Artificial Intelligence Meets Academic Integrity: Evaluating AI Tools To Support Literature Reviews
Notice bibliographique
Résumé
Every research project and almost every scholarly paper begins with a literature review. A growing number of artificial Intelligence (AI) tools can be used to expedite various steps of the review process, including problem formulation, literature search, screening for inclusion, quality assessment, data extraction, and data analysis and interpretation. The process of conducting literature reviews and the quality of the results obtained may vary according to the AI tools a researcher employs, however, and the academic integrity remains a paramount concern. In this symposium we bring together five panelists, each an expert in the development and/or use of some AI tools, to help establish the state-of-the-art re: AI research tools for reviews and to debate the validity, utility, and ethics involved in using them. Two discussants, well-known for their expertise regarding the effective and ethical conduct of systematic reviews, will emphasize the academic integrity and standards for rigorous and trustworthy reviews and reiterate researchers’ responsibilities in this regard. Overall, this symposium aims to describe and critique available and emergent AI tools and evaluate their alignment with the guidelines researchers must follow when conducting literature reviews.
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 | 0,901 | 0,962 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,006 |
| Méta-épidémiologie (sens large) | 0,011 | 0,010 |
| Bibliométrie | 0,058 | 0,041 |
| Études des sciences et des technologies | 0,013 | 0,025 |
| Communication savante | 0,060 | 0,041 |
| Science ouverte | 0,010 | 0,023 |
| Intégrité de la recherche | 0,019 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».