The Blurred Thresholds of AI-Use Disclosure: Health Professions Education Journal Editors’ Expectations of Necessity and Sufficiency
Notice bibliographique
Résumé
Introduction: Generative AI is a powerful resource for health professions education (HPE) researchers publishing their work. However, questions remain about its use and guidance about disclosure is inconsistent. This study explores journal editors' experiences and expectations of AI-use disclosure, to assist journals to clarify expectations and authors to satisfy them. Methods: In this descriptive qualitative study, editors were interviewed between January 6, 2025, and May 7, 2025 using Zoom. Eligible participants were identified through journal webpages and snowball sampling. A purposive sampling strategy prioritized HPE journals and included a limited sample of general medical journals to explore transferability. Data collection and thematic analysis proceeded iteratively. Results: Eighteen participants, including 9 chief editors and 9 associate/deputy editors were interviewed. Fourteen worked in HPE journals, four in general medical journals. The analysis revealed 4 themes: 1) the basics of disclosure, made up of content expectations and process knowledge; 2) the necessity threshold, regarding which circumstances require disclosure; 3) the sufficiency threshold, regarding how much detail to include; and 4) the factors blurring these thresholds, which included the speed of change, the co-construction of standards, and the uneasy fit of some scientific principles with the AI-use context. Conclusions: While editors shared basic disclosure expectations, these were complicated by blurred thresholds of sufficiency and necessity that may exacerbate uncertainty in the scholarly community. By attending to these thresholds and the factors blurring them, and by working to articulate shared disclosure standards, HPE journals can help authors safely navigate the shifting norms of AI-use disclosure.
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 | 0,001 | 0,009 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».