The Influence of an Artificial Intelligence Large Language Model (ChatGPT) on Orthopaedic Scientific Publishing: A Bibliometric Analysis
Notice bibliographique
Résumé
PURPOSE: This study aimed to assess bibliometric trends in orthopaedic research before and after the public release of ChatGPT. METHODS: A bibliometric analysis was conducted using PubMed data from January 2021 to March 2025, encompassing articles from ten high-impact orthopaedic journals. Trends in daily publication frequency, number of co-authors per article, sentence length, and lexical diversity were compared between pre- and post-ChatGPT periods. RESULTS: A total of 19,380 articles were analysed. The mean number of publications per day increased significantly from 9.76 ± 6.79 to 12.02 ± 7.83 (p < 0.001). This difference remained significant after adjusting for monthly variation (p < 0.001). The mean number of authors per article rose from 5.9 ± 3.88 to 6.18 ± 4.04 (p < 0.001). Abstracts became slightly more concise, with the average sentence length decreasing from 14.95 ± 5.13 to 14.67 ± 5.04 (p < 0.001), while lexical diversity increased marginally (TTR: 0.5192 to 0.5233; p < 0.001). CONCLUSION: Since the introduction of ChatGPT, orthopaedic publications have shown a measurable rise in daily output, enhanced collaborative authorship, and subtle changes in linguistic style. These findings suggest a potential influence of AI-assisted tools on the way scientific research is written and disseminated.
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 | 0,019 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,014 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».