AI in Scholarly Publishing
Notice bibliographique
Résumé
As Artificial Intelligence (AI) technologies such as generative AI became more common, its use in academic settings also gained more popularity. Chat Generative Pre-trained Transformer (ChatGPT) is an AI powered chatbot developed by OpenAI. It has many benefits for scholarly publishing. However, ChatGPT and related technologies have been identified as disruptive innovations with the potential to revolutionize academia and scholarly publishing (Haque et al., 2022). ChatGPT can only benefit authors when used responsibly. There are certainly ethical issues with using ChatGPT for scholarly publishing. First of all, authorship is a major concern. There are questions about the ownership of the work generated by ChatGPT (Schönberger, 2018). Besides, there may be concerns about copyright as well. When using ChatGPT, users may find it challenging to ensure that quotes, data, or other materials from external sources comply with copyright laws and receive proper attribution (Gillotte, 2019). When the language models are trained on a massive amount of data from unknown sources, it is almost impossible to track the original source. As a result, plagiarism may arise from using ChatGPT. It is not limited to copyrighted text, but also includes paraphrasing, methods, graphics, ideas, and any other product of intelligence that belongs to another person (Gasparyan et al., 2017). With the issues raised above, it is necessary to examine the current state of transparency regarding the use of generative AI in scholarly publishing.
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 | 0,031 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,012 | 0,031 |
| Communication savante | 0,053 | 0,031 |
| Science ouverte | 0,004 | 0,017 |
| Intégrité de la recherche | 0,010 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,076 | 0,034 |
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 ».