¿Cómo está transformando la inteligencia artificial la comunicación científica? Desafíos, oportunidades y el papel de los actores involucrados: una revisión de alcance
Notice bibliographique
Résumé
La inteligencia artificial generativa está impactando la comunicación científica y transformando la forma tradicional en que se realiza, se evalúa y se difunde la investigación. Sin embargo, no es claro cómo esta se integra en la comunicación científica ni quiénes son las partes involucradas en su incorporación y uso responsable. En respuesta, este estudio pretende explorar a través de una revisión de alcance, cómo se están integrando las herramientas de inteligencia artificial generativa en los procesos de comunicación y publicación científica, cuáles son los desafíos, así como las partes implicadas. Se realizó una revisión de alcance para encontrar la información más relevante sobre su incorporación y uso en la publicación científica en bases de datos especializadas que incluyó 90 estudios que respondían a las preguntas de investigación. Los resultados señalan que la inteligencia artificial generativa es empleada para traducir, redactar y editar artículos científicos, además de agilizar los procesos de revisión por pares. También se evidencian problemas éticos relacionados con los sesgos algorítmicos, el plagio, las dificultades para reconocer información generada por inteligencia artificial y la falta de políticas globalmente aceptadas en torno a su uso. Finalmente, se identificaron varios grupos interesados en su incorporación y uso, como investigadores, editores, revisores, bibliotecas académicas, entre otros.
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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,034 | 0,036 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes 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 ».