The blurred threshold of AI-use disclosure: International journal editors’ expectations of sufficiency and necessity
Notice bibliographique
Résumé
Abstract Purpose Generative AI is a powerful resource for health professions education (HPE) researchers publishing their work. However, questions remain about its use and guidance about disclosure is inconsistent. This situation is both confusing and potentially perilous for researchers, who risk their reputations if they disclose AI use inappropriately. This study explores HPE and general medical journal editors’ experiences and expectations of AI-use disclosure, in order to assist journals to clarify expectations and authors to satisfy them. Methods In this descriptive qualitative study, journal editors were interviewed between January 6, 2025, and May 7, 2025 using an online Zoom platform. Eligible participants were identified through journal webpages and snowball sampling. A purposive sampling strategy prioritized HPE research journals and included a limited sample of general medical research journals to explore transferability. Data collection and thematic analysis proceeded iteratively. Results Eighteen participants, including 9 chief editors and 9 associate/deputy editors were interviewed. Fourteen participants worked in HPE journals, four in general medical journals. The analysis revealed 4 key themes: 1) the basics of disclosure, made up of content and location expectations shared by participants; 2) the sufficiency threshold, regarding how much detail to include; 3) the necessity threshold, regarding which circumstances require disclosure; and 4) the factors blurring these two thresholds, which included the speed of change, the co-construction of disclosure standards, and the uneasy fit of scientific principles such as reproducibility and transparency with the AI-use context. Conclusions While editors shared basic disclosure expectations, they also provided insight into blurred thresholds of sufficiency and necessity that complicate disclosure. By attending to these thresholds and the factors blurring them, and by using these insights to apply recent AI-use and disclosure frameworks, journals can develop enhance their guidelines, which will assist authors in HPE in navigating the shifting norms of AI-use disclosure.
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 | 0,099 | 0,305 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,015 |
| Communication savante | 0,019 | 0,012 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».