MétaCan
Menu
← Retour à la cohorte
Enregistrement W4414625223 · doi:10.1016/j.jcjo.2025.09.004

The growing presence of AI-generated content in ophthalmology: a retrospective bibliographic analysis

2025· article· en· W4414625223 sur OpenAlexaffvenue
Michael Balas, Xiaole Li, Parnian Arjmand

Notice bibliographique

RevueCanadian Journal of Ophthalmology · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueArtificial Intelligence in Healthcare and Education
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésContent analysisContent (measure theory)MEDLINEScientific literatureBibliometrics

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To quantify the prevalence and trends of artificial intelligence (AI)-generated content in ophthalmology manuscripts, particularly following the public release of OpenAI's ChatGPT on November 30, 2022. METHODS: A retrospective bibliographic analysis was conducted on 1 036 manuscripts from 30 ophthalmology journals, divided into pre-December 2022 (519 manuscripts) and post-December 2022 (517 manuscripts) periods. AI-generated content was evaluated using the Originality Standard 2.0.0 model, which calculates AI probability scores (AIPS) ranging from 0% to 100%. Readability metrics (e.g., Flesch-Kincaid Score) and journal impact metrics (e.g., impact factor) were analyzed. RESULTS: AIPS remained stable from 2014 to 2022 but increased significantly after December 2022 (p < 0.001). The mean AIPS rose from 4.95% in 2022 to 11.2% by mid-2024, with projections estimating 17.51% by mid-2026. Editorials exhibited the highest mean AIPS (12.8%), while surgical technique studies had the lowest (4.33%). Higher AIPS were associated with lower journal impact factors (Spearman's ρ = -0.54; p < 0.001) and simpler language, as reflected by lower Automated Readability Index scores (Spearman's ρ = -0.12; p < 0.005). None of the included manuscripts disclosed AI usage, including 44 manuscripts with AIPS exceeding 25%. CONCLUSIONS: AI-generated content in ophthalmology has risen significantly since ChatGPT's release. Higher AIPS correlates with lower journal impact factors and reduced literary complexity. The lack of AI usage disclosure raises ethical concerns and emphasizes the need for transparent reporting and guidelines to ensure the integrity of scientific research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,065
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Bibliométrie
Catégories consensuellesaucune
DomaineSignal candidat: Évaluation · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,990
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,065
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0350,035
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,125
Tête enseignante GPT0,404
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineÉvaluation
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Ophthalmology→Même sujetArtificial Intelligence in Healthcare and Education→Travaux en français237 207→