AI原稿レビュー、研究公正、投稿に向けた準備についての実践的な記事です。
AI原稿レビューは、論文の信頼性と質を3つの領域にわたって確認し、検出結果を人が判断するための根拠として返します。その仕組みを解説します。
ChatGPTが役立つのは言語面であり、信頼性の確認ではありません。架空の引用を作ること、根拠をたどれないこと、現実的な機密保持リスクがあることがその理由です。根拠に基づく原稿レビューが代わりに何を行うのかを解説します。
言語モデルは本物らしく見える引用を作り出し、それは査読をすり抜けます。ハルシネーションによる参考文献が出版論文にまで至る経緯と、ご自身の原稿で先に見つける方法を解説します。
撤回は引用の後に起こるため、有効だった参考文献が投稿前に撤回されることがあります。撤回論文を引用した場合の代償と、そのスクリーニング方法を解説します。
画像の問題で指摘を受ける原稿はおよそ20〜35%ですが、採択が取り消されるのは1〜8%にとどまります。画像スクリーニングで実際に何が見つかるのかを解説します。
生成ツールは、専門家でも目視では確実に見抜けない図を作り出します。AI生成画像の検出が誠実に約束できることと、出版社が次に取る対応を解説します。
文献をすべて頭に入れている人はいないため、異なる論文間での図の再利用は人手による確認では発見できません。画像盗用のスクリーニングの仕組みを解説します。
デスクリジェクトの原因となる問題の多くは、投稿前に見つけられます。観点ごとに整理した、実用的な原稿の投稿前チェックリストです。
論文がそもそも査読者に届くかどうかは、編集部での初期スクリーニングで決まります。学術誌が査読前に確認することと、スクリーニングで指摘があった場合に何が起こるのかを解説します。
n = 28 · 整数の回答
報告された平均値が、サンプルサイズからみて数学的にありえない場合があります。GRIMテストの仕組み、不整合が示すもの、そしてそれが証明にはならない理由を解説します。
自動化された信頼性チェックは、パターンとして捉えられる種類の問題の検出を得意とする一方、意図や研究の価値は判断できません。その限界と、ツールにとっての意味を率直に解説します。
調査対象の研究者の70%以上が、他のラボの研究の再現に失敗した経験があります。再現性の欠如がどこから生じるのか、そして改善に役立つ「記載の網羅性」という手段を解説します。
ICMJEはAI支援技術の使用の開示を求め、チャットボットを著者とすることを認めていません。何を開示し、どこに記載するのか、そして開示しなかった場合の代償を解説します。
助成機関は、研究デザイン、検出力、リソースの認証、報告といった厳密性の要素に、申請書が明示的に取り組むことを求めています。NIHなどが求める内容と、記載が不十分になりやすい箇所を解説します。
お問い合わせ、またはログインしてください。