DOI: https://doi.org/10.3346/jkms.2026.41.e306
PMID: https://pubmed.ncbi.nlm.nih.gov/42521271
تاريخ النشر: 2026-01-01
المؤلف: Hye Jin Joo وآخرون
الموضوع الرئيسي: النشر الأكاديمي والوصول المفتوح
نظرة عامة
لقد أحدث ظهور نماذج اللغة الكبيرة (LLMs) في أواخر عام 2022 تحولًا كبيرًا في نشر الطب الأكاديمي، مؤثرًا على مراحل مختلفة من عملية النشر الأكاديمي، بما في ذلك صياغة المخطوطات، ومراجعة الأقران، واتخاذ القرارات التحريرية. بحلول عام 2024، وُجد أن ما لا يقل عن 13.5% من الملخصات الطبية الحيوية أظهرت وجود LLM بشكل يمكن اكتشافه. لقد زادت هذه التكامل السريع من التحديات القائمة مثل ارتفاع رسوم معالجة المقالات، وثقافة النشر أو الفناء، ونقص مراجعي الأقران، ونقص الموارد التحريرية. كانت استجابة مجتمع النشر الأكاديمي متنوعة، حيث قامت هيئات دولية مثل اللجنة الدولية لمحرري المجلات الطبية (ICMJE) ولجنة أخلاقيات النشر (COPE) بوضع مبادئ ضد تأليف الذكاء الاصطناعي والدعوة إلى الإفصاح. ومع ذلك، فإن تطبيق هذه المبادئ لا يزال غير متسق عبر المجلات، حيث تكون طرق الكشف غالبًا متحيزة ضد المتحدثين غير الأصليين باللغة الإنجليزية.
تقترح المراجعة إطار عمل استباقي لمعالجة التحديات التي تطرحها LLMs في النشر الطبي، متجاوزةً الحظر والتنفيذ. تقترح نظام إفصاح ثلاثي المستويات متماشيًا مع تصنيف CRediT، ونموذج محرر مساعد بالذكاء الاصطناعي من أربع مراحل لدمج أدوات LLM في سير العمل التحريري، وتصميم سياسات واعية بالعدالة من خلال التعاون الدولي، مثل قمة تحريرية عالمية. يهدف هذا الإطار إلى تحويل النموذج التحريري نحو حوكمة استباقية، معترفًا بالضغوط المتزايدة على المحررين الذين غالبًا ما يكونون مثقلين بالأعباء ومحدودي الموارد. تؤكد الخاتمة على أن دمج LLMs لا يمكن عكسه وتبرز الحاجة إلى سياسات متماسكة تعالج بفعالية تعقيدات مشاركة الذكاء الاصطناعي في نظام النشر.
مقدمة
لقد حول إدخال ChatGPT من قبل OpenAI في نوفمبر 2022 بشكل كبير التواصل الأكاديمي، حيث تتسلل نماذج اللغة الكبيرة (LLMs) مثل GPT-4 وغيرها بسرعة إلى مراحل مختلفة من عملية النشر الأكاديمي. تشير تحليل لأكثر من 15 مليون ملخص طبي حيوي من PubMed إلى أن حوالي 13.5% من الملخصات المنشورة في 2024 استخدمت الكتابة المدعومة بواسطة LLM، مع ارتفاع هذا الرقم إلى 40% في تخصصات ومجلات معينة. لقد تجاوزت هذه النسبة تأثير جائحة COVID-19 على الأدبيات الطبية الحيوية، مما يبرز تحولًا عميقًا في مشهد النشر. يتزامن دمج LLMs مع التحديات القائمة في النشر الأكاديمي، مثل ضغوط النشر ونقص المراجعين، مما يثير مخاوف حاسمة بشأن نزاهة البحث، والشفافية، والعدالة.
استجاب المجتمع الأكاديمي بسرعة لظهور LLMs، حيث قامت منظمات ومجلات مختلفة بتنفيذ سياسات تركز على الشفافية والمساءلة للمحتوى المدعوم بالذكاء الاصطناعي. ومع ذلك، لا تزال التحديات قائمة في تنفيذ السياسات، وكشف الذكاء الاصطناعي، وضمان الوصول العادل للمتحدثين غير الأصليين باللغة الإنجليزية. يتطور دور محرري المجلات الطبية، حيث يجب عليهم الآن معالجة المعضلات التكنولوجية والأخلاقية التي تفتقر إلى سوابق تاريخية. تهدف هذه المراجعة السردية إلى وصف التحديات الهيكلية التي تطرحها اعتماد LLM في النشر الطبي الذي يخضع لمراجعة الأقران، ومقارنة الاستجابات من المجلات والناشرين الرئيسيين، وتقييم قيود آليات الكشف الحالية. تقترح إطارًا لدمج LLM بشكل مسؤول وتؤكد على ضرورة وجود توافق دولي بشأن المعايير التحريرية في عصر الذكاء الاصطناعي.
نقاش
تسلط قسم النقاش في الورقة الضوء على التحديات الهيكلية التي تطرحها اعتماد نماذج اللغة الكبيرة (LLMs) في النشر الأكاديمي، خاصة في سياق زيادة تقديم المخطوطات وتراجع الجودة. لقد قلل إدخال LLMs بشكل كبير من الوقت والخبرة المطلوبة لإنتاج المخطوطات الأكاديمية، مما أدى إلى زيادة في التقديمات السطحية والتي قد تكون احتيالية. أظهرت دراسة ملحوظة أن حوالي 13.5% من الملخصات المدرجة في PubMed في 2024 أظهرت علامات على معالجة LLM، مع الإبلاغ عن بعض التخصصات لأرقام تتجاوز 40%. تثير هذه الاتجاهات مخاوف بشأن نزاهة البحث، حيث قد تسهل LLMs انتشار المخطوطات ذات الجودة المنخفضة وتزيد من تفاقم القضايا المتعلقة بممارسات النشر المفترسة، حيث تنشر الكيانات المدفوعة بالربح دون مراجعة كافية من الأقران.
تناقش الورقة أيضًا الضغوط الاقتصادية والهيكلية داخل مشهد النشر الأكاديمي، خاصة الاعتماد على رسوم معالجة المقالات (APCs) التي تحفز زيادة حجم النشر. يشجع هذا البيئة، جنبًا إلى جنب مع ثقافة النشر أو الفناء، الباحثين على زيادة الإنتاج، غالبًا على حساب الجودة. إن الفجوة بين الاستخدام الواسع لـ LLMs والأطر التنظيمية القائمة تعقد الوضع، حيث تفشل الإرشادات الحالية في معالجة الفروق الدقيقة في الكتابة المدعومة بالذكاء الاصطناعي وآثارها على التأليف والمساءلة. يؤكد المؤلفون على الحاجة الملحة لنهج شامل لدمج LLMs بشكل مسؤول في العملية التحريرية، داعين إلى أن تعمل أدوات الذكاء الاصطناعي كمحررين مساعدين داعمين بدلاً من كونهم منفذين للامتثال، مما يعزز كفاءة ونزاهة النشر الأكاديمي.
القيود
تعيق قيود أدوات الكشف عن الذكاء الاصطناعي الحالية بشكل كبير فعاليتها في تحديد المحتوى الذي تم إنشاؤه بواسطة LLM في المخطوطات الأكاديمية. على الرغم من نشر أدوات تجارية وأكاديمية متنوعة، مثل وحدة كشف الذكاء الاصطناعي من Turnitin وGPTZero، تكشف التقييمات أن لا يوجد كاشف يحقق دقة تتجاوز 80%. علاوة على ذلك، تظهر هذه الأدوات عدم القدرة الملحوظة على التمييز بشكل موثوق بين النص الذي تم إنشاؤه بواسطة الذكاء الاصطناعي والمحتوى المكتوب بواسطة البشر، خاصة بالنسبة للكتّاب غير الناطقين باللغة الإنجليزية، حيث أفادت دراسة واحدة بمعدل إيجابيات خاطئة يبلغ 61.3% لمقالات TOEFL المكتوبة بواسطة البشر التي تم تصنيفها بشكل خاطئ على أنها تم إنشاؤها بواسطة الذكاء الاصطناعي. يثير هذا مخاوف بشأن التحيز المحتمل ضد الباحثين الذين ليسوا ناطقين أصليين باللغة الإنجليزية.
علاوة على ذلك، تتناقص موثوقية أدوات الكشف عندما يقوم المؤلفون بتحرير أو إعادة صياغة المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي، وهو ممارسة شائعة بين الباحثين. نتيجة لذلك، تكون أدوات الكشف أقل فعالية في السيناريوهات التي تم فيها مراجعة المخطوطات، مما يعقد جهود التنفيذ. إن الاعتماد على عتبات الكشف الثابتة من قبل بعض المجلات يزيد من تفاقم هذه التحديات، حيث أن عدم دقة القياسات الحالية تقوض القدرة على اتخاذ قرارات تحريرية واثقة. بشكل عام، تسلط هذه القيود الضوء على الحاجة الملحة لتحسين منهجيات الكشف لسد الفجوة بين الطموحات السياسية والتنفيذ العملي في النشر الأكاديمي.
DOI: https://doi.org/10.3346/jkms.2026.41.e306
PMID: https://pubmed.ncbi.nlm.nih.gov/42521271
Publication Date: 2026-01-01
Author(s): Hye Jin Joo et al.
Primary Topic: Academic Publishing and Open Access
Overview
The emergence of large language models (LLMs) in late 2022 has significantly transformed scholarly medical publishing, influencing various stages of the academic publishing process, including manuscript drafting, peer review, and editorial decision-making. By 2024, it was found that at least 13.5% of biomedical abstracts exhibited detectable LLM involvement. This rapid integration has compounded existing challenges such as rising article processing charges, the publish-or-perish culture, a shortage of peer reviewers, and insufficient editorial resources. The scholarly publishing community’s response has been varied, with international bodies like the International Committee of Medical Journal Editors (ICMJE) and the Committee on Publication Ethics (COPE) establishing principles against AI authorship and advocating for disclosure. However, the enforcement of these principles remains inconsistent across journals, with detection methods often biased against nonnative English speakers.
The review proposes a proactive framework to address the challenges posed by LLMs in medical publishing, moving beyond prohibition and enforcement. It suggests a three-tiered disclosure system aligned with the CRediT taxonomy, a four-stage AI co-editor model for integrating LLM tools into editorial workflows, and the design of equity-conscious policies through international collaboration, such as a global editorial summit. This framework aims to shift the editorial paradigm towards proactive governance, recognizing the increasing demands on editors who are often overburdened and under-resourced. The conclusion emphasizes that the integration of LLMs is irreversible and highlights the need for cohesive policies that effectively address the complexities of AI involvement in the publishing ecosystem.
Introduction
The introduction of ChatGPT by OpenAI in November 2022 has significantly transformed scholarly communication, with large language models (LLMs) like GPT-4 and others rapidly infiltrating various stages of the academic publishing process. An analysis of over 15 million biomedical abstracts from PubMed indicates that approximately 13.5% of abstracts published in 2024 utilized LLM-assisted writing, with this figure rising to 40% in specific disciplines and journals. This adoption rate has outpaced the impact of the COVID-19 pandemic on biomedical literature, highlighting a profound shift in the publishing landscape. The integration of LLMs coincides with existing challenges in academic publishing, such as publication pressures and reviewer shortages, raising critical concerns about research integrity, transparency, and equity.
The scholarly community has swiftly responded to the rise of LLMs, with various organizations and journals implementing policies focused on transparency and accountability for AI-assisted content. However, challenges remain in policy enforcement, AI detection, and ensuring equitable access for non-native English speakers. The role of medical journal editors is evolving, as they must now address technological and ethical dilemmas that lack historical precedents. This narrative review aims to characterize the structural challenges posed by LLM adoption in peer-reviewed medical publishing, compare responses from major journals and publishers, and evaluate the limitations of current detection mechanisms. It proposes a framework for responsible LLM integration and emphasizes the necessity for international consensus on editorial standards in the era of AI.
Discussion
The discussion section of the paper highlights the structural challenges posed by the adoption of large language models (LLMs) in scholarly publishing, particularly in the context of increasing manuscript submissions and declining quality. The introduction of LLMs has significantly reduced the time and expertise required to produce academic manuscripts, leading to a rise in superficial and potentially fraudulent submissions. A notable study indicated that approximately 13.5% of PubMed-indexed abstracts in 2024 exhibited signs of LLM processing, with some disciplines reporting figures over 40%. This trend raises concerns about research integrity, as LLMs may facilitate the proliferation of low-quality manuscripts and exacerbate issues related to predatory publishing practices, where profit-driven entities publish without adequate peer review.
The paper further discusses the economic and structural pressures within the scholarly publishing landscape, particularly the reliance on article processing charges (APCs) that incentivize increased publication volume. This environment, combined with the publish-or-perish culture, encourages researchers to maximize output, often at the expense of quality. The gap between the widespread use of LLMs and existing regulatory frameworks complicates the situation, as current guidelines fail to adequately address the nuances of AI-assisted writing and its implications for authorship and accountability. The authors emphasize the urgent need for a comprehensive approach to integrate LLMs responsibly into the editorial process, advocating for AI tools to serve as supportive “co-editors” rather than as enforcers of compliance, thereby enhancing the efficiency and integrity of scholarly publishing.
Limitations
The limitations of current AI detection tools significantly hinder their effectiveness in identifying LLM-generated content in academic manuscripts. Despite the deployment of various commercial and academic tools, such as Turnitin’s AI Detection module and GPTZero, evaluations reveal that no detector achieves accuracy exceeding 80%. Furthermore, these tools demonstrate a marked inability to reliably distinguish AI-generated text from human-written content, particularly for non-native English writers, with one study reporting a false-positive rate of 61.3% for human-written TOEFL essays misclassified as AI-generated. This raises concerns about potential biases against researchers who are not native English speakers.
Moreover, the reliability of detection tools diminishes when authors edit or paraphrase AI-generated content, which is a common practice among researchers. As a result, detection tools are least effective in scenarios where manuscripts have been revised, thereby complicating enforcement efforts. The reliance on fixed detection thresholds by some journals further exacerbates these challenges, as the imprecision of current measurements undermines the ability to make confident editorial decisions. Overall, these limitations highlight the urgent need for improved detection methodologies to bridge the gap between policy aspirations and practical enforcement in academic publishing.