Enhanced guidance on artificial intelligence for medical publication and communication professionals
Notice bibliographique
Résumé
The International Society for Medical Publication Professionals (ISMPP) position statement and call to action on the use of artificial intelligence (AI), published in 2024, recognized the value of AI while advocating for best practices to guide its use. In this commentary, we offer enhanced guidance on the call to action for ISMPP members and other medical communication professionals on the topics of education and training, implementation and use, and advocacy and community engagement. With AI rapidly revolutionizing scientific communication, members should stay up to date with advancements in the field by completing AI training courses, engaging with ISMPP AI education and training and other external training platforms, developing a practice of lifelong learning, and improving AI literacy. Members can successfully integrate and use AI by complying with organizational policies, ensuring fair access to AI models, complying with authorship guidance, properly disclosing the use of AI models or tools, respecting academic integrity and copyright restrictions, and understanding privacy protections. Members also need to be familiar with the systemic problem of bias with large language models, which can reinforce health inequities, as well as the limits of transparency and explainability with AI models, which can undermine source verification, bias detection, and even scientific integrity. AI models can produce hallucinations, results that are factually incorrect, irrelevant, or nonsensical, which is why all outputs from AI models should be reviewed and verified for accuracy by humans. With respect to advocacy and community engagement, members should advocate for the responsible use of AI, participate in developing AI policy and governance, work with underserved communities to get access to AI tools, and share findings for AI use cases or research results in peer-reviewed journals, conferences, and other professional platforms.
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 | 0,139 | 0,425 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,024 |
| Communication savante | 0,030 | 0,034 |
| Science ouverte | 0,008 | 0,017 |
| Intégrité de la recherche | 0,098 | 0,072 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,022 |
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 ».