Perspectives on Artificial Intelligence in Medical Publishing: A Survey of Medical Journal Editors
Notice bibliographique
Résumé
ABSTRACT: Artificial intelligence (AI) has been increasingly integrated into medical publishing, hopefully improving efficiency and accuracy, but serious concerns persist regarding ethical implications, authorship attribution, and content reliability. We aimed at understanding the perspectives of editors of medical journals on AI. A structured online questionnaire was developed and distributed to editors-in-chief of medical journals worldwide. The survey comprised 27 concise questions exploring demographics, journal practices, and perspectives on AI in editorial workflows. Quantitative data were analyzed using descriptive statistics to summarize usage patterns, perceived benefits, risks, and future expectations. A total of 59 editors-in-chief completed the survey (response rate: 19%), with replies suggesting substantial variability in beliefs and attitudes toward AI for publication in medical journals. Artificial intelligence tools were already in use by 49% of journals, mainly for plagiarism detection (76%) and data verification (35%). Only 9% of responders reported that journals used AI for both scientific and linguistic review. Time savings (79%) and cost reduction (43%) were the most commonly cited benefits, and concerns included potential bias (71%) and lack of accountability (60%). Overall, 81% of responders anticipated a major role for AI in publishing within 10 years. Exploratory analyses suggested several potential associations between replies and respondent or journal features, requiring further validation in future surveys. In conclusion, this survey on attitudes toward AI in publication in medical journals suggests that editors-in-chief are cautiously adopting AI in their editorial workflow, supporting its operational use while explicitly calling for clear guidance to address ethical and regulatory concerns.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».