówku do młodych dorosłych także wymaga wyznaczenia granic. Badanie dotyczy dorosłych w określonym przedziale wiekowym. Nie powinno przeradzać się w twierdzenie o dzieciach, wszystkich studentach ani wszystkich osobach używających substancji. Zadanie pytania związanego z używaniem substancji nie świadczy również o osobistym ich spożywaniu, uzależnieniu ani zamiarze eksperymentowania.

Dla czytelników technologicznych konkretną zmianą jest widoczność. Badania Rutgers nad chatbotami nadają wcześniej niedostatecznie zbadanym przypadkom użycia mierzalną grupę odbiorców w tej próbie. Publikacja sprawia, że trudniej tę grupę przeoczyć, pozostawiając jednocześnie jakość i konsekwencje jej interakcji otwarte na dalsze badania.

To wystarczy, by uzasadnić uwagę bez nadinterpretowania wyniku. Badania nad adopcją mogą wskazać, gdzie należy prowadzić ocenę. Nie mogą jednak zastąpić tej oceny, niezależnie od tego, jak uderzająco brzmi nagłówek lub jak znajomy stał się interfejs chatbota.

Komunikatorzy zdrowotni stają przed odbiorcami wykraczającymi poza ich własne strony internetowe

Wyniki wywierają presję na organizacje, których wiarygodne informacje muszą konkurować o uwagę wewnątrz interfejsów konwersacyjnych.

W swoich opublikowanych 23 października ustaleniach dotyczących chatbotów i młodych dorosłych Rutgers opisał uczestników jako osoby poszukujące przede wszystkim informacji o ryzykach i konsekwencjach. Główna autorka, Mireia Triguero Roura, ostrzegła, że dezinformacja z tych narzędzi może przyczyniać się do ryzykownych zachowań. To ostrzeżenie wskazuje na potencjalne zagrożenie; nie dowodzi, że ankieta zaobserwowała taką szkodę.

Praktyczna implikacja wykracza poza opublikowanie kolejnej rzetelnej strony internetowej. Organizacje zdrowotne muszą rozważyć, jak ich informacje zachowują się, gdy ktoś napotyka je poprzez wygenerowane wyjaśnienie. Odpowiedź może zachować ogólny wniosek, jednocześnie pomijając zastrzeżenia ważne dla konkretnego czytelnika.

Rozważmy przykładową sytuację: ktoś prosi chatbota o wyjaśnienie ostrzeżenia napotkanego na stronie zdrowotnej. Asystent udziela krótszej odpowiedzi, a osoba pyta, czy ostrzeżenie dotyczy jej okoliczności. Ten przykład jest hipotetyczny, ale pokazuje, jak wymiana informacyjna może przejść w stronę zindywidualizowanej interpretacji.

Ta zmiana ma znaczenie dla organizacji dostarczających wiedzę źródłową. Ich pierwotna strona może starannie odróżniać ogólną edukację od indywidualnej oceny. Podsumowanie konwersacyjne może zacierać to rozróżnienie. Pytanie dla komunikatorów brzmi, czy kluczowa granica pozostaje widoczna, gdy informacja zmienia format.

Klinicyści stoją przed powiązanym wyzwaniem komunikacyjnym. Osoba przychodząca z wyjaśnieniem wygenerowanym przez AI może już mieć pewną, stanowczą interpretację znaczenia swojego pytania. Jako implikacja wyników, rozmowy kliniczne powinny pozostawiać przestrzeń na zbadanie tej interpretacji, nie traktując poszukiwania informacji przez daną osobę jako wykroczenia.

Lekceważąca odpowiedź pozostawiłaby podstawowe pytanie bez odpowiedzi. Bezkrytyczna odpowiedź przyznałaby chatbotowi większy autorytet, niż uzasadniają dowody. Bardziej użyteczne podejście polega na ustaleniu, jaką informację dana osoba otrzymała, co zrozumiała i gdzie nadal pozostaje niepewność.

Zespoły zdrowia publicznego mają również problem dystrybucyjny. Jasne materiały muszą być łatwe do znalezienia, zrozumiałe i odpowiednie do dokładnego cytowania lub podsumowywania. Nie gwarantuje to, że chatbot zachowa ich znaczenie. Daje jednak komunikatorom konkretny punkt wyjścia do oceny, jak ich praca prezentuje się poza własnymi kanałami publikacji.

Presja ma charakter zarówno natychmiastowy, jak i ciągły. Organizacje mogą już teraz przejrzeć jasność istniejących zasobów. Ustalenie, czy przekazywanie informacji w formie konwersacyjnej poprawia zrozumienie, wymaga dodatkowych dowodów. To powiązane obowiązki, ale działają w różnych horyzontach czasowych i nie powinny być przedstawiane jako to samo osiągnięcie.

Badanie podważa więc wąską definicję cyfrowej komunikacji zdrowotnej. Publikowanie dokładnych treści pozostaje niezbędne. Zrozumienie interfejsów, za pośrednictwem których ludzie interpretują te treści, staje się kolejną częścią pracy, zwłaszcza gdy interfejsy te zachęcają do pytań uzupełniających, których pierwotny autor nigdy nie widzi.

Dostęp konwersacyjny i zweryfikowane wskazówki odpowiadają na różne potrzeby

Przystępna odpowiedź może poprawić dostęp do informacji, a jednocześnie pozostawić nierozstrzygniętą kwestię jej wiarygodności.

Atrakcyjność interfejsu konwersacyjnego jako propozycji produktowej jest łatwa do zrozumienia. Użytkownik może sformułować niezręczne pytanie zwykłym językiem, poprosić o wyjaśnienie i kontynuować bez przeglądania zbioru stron. Te cechy opisują styl interakcji. Nie dowodzą przydatności klinicznej.

To kluczowy kompromis stojący za informacjami zdrowotnymi opartymi na AI. Zmniejszenie tarcia może ułatwić zadanie pytania. To samo zmniejszenie może ułatwić zaakceptowanie odpowiedzi bez zbadania jej podstaw. To, czy dzieje się tak w praktyce i z jakimi konsekwencjami, wymaga bezpośrednich badań.

Wyszukiwarka Google stanowi użyteczny punkt odniesienia, ponieważ zazwyczaj prezentuje wiele miejsc docelowych i widocznych wydawców. Użytkownicy nadal muszą oceniać te źródła, a wyniki wyszukiwania nie gwarantują dokładności. Chatbot może skompresować tę pracę do jednej odpowiedzi, co czyni podstawę jego syntezy szczególnie ważną.

ChatGPT, Google Gemini, Meta AI i My AI od Snap pojawiły się jako przykłady w opisie generatywnej AI w ankiecie Rutgers. Ich uwzględnienie nie dowodzi porównywalnej skuteczności. Badanie nie daje podstaw do wskazania zwycięzcy ani przypisania mierzonej przewagi bezpieczeństwa któremukolwiek produktowi.

Znaczące porównanie wymagałoby zbadania tych samych pytań w porównywalnych warunkach. Osoby oceniające musiałyby rejestrować, co odpowiadał każdy system, jakie dowody przedstawiał oraz jak radził sobie z brakującym kontekstem. Sama dopracowana odpowiedź byłaby niewystarczającą podstawą do klasyfikowania produktów w tym obszarze.

Historyczne badania opinii wzmacniają potrzebę odróżniania użycia od zaufania. W opublikowanym w sierpniu 2024 roku badaniu opinii o AI i informacjach zdrowotnych KFF ustaliła, że 25% dorosłych poniżej 30. roku życia korzystało z chatbotów co najmniej raz w miesiącu w celu uzyskania informacji zdrowotnych. Wśród wszystkich dorosłych 29% stwierdziło, że ufa chatbotom w zakresie dostarczania wiarygodnych informacji zdrowotnych.

Liczby te opisują inną ankietę i szerszą kategorię pytań zdrowotnych. Nie mogą ustalić trendu adopcji w zestawieniu z wynikami Rutgers. Populacje, pytania i miary są różne. Ich wartość tutaj ma charakter kontekstowy: korzystanie z chatbotów i oceny ich wiarygodności były już odrębnymi problemami publicznymi przed tym konkretnym badaniem.

Wyzwanie produktowe polega na tym, by podczas rozmowy uczynić to rozróżnienie zrozumiałym. Pomocny interfejs powinien komunikować, kiedy wyjaśnia informacje ogólne, a kiedy pytanie użytkownika wykracza poza to, co system może odpowiedzialnie ustalić. To cel projektowy, a nie rezultat wykazany przez badanie Rutgers.

Widoczność źródeł również ma znaczenie. Cytat daje użytkownikowi coś, co może sprawdzić, ale jego obecność nie dowodzi, że odpowiedź dokładnie przedstawia cytowany materiał. Ocena musi badać związek między twierdzeniem a jego dowodami, w tym to, czy zastrzeżenia przetrwały podsumowanie.

Dla czytelników, którzy już organizują materiały techniczne za pośrednictwem osobistej bazy wiedzy, rozróżnienie w zarządzaniu informacją jest znajome. Zachowanie dostępu do pierwotnego źródła umożliwia późniejszą weryfikację. Nie przekształca jednak zapisanych wyjaśnień w zweryfikowane wskazówki medyczne.

Szersza implikacja jest taka, że dostępność i rozliczalność wymagają odrębnych miar. System może być łatwy w użyciu, a zarazem trudny do audytu. Zespoły produktowe powinny umieć wyjaśnić, jak oceniają oba aspekty, zamiast przedstawiać satysfakcjonującą rozmowę jako dowód każdego z nich.

Zaufanie wymaga oceny, której satysfakcja nie może zapewnić

Pozytywne wrażenie użytkownika jest ważną obserwacją, ale nie jest testem dokładności.

Rutgers podał, że uczestnicy postrzegali narzędzia AI jako pomocne, wiarygodne i godne zaufania. Te postrzegane cechy pomagają wyjaśnić, dlaczego ten przypadek użycia zasługuje na uwagę. Mówią badaczom coś o relacji, jaką użytkownicy uważają, że mają z technologią, nie przesądzając jednak, czy konkretna odpowiedź była poprawna.

Ta różnica ma szczególne znaczenie, gdy użytkownik zadaje pytanie, ponieważ nie ma wiedzy pozwalającej ocenić odpowiedź. Czytelność może ułatwiać zrozumienie wyjaśnienia. Pewność siebie może ułatwiać jego zaakceptowanie. Żadna z tych cech samodzielnie nie dowodzi, że wyjaśnienie zawiera niezbędne fakty i zastrzeżenia.

Przyszła ocena powinna zatem rozdzielać kilka pytań. Czy odpowiedź zawierała trafne informacje? Czy pominięto coś istotnego? Czy użytkownik rozumiał jej niepewność? Czy rozmowa wpłynęła na późniejszą decyzję? Połączenie tych pytań w ogólny wskaźnik satysfakcji ukryłoby różnice, które mają znaczenie.

Wytyczne Światowej Organizacji Zdrowia dotyczące generatywnej AI odnoszą się do szerszych zastosowań zdrowotnych modeli, które przyjmują i generują różne rodzaje treści. Wskazują obawy obejmujące fałszywe lub niepełne stwierdzenia, uprzedzenia oraz nadmierne poleganie na zautomatyzowanych wynikach. Obawy te stanowią ramy oceny, a nie dowód, że każda rozmowa kończy się niepowodzeniem.

Niepełna odpowiedź jest szczególnie istotna w testowaniu produktów. Osoby oceniające powinny analizować to, co system pomija, obok tego, co wyraźnie stwierdza. Odpowiedź może zawierać trafne ogólne stwierdzenia, a mimo to nie przekazywać ograniczeń związanych z zastosowaniem ich do indywidualnej sytuacji.

Ta sama zasada dotyczy niepewności. Zastrzeżenie na początku rozmowy nie dowodzi, że późniejsze odpowiedzi zachowują właściwe granice. Ocena powinna śledzić interakcję, gdy użytkownik dodaje szczegóły, prosi o zapewnienie lub kwestionuje ostrożną odpowiedź.

Są to proponowane priorytety testowania, a nie ustalenia badania Rutgers dotyczącego używania substancji i AI. To rozróżnienie zapobiega przypisywaniu systemom możliwości lub błędów, których badacze nie testowali. Kieruje też uwagę ku dowodom, które deweloperzy mogliby przedstawić, aby wypełnić rzeczywistą lukę.

Postrzegana pomocność nadal powinna należeć do tej oceny. Technicznie trafne wyjaśnienie, którego użytkownicy nie potrafią zrozumieć, stwarza własny problem komunikacyjny. Celem powinno być wspólne ocenianie zrozumienia i trafności przy zachowaniu ich odrębnego znaczenia.

Stwarza to wymagający standard dla twierdzeń o produktach. Firma opisująca asystenta jako użytecznego w przypadku wrażliwych pytań powinna wyjaśnić, co w jej dowodach oznacza „użyteczny”. Szybsze odpowiedzi, jaśniejsze sformułowania, trafna treść i lepsze decyzje to różne osiągnięcia. Demonstracja jednego z nich nie powinna po cichu stawać się twierdzeniem o wszystkich.

Debata publiczna korzysta na tej samej dyscyplinie. Można uznać atrakcyjność konwersacyjnego dostępu, jednocześnie domagając się mocniejszych dowodów dotyczących wiarygodności. Stanowisko to wynika bezpośrednio z nierozstrzygniętych pytań, bez zakładania ani powszechnej korzyści, ani nieuchronnej szkody.

Dobór próby i różnice demograficzne ograniczają wymowę nagłówka

Wynik „jednej trzeciej” dotyczy tej próby ankietowej i nie powinien być traktowany jako precyzyjny szacunek krajowy.

Badacze wskazują internetową próbę niedoborową jako ograniczenie. W takim projekcie uczestnicy nie trafiają do badania poprzez proces zapewniający każdej kwalifikującej się osobie znaną szansę wyboru. Osoby szczególnie aktywne online lub zaznajomione z AI mogły więc być nadreprezentowane.

Kwoty rekrutacyjne mogą poprawić równowagę demograficzną próby, nie eliminując jednak tego problemu selekcji. Dopasowanie wybranych cech populacji nie dowodzi, że uczestnicy przypominają wszystkich pozostałych pod względem nawyków informacyjnych. To rozróżnienie ma znaczenie, ponieważ badane zachowanie jest samo w sobie ściśle związane z aktywnością online.

To zastrzeżenie nie unieważnia zgłoszonego zachowania. Zmienia natomiast to, co może potwierdzać ta liczba. Badanie dostarcza dowodów na znaczące użycie w zrekrutowanej grupie oraz powodu do dalszych badań. Nie rozstrzyga dokładnie, jak powszechne jest to zachowanie wśród wszystkich młodych dorosłych Amerykanów.

Ankieta opiera się również na tym, że respondenci przypominają sobie i opisują własne zachowania. Autorzy zauważają, że zaadaptowane miary nie były wcześniej pilotażowo testowane ani walidowane. Czytelnicy powinni zatem traktować ustalenia jako wstępną próbę pomiaru z uznaną niepewnością, a nie jako ostateczne narzędzie do śledzenia całej populacji.

Wyniki demograficzne wymagają podobnej powściągliwości. Czarni i mężczyźni częściej zgłaszali używanie AI w sprawach związanych z substancjami. Rutgers omawia możliwe wyjaśnienia związane z dostępem do opieki zdrowotnej, stygmatyzacją, zaufaniem oraz nawykami poszukiwania informacji. Wyjaśnienia te pozostają hipotezami, a nie przyczynami ustalonymi przez ankietę.

Związek statystyczny nie dowodzi, że cecha demograficzna wywołuje określone zachowanie. Nie ujawnia też, czy różne grupy otrzymywały odmienne odpowiedzi lub doświadczały odmiennych konsekwencji. Pytania te wymagają dowodów dotyczących interakcji i wyników, których to badanie nie dostarcza.

Dla deweloperów wniosek jest taki, by sprawdzać, czy oceny odpowiednio reprezentują osoby korzystające z produktu. Grupa testowa, która pomija ważne grupy użytkowników, może pozostawić istotne pytania bez odpowiedzi. Rekomendacja ta powinna kierować inkluzywnymi badaniami, a nie uzasadniać założenia dotyczące osądu lub podatności którejkolwiek grupy.

Dla dziennikarzy i czytelników liczy się sformułowanie. „Ankietowani młodzi dorośli” zachowuje granice wyniku. „Młodzi dorośli” bez zastrzeżenia może sugerować większą pewność. Różnica jest niewielka w nagłówku, ale znacząca w interpretacji.

Badanie Rutgers dotyczące chatbotów nie może też ustalić kierunku związku przyczynowego między korzystaniem z AI a potrzebami informacyjnymi dotyczącymi zdrowia. Osoby szukające większej ilości informacji mogą sięgać po więcej kanałów. Różne nawyki informacyjne mogą poprzedzać adopcję chatbotów. Pojedyncza ankieta nie może określić kolejności.

Ograniczenia te zwiększają wartość dalszych badań. Powtarzane ankiety wykorzystujące porównywalne metody mogłyby badać zmiany w czasie. Badania śledzące uczestników mogłyby analizować, co wydarzyło się po rozmowie. Bezpośrednie audyty odpowiedzi mogłyby oceniać trafność. Każdy projekt odpowiada na inne pytanie, dlatego nie należy oczekiwać, że pojedyncze badanie uzupełniające rozstrzygnie wszystko.

Kolejne dowody powinny łączyć odpowiedzi ze zrozumieniem

Najbardziej użyteczne kolejne ustalenia pokażą, co mówią systemy, co rozumieją użytkownicy i jak te elementy się łączą.

Badanie Rutgers dotyczące używania substancji i AI ustanawia powód, by uważnie przyjrzeć się wrażliwemu zastosowaniu konsumenckiej AI. W nadchodzących miesiącach czytelnicy powinni obserwować konkretne dowody, zamiast zakładać, że publikacja, aktualizacja produktu lub oświadczenie dotyczące bezpieczeństwa rozwiązuje niepewność.

Pierwszym sygnałem jest niezależna ocena odpowiedzi chatbotów na pytania związane z substancjami. Użyteczna ocena opublikowałaby zestaw pytań, kryteria oceny, testowane wersje produktów oraz podejście do brakujących informacji. Ekspercka analiza powinna badać trafność, pominięcia, niepewność oraz moment, w którym system zaczyna udzielać zindywidualizowanych wskazówek.

Konsekwentnie odpowiednie odpowiedzi wzmocniłyby argument, że konwersacyjny dostęp może odpowiedzialnie służyć tej grupie odbiorców. Powtarzające się istotne błędy wzmocniłyby obawy dotyczące polegania w tym kontekście na systemach ogólnego przeznaczenia. Każdy z tych wyników wniósłby coś, czego same dane o adopcji nie mogą dostarczyć.

Drugim sygnałem są badania nad interpretacją użytkowników. Badacze powinni sprawdzać, co ludzie sądzą, że odpowiedź ustaliła, które zastrzeżenia pamiętają oraz czy weryfikują jej źródła. Odpowiedź może wyglądać na odpowiednio ostrożną dla osoby oceniającej, a jednocześnie pozostawić czytelnika z nieuzasadnioną pewnością.

Dowody, że użytkownicy rozumieją granice, wspierałyby skuteczność istniejących metod komunikacji. Dowody, że rutynowo pomijają te granice, podważałyby je. Pomogłoby to odróżnić problem w generowanej treści od problemu w sposobie, w jaki interfejs tę treść przedstawia.

Trzecim sygnałem jest przejrzysta zmiana produktu połączona z mierzalną oceną. Warto obserwować, czy deweloperzy wyjaśniają, jak radzą sobie z niejednoznacznymi pytaniami zdrowotnymi, weryfikacją źródeł oraz przejściem w stronę spersonalizowanych porad. Nowe ostrzeżenie lub funkcja kierowania do pomocy stają się znaczące, gdy dowody pokazują, jak wpływają na rozmowę.

Udokumentowane ulepszenie wzmocniłoby zaufanie do konkretnej interwencji. Komunikat bez ujawnionego testu pozostawiłby centralną niepewność nierozstrzygniętą. Istotne pytanie brzmi, co zmieniło się w obserwowanym zachowaniu, a nie jak uspokajająco brzmi język komunikatu o wydaniu.

Żaden z tych sygnałów nie wymaga traktowania wszystkich konwersacyjnych informacji zdrowotnych jako z natury bezużytecznych lub z natury bezpiecznych. Wymagają dowodów dopasowanych do twierdzenia. Adopcja, satysfakcja, jakość treści, zrozumienie i wyniki zdrowotne należą do tego samego badania, przy zachowaniu widocznych różnic między nimi.

Czytaj badanie Rutgers dotyczące używania substancji i AI z uwzględnieniem tego rozróżnienia i przenieś je na kolejny nagłówek o chatbotach. Pytaj, kto uczestniczył, co badacze mierzyli oraz czy zgłoszony wynik dotyczy użycia, zaufania, trafności czy rezultatów. Gdy firma wprowadza zabezpieczenie, szukaj oceny rzeczywistej interakcji. Gdy ankieta opisuje pewność, nie traktuj jej jako dowodu poprawności. Najważniejsze kolejne pytanie brzmi, czy dostępne odpowiedzi pomagają ludziom rozumieć wiarygodne informacje i rozpoznawać ich ograniczenia. Śledź dowody łączące te kroki i miej pod ręką oryginalne badanie, gdy nagłówek obiecuje więcej, niż badanie zmierzyło.