Should we be wary of using artificial intelligence-based big data management in social research?
Notice bibliographique
Résumé
This study examines the future role of artificial intelligence (AI) in transforming research processes within the social sciences, focusing on how AI may redefine researchers' responsibilities and potentially replace human participants in certain types of studies. Employing the Delphi method, the study collects expert opinions to evaluate both facilitating factors and barriers to the integration of AI into scientific research. Key findings indicate that while technological advancements – such as open-access data and the integration of AI with existing research tools – support the growing role of AI, significant challenges remain. These include the difficulty of verifying AI-generated information and concerns regarding authenticity in AI-driven research. Social factors, particularly the risk of excessive reliance on AI leading to diminished originality, emerged as critical barriers. In contrast, economic considerations, such as declining development costs, were viewed as less influential. The study’s practical implications include the need for robust ethical guidelines and enhanced AI training for researchers. By offering original insights into the evolving intersection of AI and social science research, this study highlights both the transformative potential of AI and the urgent need for its responsible integration to preserve research integrity and reliability.
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 | 0,474 | 0,563 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,012 | 0,071 |
| Communication savante | 0,037 | 0,097 |
| Science ouverte | 0,006 | 0,020 |
| Intégrité de la recherche | 0,019 | 0,035 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».