Attitudes and Perceptions of Medical Researchers Towards the Use of Artificial Intelligence Chatbots in the Scientific Process: A Large-Scale, International Cross-Sectional Survey
Notice bibliographique
Résumé
Abstract Background Chatbots are artificial intelligence (AI) programs designed to simulate conversations with human users through text or speech. The use of artificial intelligence chatbots (AICs) in scientific research presents benefits and challenges. Although the stances of journals and publishing organizations on AIC use is increasingly clear, little is known about researchers’ perceptions of AICs in research. This survey study explores attitudes, familiarity, perceived benefits, limitations, and factors influencing adoption of AIC by researchers. Methods A cross-sectional online survey of published researchers was conducted. Corresponding authors and their e-mail addresses were identified by querying PubMed for articles (any type) published in a MEDLINE indexed journal in the most recent two months and using R script on PubMed metadata. e-Mail invitations were sent to 61560 study authors. The survey, administered on SurveyMonkey, opened on July 9, 2023, and closed on August 11, 2023. Respondents had 3 weeks to complete the survey and were sent 2 reminder e-mails during the weeks of July 17, 2023, and July 24, 2023. Results 2165 respondents completed the survey (4.0% response rate; 94% completion rate of those who responded). Most were familiar with the concept of AICs (n=1294/2138, 60.5%). About half had used an AIC previously for purposes relating to the scientific process (n=1107/2125, 52.1%). Only 244/2137 (11.4%) respondents reported that their institution offered training on using AI tools of whom 64/244 (26.2%) completed the training. 211/2131 (9.9%) reported that their institution implemented policies regarding AIC use in the scientific process. Most respondents expressed interest in learning more and receiving training on AIC use in the scientific process (n=1428/2048, 69.7%). Respondents had mixed opinions about the potential benefits of using AICs, whereas most agreed on their cons/challenges. Respondents agreed AICs were most beneficial in reducing the workload and administrative burden on researchers (n=1299/1941, 66.9%) and they were most concerned about the lack of understanding behind how AICs make decisions and generate responses (n=1484/1923, 77.2%). Conclusions Most respondents are familiar with AICs and half used AICs in their own research. Although there is clear interest in understanding how AICs can be used, many hesitate due to existing limitations. Little formal instruction on using AICs is available across academic institutions.
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 | 0,017 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».