相关试卷

习作要求主题鲜明、细节描述能体现主题；语言准确得体；词数100左右。

How objective are you? How often are you over-reacting to situations, taking things personally or judging people unfairly? We all do this at some time or another.

. Under stress, most of us draw solely on our past experiences and biases, which cloud our ability to see things clearly and make sound judgments. Moreover, our desire to succeed is often so strong, that, under these intense circumstances, our limiting mental models tend to get in our way, creating even more stress and causing us to react in ways that we may regret. 

Our ability to be objective depends on our willingness to question our mental models, the lens through which we perceive, interpret and respond to our world. If our mental models are incorrect, then our understanding of what is going on and our response to it, are often incorrect. .

The good news is that with practice, we can interrupt our automatic reactions, and choose a different response. Each time we do this, we are re-wiring our neural network by creating new pathways based on new models: new ways of perceiving and responding to our world. .

One of the most powerful mental model transformation catalysts (催化剂) is new knowledge or logic that challenge old ways of thinking.  They've usually been with us a while, so we tend to trust them. For most of us, we have never been taught about mental models and how to evaluate them to determine if they are helpful or harmful. 

To transform unproductive mental models, we must change our mind! We have to decide, through our own logic and reason, whether our way of seeing the world is no longer valid for us.  It is in the wake of this new knowledge that transformation takes place. At that moment, a set of new connections is created in the brain. It's these new connections that have the potential to enhance our mental resources to help us transform limiting mental models.

A. We can actually learn to think smarter!

B. An objective leader must judge and treat people fairly.

C. This requires that we be open to new knowledge and reasoning.

D. The key is to accept a problem as it occurs and not take it personally.

E. This is why we sometimes misjudge situations and take things personally.

F. As we have seen, mental models are deep — rooted beliefs we tend to hold onto.

G. The challenge is that when we are under pressure, we tend to be less objective.

A Perspective article published in Nature this week says that AI systems pose a further risk: that researchers envision such tools as possessed of superhuman abilities when it comes to objectivity, productivity and understanding complex concepts. Scientists planning to use AI "must evaluate these risks now, while AI applications are still nascent (未成熟的), because they will be much more difficult to address if AI tools become deeply embedded in the research pipeline", write co-authors Lisa Messeri and Molly Crockett. 

In this article, Messeri and Crockett put together a picture of the ways in which scientists see AI systems as enhancing human capabilities. In one ‘vision', which they call AI as Oracle, researchers see AI tools as able to tirelessly read and digest scientific papers, and so survey the scientific literature more exhaustively than people can. In both Oracle and another vision, called AI as Arbiter, systems are perceived as evaluating scientific findings more objectively than do people, because they are less likely to cherry-pick the literature to support a desired hypothesis or to show favouritism in peer review. In a third vision, AI as Quant, AI tools seem to surpass the limits of the human mind in analyzing vast and complex data. In the fourth, AI as Surrogate, AI tools simulate (模拟) data that are too difficult or complex to obtain. 

Informed by anthropology and cognitive science, Messeri and Crockett predict risks that arise from these visions. One is the illusion of explanatory depth, in which people relying on another person—or, in this case, an algorithm—for knowledge have a tendency to mistake that knowledge for their own and think their understanding is deeper than it actually is. 

Another risk is that research becomes skewed towards studying the kinds of thing that AI systems can test—the researchers call this the illusion of exploratory breadth. For example, in social science, the vision of AI as Surrogate could encourage experiments involving human behaviors that can be simulated by an AI—and discourage those on behaviors that cannot, such as anything that requires being embodied physically. 

There's also the illusion of objectivity, in which researchers see AI systems as representing all possible viewpoints or not having a viewpoint. In fact, these tools reflect only the viewpoints found in the data they have been trained on, and are known to adopt the biases (偏见) found in those data. "There's a risk that we forget that there are certain questions we just can't answer about human beings using AI tools," says Crockett. The illusion of objectivity is particularly worrying given the benefits of including diverse viewpoints in research. 

If you're a scientist planning to use AI, you can reduce these dangers through a number of strategies. One is to map your proposed use to one of the visions, and consider which traps you are most likely to fall into. Another approach is to be deliberate about how you use AI. Deploying AI tools to save time on something your team already has expertise in is less risky than using them to provide expertise you just don't have, says Crockett.