Notice bibliographique
Résumé
ChatGPT has injected artificial intelligence (AI) into text-creating academic fields. In this article we explore the issues around ChatGPT in the history of sport. We begin by asking ChatGPT to analyze and evaluate 271 book reviews in Sporting Traditions, the official journal of the Australian Society for Sport History. In 2022, we published an analysis of the same reviews conducted by human reviewers to assess their scholarly and political contributions. We used a precise formula and in this research we instructed ChatGPT to use the identical formula. We then compared the two sets of results in what amounts to a methodological and political assessment of ChatGPT. Our comparison supports the broader scholarly consensus that ChatGPT is useful for creating summaries. Regarding the political function of book reviews and the challenge that reviewers face in navigating between critique and collegiality, ChatGPT deemed that reviewers are typically balanced. Nonetheless, we argue that ChatGPT has limitations in accurately categorizing core components of academic book reviews and is unable to replicate the critical reflection shown by skilled, knowledgeable and experienced human reviewers. We also recommend that journal editors require book reviewers to declare upon submission that they did not use AI in their review.
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 | 0,054 | 0,296 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,026 | 0,029 |
| Études des sciences et des technologies | 0,004 | 0,008 |
| Communication savante | 0,017 | 0,013 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».