Notice bibliographique
Résumé
Following the theme of my August and September editorials on peer review, this month I will reflect on "Peer Review Week 2023" (held September 25-29) and the use of large language models (LLMs) in peer review.Started in 2016, Peer Review Week is a global event that recognizes and celebrates the importance of peer review to research quality.Each year, a focus topic is selected, and a number of organizations develop content designed to address the primary topic.For 2023, the topic was "peer review and the future of publishing," ". . . to highlight the changing publishing landscape and the ongoing vital role of peer review in shaping scholarly communication."The problem of finding reviewers is one that I have addressed in those previous editorials, spanning across all publishing disciplines from medical research to our field of food science.Some webinar titles included "The Future of Peer Review," "The Great Peer Review Debate: Open, Closed and Transparent Models," "Best Practices in Peer Review," "The Future of Peer Review: Diversification and Decentralization," and "Training Peer Reviewers as a Form of Engagement: A Solution to the Peer Review Crisis."These webinars were put on by a variety of diverse organizations, from individual publishers to organizations like the Council of Scientific Editors (CSE).You can view this list of events, including recordings of many, at https://peerreviewweek.wordpress.com/eventsand-activities-2023/.Amanda Ferguson, Director of IFT Scientific Journals, attended two webinars.First, Canadian Science and Medical Editors Network's webinar on "Training Peer Reviewers as a Form of Engagement: A Solution to the Peer Review Crisis?" emphasized the need for journals to foster a sense of community among their editors and reviewers to increase reviewer engagement.The speakers discussed how many reviewers do not understand what their role is supposed to be: to validate, critique, and help research
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,036 | 0,012 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,011 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,410 | 0,585 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».