Response to the Letter to the Editor—Appealing abstracts: ChatGPT or outside advice?
Notice bibliographique
Résumé
We thank Dr. Shigeki Matsubara for his insightful comments on our recent article published in Paediatrics & Child Health (1). Dr. Matsubara raised two key considerations. First, he noted that the improvements observed in our study may not be unique to ChatGPT but could equally result from advice provided by another reader. We agree. Our study was not designed to compare ChatGPT with human reviewers but rather to evaluate whether ChatGPT could serve as an accessible form of external review. Our findings showed that when researchers believed their abstract was ready for submission, asking ChatGPT to improve it was associated with measurable improvement in quality. We interpret this not as evidence that ChatGPT is superior to human input, but as support for its potential role as an immediately available and low-barrier source of external feedback. Second, Dr. Matsubara suggested that improvements might reflect the benefit of re-reading an abstract after a delay. We acknowledge this possibility and explicitly discussed it as a limitation. However, participants were asked to provide what they considered their final version before ChatGPT's revision. Abstracts were returned within 24 hours, and all final versions were completed within 48 hours, limiting the influence of delayed self-review alone. Moreover, 75% of participants explicitly reported that ChatGPT helped improve their abstracts, supporting the interpretation that its input contributed meaningfully to refinement.
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 | 0,004 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,045 | 0,040 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,020 |
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 ».