AI evidence extraction

ỨNG DỤNG THÔNG MINH NHÂN TẠO (AI) TRONG NGHIÊN CỨU KHOA HỌC

Nguyễn Văn Tuấn · Tạp chí Sức khỏe và Lão hóa · 2026

AI-generated evidence extraction, verified across multiple analytical personas. Not a substitute for the peer-reviewed original.

9/10

Relevance

1/4

Quality (LMQS)

Evidence

Citations

0.00

FWCI

This is an AI analysis. Read the peer-reviewed original at the publisher: https://doi.org/10.63947/bvtn.v2i8.3

Methodology & findings

Study design

Narrative review and illustrative case examples.

Main result

The paper demonstrates that "LLM có thể giúp đỡ nhà nghiên cứu rà soát y văn, gợi ý khoảng trống tri thức, xây dựng giả thuyết nghiên cứu, đề xuất thiết kế nghiên cứu phù hợp, soạn thảo bộ câu hỏi, giúp đỡ lập trình phân tích dữ liệu, diễn giải kết quả, soạn thảo bản thảo bài báo khoa học theo cấu trúc IMRaD, và tối ưu hóa báo cáo PowerPoint" (LLMs can help researchers review literature, identify knowledge gaps, build research hypotheses, propose appropriate research designs, draft survey questions, assist with programming data analysis, interpret results, compose scientific manuscripts in IMRaD structure, and optimize PowerPoint presentations). The paper presents six core principles for effective prompt engineering: clarity of objective, context provision, role assignment, data/input specificity, constraint specification, and self-checking mechanisms.

Research paradigm

Pragmatist/applied epistemology focused on tool utility in scientific practice

Author conclusions

The authors conclude that "Việc khai thác AI một cách thông minh, có phê phán và có trách nhiệm sẽ giúp các nhà nghiên cứu tiết kiệm thời gian cho những công việc lặp lại, dành nhiều năng lượng hơn cho các vấn đề mang tính chiến lược, phát triển ý tưởng sáng tạo và tập trung vào các câu hỏi khoa học quan trọng" (intelligent, critical, and responsible use of AI will help researchers save time on repetitive work, dedicate more energy to strategic issues, develop creative ideas, and focus on important scientific questions). They further state that "Mối quan hệ lý tưởng giữa nhà nghiên cứu và AI là sự cộng tác có chủ đích và cân bằng. AI đảm nhận những công việc lặp lại và xử lý khối lượng thông tin lớn, trong khi nhà nghiên cứu giữ vững vai trò dẫn dắt bằng tư duy phê phán, trực giác khoa học và khát vọng khám phá" (the ideal relationship between researcher and AI is intentional and balanced collaboration, where AI handles repetitive work and processes large information volumes, while the researcher maintains a leadership role through critical thinking, scientific intuition, and research drive).

Risk of bias

The paper does not present original research with data collection or analysis, so traditional bias risk factors do not apply. However, the paper identifies potential risks: (1) Hallucination bias in LLM responses - the paper notes that LLM can generate plausible-sounding but false information; (2) Overreliance bias - excessive dependence on AI tools may erode critical thinking skills; (3) Contextual mismatch bias - AI suggestions may not align with local research contexts or ethical standards.; Potential hallucination bias in LLM outputs (ảo giác); Risk of over-reliance on AI leading to loss of critical judgment; Confirmation bias from accepting AI-generated content without verification; Context-specificity bias where generic AI recommendations may not fit local conditions; Hallucination bias - LLMs may generate plausible-sounding but factually incorrect information; Context dependency - LLM responses vary significantly based on prompt quality and framing; Knowledge cutoff bias - LLM training data has temporal boundaries; Over-reliance bias - researchers may uncritically accept LLM suggestions without independent verification; Localization bias - LLM recommendations may not account for local/regional research contexts

Limitations

The paper states that "AI không thay thế con người trong nghiên cứu khoa học, mà là một công cụ bổ trợ" (AI does not replace humans in scientific research, but is a supplementary tool), and further emphasizes that "Mọi đề nghị, gợi ý và nội dung do AI cung cấp đều cần được nhà nghiên cứu sàng lọc, kiểm chứng và tích hợp bằng năng lực phản biện khoa học, kinh nghiệm thực tiễn và phán đoán chuyên môn" (all suggestions and content provided by AI must be filtered, verified, and integrated by the researcher using scientific critical thinking, practical experience, and professional judgment)
The paper acknowledges that "LLM có thể cung cấp thông tin chưa chính xác hoặc không phù hợp với bối cảnh địa phương, nếu nhà nghiên cứu không có kỹ năng đánh giá, sàng lọc và xác miễn, việc lạm dụng LLM có thể dẫn đến sai lầm trong thiết kế nghiên cứu" (LLM may provide inaccurate or contextually inappropriate information, and without proper evaluation and verification skills, LLM misuse can lead to errors in research design).

Open questions raised

The paper implicitly identifies the need for: (1) Development of critical appraisal skills for evaluating AI-generated content in research contexts; (2) Clarification of ethical boundaries between legitimate AI assistance (language editing, data processing) and inappropriate delegation (creation of research ideas, interpretation of results); (3) Training in prompt engineering for scientific researchers; (4) Establishment of clearer disciplinary guidelines for AI use in research publication.
Need for clear ethical boundaries in using LLM for scientific writing authorship vs. editing
Lack of systematic guidance on prompt engineering for specific scientific disciplines
Insufficient research on long-term impacts of AI dependence on researcher critical thinking skills
Limited exploration of context-specific applicability of LLM recommendations in different cultural and institutional settings
Need for training on distinguishing between appropriate and inappropriate uses of AI in scientific publication

Data: The paper mentions a hypothetical dataset with variables: fracture (bone fracture in 5 years, 0/1), age, sex (male/female), bmd (bone mineral density), fall (fall in past 12 months, 0/1), prior_fracture (history of fracture, 0/1), prs (polygenic risk score). This is used as an illustrative example only and is not an available dataset for analysis.; Example dataset structure provided in paper: fracture (gãy xương), age, sex, bmd (mật độ xương), fall (té ngã), prior_fracture, prs (polygenic risk score); Example dataset variables listed: fracture (bone fracture in 5 years, 0/1), age, sex (male/female), bmd (bone mineral density), fall (fall in last 12 months, 0/1), prior_fracture (prior fracture history, 0/1), prs (polygenic risk score). These are presented as illustrative examples, not as publicly available data.Extracted from: pdfAgreement 65%

Explore related topics

AI Manuscript Writing Academic Writing Literature Review