When and how to disclose AI use in academic publishing: AMEE Guide No.192
Notice bibliographique
Résumé
Generative Artificial Intelligence (GenAI) tools are increasingly integrated into research and academic writing, offering opportunities to streamline workflows and increase productivity. However, these tools also introduce risks when used uncritically, unethically, or without transparency. In particular, the undisclosed use of GenAI, now widely documented, may compromise research integrity. The aim of this AMEE Guide is to provide researchers with practical guidance on when and how to disclose the use of GenAI in scholarly writing. Specifically, we propose a clear framework to promote ethical GenAI use and reporting practices in health professions education research. We start with an exploration of key aspects of responsible use of GenAI in publishing (e.g. authorship, verification and responsibility, plagiarism and bias, data privacy and confidentiality, journal requirements). We then address the importance of transparency about GenAI use in research production, both within research teams (internal disclosure) and to journals and readers (external disclosure). With respect to the latter, we highlight the need to be aware of journal-specific guidance and offer guiding principles for effective disclosure. Central to these principles is the call for scholars to provide a candid description of how GenAI was used, allowing readers to understand how the model shaped the research and writing processes. We also briefly consider the use and disclosure of GenAI in peer review. Given that, at the time of writing this Guide (November 2025), many questions remain regarding AI use and disclosure for publishing, we conclude with reflections on future developments and directions for research.
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 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 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 ».