Attitudes and perceptions towards the use of artificial intelligence chatbots in medical journal peer review: A protocol for a large-scale, international cross-sectional survey
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) chatbots are advanced conversational programmes capable of performing tasks such as identifying methodological flaws, verifying references, and improving language clarity in manuscripts. Their use in peer review has the potential to enhance efficiency, reduce reviewer workload, and address inconsistencies in review quality. However, concerns remain regarding their reliability, ethical implications, and transparency in decision-making, and little is known about how peer reviewers perceive these tools. Objectives: To assess peer reviewers’ attitudes and perceptions towards the use of AI chatbots in the peer review process, including their familiarity with AI, perceived benefits and challenges, ethical considerations, and expectations for future roles. Methods: An international cross-sectional survey will be conducted among academic peer reviewers. The survey will collect data on participants’ prior experience with AI, perceptions of the utility of chatbots in supporting peer review, concerns related to ethics and transparency, and anticipated future applications. Results: This study will report descriptive and comparative analyses of reviewers’ responses, highlighting patterns in attitudes and perceptions by demographic and professional characteristics. Conclusions: The findings may offer evidence to inform the development of future policies and best practices for the ethical and effective integration of AI chatbots in peer review, with the goal of improving review quality while addressing potential risks.
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 | 0,014 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».