Shadowing Practice: Can you trust what AI tells you? - Learn English Speaking with Video
בחר מצב תרגול
כל מצב פותח חדר תרגול במסך מלא.
54 משפטים
אם המשפטים קצרים או ארוכים מדי, לחץ על ערוך כדי להתאים אותם.
1
Let's say you ask an AI a question, and the answer comes back confident, well-organized, and maybe even cites a source.
2
Can you trust it?
3
Should you trust it?
4
The answer is more nuanced than a simple yes or no.
5
I'm Kyra, and I work on the education team here at Anthropic, the company that makes Claude.
6
Here are some general guidelines around how and when to trust an AI's responses.
7
How much you can trust an answer depends on what you're asking about.
8
AI learns patterns from a huge amount of training data, and the more it has seen on a topic, the more reliable it tends to be.
9
So on common, well-covered subjects, it's usually pretty accurate.
10
On things that are a bit more obscure like niche details, very recent events, or private information it was never shown– it's more likely to get things wrong, or even make them up.
11
The catch, is that it can sound equally sure of itself either way.
12
AI won't reliably flag its own weak spots.
13
That part's on you, and the good news is you already do a version of this every day.
14
Think about how trust works with the people in your life.
15
If your doctor suggested you eat more carrots, you probably wouldn't argue.
16
But if that same doctor suggested you get surgery, you might consider getting a second opinion.
17
You still trust them, but now there's a lot more on the line– and it's worth the extra effort to make sure they're right.
18
AI works best when you bring that same instinct.
19
Our brains tend to see polished outputs like clean paragraphs and beautiful graphics, and think "this looks great, it must be correct!" which can make you less likely to question it.
20
So why do the models sometimes get things wrong?
21
There are two common ways it goes sideways, and they have different causes.
22
The first is that the model can generate something plausible that isn't true– this is what's called hallucination.
23
Sometimes it's obvious, like a famous quote, attributed to the wrong author.
24
Sometimes it's subtle, like a product description that lists a feature the product doesn't actually have.
25
The second is that the models can sometimes tell you what you seem to want to hear– this is called sycophancy.
26
AI models are trained to be helpful, and a tendency to go along with you can slip in as a side effect.
27
If your question signals the answer you're hoping for– like "I think this plan is solid, don't you?" The model might just agree, even when pushing back would actually be more useful to you.
28
Hallucinations and sycophancy are both problems we work on directly at Anthropic.
29
Our researchers study when and why they happen.
30
With hallucination, we've traced how it happens inside Claude– down to the moment it feels sure of something it doesn't actually know.
31
And with sycophancy, we found Claude agreeing too readily in certain kinds of conversations– and used what we learn to train the next model to answer more honestly.
32
No model is perfect, but we train each one to do better.
33
So what does this actually mean for you, day to day?
34
Mostly it means that trust should work like a dial, not an on/off switch.
35
For low-stakes or creative tasks without "right" answers, like brainstorming, or drafting, or rewording something, you can run fairly loose.
36
Even if the detail is off, the cost is low.
37
For anything factual or consequential, like numbers; citations; or health, legal or money questions, turn the dial up.
38
Always check the AI's claims against a source you already trust before you act on them.
39
A few habits can make this easier.
40
One: Match your checking to the stakes.
41
Ask yourself, "what happens if this turns out to be wrong?" You don't need to verify a brainstormed list of party themes.
42
You do need to verify a quoted statistic before it goes in a slide your boss will see.
43
Two: Ask for sources, and then actually open them.
44
Models can cite real sources, but they can also generate convincing ones that don't exist.
45
Clicking through to confirm the source says what the model claims protects you and the reputation of your work.
46
Three: Don't lead the witness.
47
Giving the model details about your situation helps, but telling it the answer you want skews the result.
48
Asking, "What are the strongest arguments for and against this?" will give you more honest results than, "Why is this the right call?".
49
Four: Give it permission to say, "I don't know." Saying upfront that you'd rather receive an honest, "I'm not sure" than a confident guess actually shifts how it responds, and surfaces uncertainty it would otherwise gloss over.
50
So, can you trust what AI tells you?
51
It's best not to just assume you can.
52
Part of using AI well is setting your own level of scrutiny– and turning that dial up based on what you're asking and what it would cost to be wrong.
53
It's a habit that builds quickly.
54
And until these systems get better at flagging their own uncertainty, that judgment call is yours.
הורד אפליקציה
כל מה שאתה צריך כדי לדבר בשטף
הגיית AIציון לכל משפט
תרגול IPAשלוט בכל צליל
אוצר מיליםבנה את מאגר המילים שלך
משחק אוצר מיליםלמד תוך כדי משחק
אותו ערוץ
C11
How Anthropic uses Claude in Product Management
Daily ConversationUniversity StudentsWorking Adults
B25
Tag Claude in, right where you already work
Business EnglishWorking Adults
B22
Build data-driven lesson plans with Claude for Teachers
Business EnglishHigh School StudentsUniversity Students
B2The future of work with @Claude
Business EnglishUniversity StudentsWorking Adults
C13
Build a proactive agent workflow with Claude Code
Business EnglishUniversity StudentsWorking Adults
C14
How AI gets its character
Business EnglishUniversity StudentsWorking Adults
B12
Plan smarter with Claude for Teachers
Business EnglishHigh School StudentsUniversity Students
C24
How Claude Code Works
University StudentsWorking Adults
C1Building the best agentic analytics harness: Powered by Claude, built with Claude Code
Business EnglishUniversity StudentsWorking Adults
C1Building the future of agentic infrastructure
Business EnglishUniversity StudentsWorking Adults
FOR YOU
המלץ על סרטון
B212
63 משפטים
Claude Just Revealed AI's Biggest Problem
Business EnglishDaily ConversationUniversity Students
B21
156 משפטים
Ask This Question To Instantly Gain Trust
Business EnglishUniversity StudentsWorking Adults
B27
38 משפטים
RE2 Unit 11A
Business EnglishDaily ConversationUniversity Students
B24
78 משפטים
5 Things You Should Never Ask ChatGPT | Vantage with Palki Sharma
Business EnglishDaily ConversationUniversity Students
B27
191 משפטים
AI (Artificial Intelligence) JOB INTERVIEW QUESTIONS & ANSWERS! (How to PASS an AI JOB INTERVIEW!)
Business EnglishInterview EnglishUniversity Students
B26
147 משפטים
Could AI Become Dangerous? The Real Risks Explained
Business EnglishDaily ConversationUniversity Students
C110
61 משפטים
When you can't trust who you hear – C1 English Listening Test
Business EnglishDaily ConversationUniversity Students
C12
190 משפטים
Supervised Learning: Crash Course AI #2
Business EnglishUniversity StudentsWorking Adults
B22
108 משפטים
How Do You Know if You Made the Right Decision? | 3 Filter-Questions
Business EnglishDaily ConversationUniversity Students
C1124
38 משפטים
IELTS Speaking Part 3: Advice, Experts and the Internet (Band 8.0)
American AccentBritish AccentIELTS PrepUniversity StudentsWorking Adults
B22
130 משפטים
this is not financial advice... it's AI
Business EnglishUniversity StudentsWorking Adults
אוצר מילים והערות הגייה לשיעור הזה
שיעור הדיבור הזה ברמה B2 מבוסס על הסרטון “Can you trust what AI tells you?”. המילים שחוזרות הכי הרבה: model, trust, answer, source, hallucination. בסרטון הזה יש 54 משפטים ו-862 מילים לתרגול Shadowing. הדיבור נמשך 4:59. הדובר מדבר בקצב טבעי של כ-173 מילים בדקה, קרוב לשיחה יומיומית. 84% מהמילים נמצאות בין 3,000 המילים הנפוצות ביותר באנגלית; כדאי ללמוד את השאר לפני שמתחילים.
אוצר מילים מרכזי בסרטון הזה
14 המילים המתקדמות ביותר בסרטון, עם ההגייה והמשמעות שלהן:
| מילה | הגייה | משמעות |
|---|---|---|
| hallucination שם עצם | /həˌluːsɪˈneɪʃən/ | הזיה |
| verify פועל | /ˈvɛɹɪfaɪ/ | וידא |
| stake שם עצם | /steɪk/ | יָתֵד |
| brainstorming שם עצם | סִעוּר מֹחוֹת | |
| carrot שם עצם | /ˈkæɹət/ | גזר \ גֶּזֶר |
| plausible שם תואר | /ˈplɑ.zɪ.bəl/ | סביר |
| attribute שם עצם | /ˈæt.ɹɪˌbjut/ | לוואי, לְוַאי |
| citation שם עצם | /ˌsaɪˈteɪʃən/ | ציטוט |
| niche שם עצם | /nɪt͡ʃ/ | גומחה, נישה |
| instinct שם עצם | /ˈɪn.stɪŋkt/ | אִינְסְטִינְקְט, יֵצֶר |
| tendency שם עצם | /ˈtɛn.dən.si/ | נטייה \ נְטִיָּה |
| organize פועל | /ˈɔɹɡənaɪz/ | ארגן |
| paragraph שם עצם | /ˈpæɹəɡɹæf/ | פִּיסְקָה \ פִּסְקָה |
| depend פועל | /dɪˈpɛnd/ | היה תלוי |
Phrasal verbs שתשמעו
| מילה | משמעות |
|---|---|
| come back פועל | שָׁב |
דקדוק בסרטון הזה
המבנים שהדובר משתמש בהם הכי הרבה, עם המילים המדויקות מהסרטון:
| מבנה | בסרטון |
|---|---|
| סביל (Passive voice) be + past participle — הדגש הוא על מה שקורה, לא על מי שעושה את הפעולה | was never shown · is called · are trained |
| הווה מושלם (Present perfect) have/has + past participle — פעולה שקרתה בעבר ועדיין יש לה חשיבות או השפעה עכשיו | has seen · we've traced |
הגייה ששווה לשים לב אליה
הדובר משתמש ב-18 קיצורים וצורות מקוצרות, כמו don't, you're, doesn't. אמרו אותם בצורה הקצרה, כפי שאתם שומעים אותם.
- הצלילים של “sh” ו-“zh”: hallucination /həˌluːsɪˈneɪʃən/, consequential /ˌkɑnsɪˈkwɛnʃəl/, citation /ˌsaɪˈteɪʃən/
- מילים ארוכות — שימו לב להטעמה: hallucination /həˌluːsɪˈneɪʃən/, uncertainty /ʌnˈsɜːtənti/, consequential /ˌkɑnsɪˈkwɛnʃəl/, statistical /stəˈtɪs.tɪ.kəl/
צלילים שדוברי עברית מתקשים בהם:
- /w/ — שפתיים מעוגלות, לא /v/: consequential /ˌkɑnsɪˈkwɛnʃəl/, sideways /ˈsaɪdweɪz/
- /æ/ — פתוח יותר מה-“אֶ” העברית, לא כמו “a” ב-“cup”: factual /ˈfæk.tʃ(u)əl/, carrot /ˈkæɹət/, attribute /ˈæt.ɹɪˌbjut/, paragraph /ˈpæɹəɡɹæf/, graphics /ˈɡɹæfɪks/
- /r/ — הלשון לא נוגעת בשום מקום, לא ה-“ר” הגרונית: verify /ˈvɛɹɪfaɪ/, brainstorm /ˈbɹeɪnstɔɹm/, upfront /ʌpˈfɹʌnt/, carrot /ˈkæɹət/, scrutiny /ˈskɹuː.tɪ.ni/
איך לתרגל עם הסרטון הזה
- הקשיבו לכל הסרטון פעם אחת בלי לדבר, ורשמו את המילים שאתם לא מכירים.
- התחילו במהירות 0.75×, תרגלו Shadowing משפט אחר משפט, וחזרו למהירות רגילה כשזה מרגיש קל.
- הקליטו את עצמכם והשוו למקור, תוך תשומת לב למילים כמו hallucination, verify, stake.
מהי טכניקת השאדואינג?
שאדואינג היא טכניקת למידת שפה מבוססת מדע שפותחה במקור להכשרת מתורגמנים מקצועיים ופופולרית על ידי הפוליגלוט ד"ר אלכסנדר ארגואלס. השיטה פשוטה אך עוצמתית: אתה מקשיב לאודיו באנגלית ילידית וחוזר עליו בקול רם מיד — כמו צל העוקב אחרי הדובר עם עיכוב של 1–2 שניות בלבד. בניגוד להאזנה פסיבית או תרגילי דקדוק, שאדואינג מכריח את המוח והשרירים בפה לעבד ולשחזר דפוסי דיבור אמיתיים בו זמנית. מחקרים מראים שזה משפר משמעותית את דיוק ההגייה, האינטונציה, הקצב, הדיבור המחובר, הבנת השמיעה ושטף הדיבור — מה שהופך אותו לאחת השיטות היעילות ביותר להכנה לIELTS Speaking ולתקשורת באנגלית בעולם האמיתי.