Recommendations for disclosure of artificial intelligence in scientific writing and publishing: a regional anesthesia and pain medicine modified Delphi study
Notice bibliographique
Résumé
Introduction The use of artificial intelligence (AI) in the scientific process is advancing at a remarkable speed, thanks to continued innovations in large language models. While AI provides widespread benefits, including editing for fluency and clarity, it also has drawbacks, including fabricated content, perpetuation of bias, and lack of accountability. The editorial board of Regional Anesthesia & Pain Medicine (RAPM) therefore sought to develop best practices for AI usage and disclosure. Methods A steering committee from the American Society of Regional Anesthesia and Pain Medicine used a modified Delphi process to address definitions, disclosure requirements, authorship standards, and editorial oversight for AI use in publishing. The committee reviewed existing publication guidelines and identified areas of ambiguity, which were translated into questions and distributed to an expert workgroup of authors, reviewers, editors, and AI researchers. Results Two survey rounds, with 91% and 87% response rates, were followed by focused discussion and clarification to identify consensus recommendations. The workgroup achieved consensus on recommendations to authors about definitions of AI, required items to report, disclosure locations, authorship stipulations, and AI use during manuscript preparation. The workgroup formulated recommendations to reviewers about monitoring and evaluating the responsible use of AI in the review process, including the endorsement of AI-detection software, identification of concerns about undisclosed AI use, situations where AI use may necessitate the rejection of a manuscript, and use of checklists in the review process. Finally, there was consensus about AI-driven work, including required and optional disclosures and the use of checklists for AI-associated research. Discussion Our modified Delphi study identified practical recommendations on AI use during the scientific writing and editorial process. The workgroup highlighted the need for transparency, human accountability, protection of patient confidentiality, editorial oversight, and the need for iterative updates. The proposed framework enables authors and editors to harness AI’s efficiencies while maintaining the fundamental principles of responsible scientific communication and may serve as an example for other journals.
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 | 0,654 | 0,798 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,010 | 0,009 |
| Communication savante | 0,019 | 0,025 |
| Science ouverte | 0,008 | 0,014 |
| Intégrité de la recherche | 0,013 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».