DOI: https://doi.org/10.1136/fmch-2024-003238
PMID: https://pubmed.ncbi.nlm.nih.gov/39805700
تاريخ النشر: 2025-01-01
المؤلف: Sarina Schrager وآخرون
الموضوع الرئيسي: الكتابة الأكاديمية والنشر
نظرة عامة
تؤكد هذه الفقرة على أهمية الشفافية في البحث الأكاديمي، لا سيما فيما يتعلق باستخدام الذكاء الاصطناعي (AI) أو نماذج اللغة الكبيرة (LLMs) في عمليات البحث والكتابة. تدعو الباحثين إلى الكشف عن أي حالات تم فيها استخدام أدوات الذكاء الاصطناعي، مع تقديم أمثلة محددة على تطبيقها، مثل استخدام ChatGPT لتقليص عدد الكلمات في مخطوطة. لا تعزز هذه الممارسة مصداقية البحث فحسب، بل تعزز أيضًا المعايير الأخلاقية في الكتابة الأكاديمية من خلال ضمان الاعتراف المناسب بالمساهمات من تقنيات الذكاء الاصطناعي.
نقاش
تسلط فقرة النقاش في الورقة الضوء على الدور المتطور لنماذج اللغة الكبيرة (LLMs) في الذكاء الاصطناعي (AI) وآثارها على الكتابة الأكاديمية والبحث. لقد أظهرت LLMs، مثل ChatGPT، القدرة على إنتاج نصوص تشبه النصوص البشرية، مما يمكن أن يكون مفيدًا في مراجعات الأدبيات ومهام الكتابة. ومع ذلك، فإن دقة المحتوى الذي تنتجه LLMs تمثل مصدر قلق كبير، حيث قد تقوم بتلفيق المعلومات وتوليد استشهادات وهمية. البحث الحالي حول الاستخدام الفعال لـ LLMs في النشر الأكاديمي محدود، حيث أن معظم الأدبيات الحالية هي تعليقات بدلاً من دراسات مراجعة الأقران. بينما تشير بعض الدراسات إلى أن LLMs يمكن أن تعزز الكفاءة في مراجعات الأدبيات، فإنها تكشف أيضًا عن قضايا مثل دقة متغيرة وإمكانية الانتحال.
تؤكد الورقة على الحاجة إلى إرشادات واضحة بشأن الاستخدام المسؤول لأدوات الذكاء الاصطناعي في البحث، كما هو موضح في “الإرشادات الحية للاستخدام المسؤول للذكاء الاصطناعي التوليدي في البحث” من المفوضية الأوروبية. تشدد هذه الإرشادات على أهمية الشفافية والمساءلة والحاجة إلى أن يتحمل الباحثون المسؤولية النهائية عن أعمالهم. علاوة على ذلك، يثير النقاش مخاوف بشأن التحيزات المتأصلة في LLMs، والتي قد تعزز المحتوى التمييزي الموجود في مجموعات بيانات التدريب الخاصة بها. يدعو المؤلفون إلى إجراء أبحاث مستمرة لتحسين دقة وإنصاف أدوات الذكاء الاصطناعي، بينما يدعون أيضًا إلى التعاون بين مجلات الطب العائلي لوضع أفضل الممارسات لاستخدام الذكاء الاصطناعي في النشر. في النهاية، بينما من غير المحتمل أن تحل LLMs محل الباحثين البشريين، فإنها تقدم فرصًا لتعزيز عملية النشر، مما يتطلب تدقيقًا دقيقًا لمخرجاتها.
DOI: https://doi.org/10.1136/fmch-2024-003238
PMID: https://pubmed.ncbi.nlm.nih.gov/39805700
Publication Date: 2025-01-01
Author(s): Sarina Schrager et al.
Primary Topic: Academic Writing and Publishing
Overview
The section emphasizes the importance of transparency in academic research, particularly regarding the use of artificial intelligence (AI) or large language models (LLMs) in the research and writing processes. It advocates for researchers to disclose any instances where AI tools were employed, providing specific examples of their application, such as utilizing ChatGPT to condense the word count of a manuscript. This practice not only enhances the credibility of the research but also fosters ethical standards in academic writing by ensuring that contributions from AI technologies are appropriately acknowledged.
Discussion
The discussion section of the paper highlights the evolving role of Large Language Models (LLMs) in artificial intelligence (AI) and their implications for academic writing and research. LLMs, such as ChatGPT, have demonstrated the ability to generate human-like text, which can be beneficial in literature reviews and writing tasks. However, the accuracy of the content produced by LLMs is a significant concern, as they may confabulate information and generate fictitious citations. Current research on the effective use of LLMs in academic publishing is limited, with most existing literature being commentaries rather than peer-reviewed studies. While some studies indicate that LLMs can enhance efficiency in literature reviews, they also reveal issues such as variable accuracy and potential plagiarism.
The paper emphasizes the need for clear guidelines on the responsible use of AI tools in research, as outlined by the European Commission’s “Living Guidelines on the Responsible Use of Generative AI in Research.” These guidelines stress the importance of transparency, accountability, and the need for researchers to maintain ultimate responsibility for their work. Furthermore, the discussion raises concerns about biases inherent in LLMs, which may perpetuate existing discriminatory content found in their training datasets. The authors call for ongoing research to improve the accuracy and fairness of AI tools, while also advocating for collaboration among family medicine journals to establish best practices for AI use in publishing. Ultimately, while LLMs are unlikely to replace human researchers, they present opportunities to enhance the publication process, necessitating careful scrutiny of their outputs.