Tinjauan Sejawat Berbantuan AI: Tantangan, Risiko Etis, dan Kemungkinan Masa Depan

Peer Review Berbantuan AI: Tantangan, Risiko Etis, dan Kemungkinan Masa Depan

Pendahuluan

Proses peer review adalah fondasi penerbitan akademik. Sebelum penelitian disebarluaskan ke komunitas yang lebih luas, penelitian tersebut diperiksa oleh para ahli yang menilai ketelitian, orisinalitas, dan signifikansinya. Secara teori, peer review melindungi pembaca dari klaim yang tidak akurat atau menyesatkan dan memastikan bahwa temuan penelitian masuk ke dalam catatan ilmiah hanya setelah evaluasi yang cermat.

Dalam praktiknya, bagaimanapun, peer review tradisional menghadapi tekanan serius. Volume pengiriman ke jurnal terus meningkat, sementara jumlah reviewer yang bersedia berjuang untuk mengikuti. Editor menghadapi penundaan, kualitas review yang tidak konsisten, kelelahan reviewer, dan bias tidak sadar. Beberapa naskah menerima umpan balik yang rinci dan penuh pertimbangan; yang lain dievaluasi dengan cepat, tidak merata, atau bahkan tidak sama sekali. Hal ini mendorong jurnal dan penerbit untuk bereksperimen dengan alat dan alur kerja baru—terutama yang berbasis kecerdasan buatan (AI).

Peer review berbantuan AI menjanjikan untuk mengurangi beberapa tekanan ini. Sistem AI dapat membantu menyaring naskah untuk plagiarisme dan masalah etika, memeriksa format dan referensi, mengidentifikasi reviewer yang sesuai, dan menyoroti potensi masalah metodologis. Ketika digunakan secara bertanggung jawab, alat-alat ini dapat memperlancar alur kerja dan membebaskan reviewer manusia untuk fokus pada substansi ilmiah sebuah makalah.

Namun integrasi AI ke dalam tinjauan sejawat tidak tanpa risiko. Model AI mencerminkan data tempat mereka dilatih; mereka mungkin salah memahami konteks, salah mengklasifikasikan karya inovatif, atau menyematkan bias sistemik yang sudah ada. Mereka juga menimbulkan isu terkait privasi data, transparansi, dan akuntabilitas. Artikel ini mengeksplorasi tantangan utama, risiko etis, dan kemungkinan masa depan tinjauan sejawat berbantuan AI serta menawarkan panduan praktis tentang bagaimana jurnal dan peneliti dapat memanfaatkan AI tanpa merusak integritas evaluasi ilmiah.

Apa yang Dimaksud dengan Tinjauan Sejawat Berbantuan AI?

Tinjauan sejawat berbantuan AI tidak merujuk pada satu teknologi saja tetapi ekosistem luas alat yang mendukung tugas editorial dan tinjauan. Ini mungkin termasuk:

• Alat deteksi kesamaan dan plagiarisme yang membandingkan manuskrip dengan korpus teks besar.
• Alat bahasa dan keterbacaan yang menandai bagian yang tidak jelas atau bermasalah secara tata bahasa.
• Alat penyaringan otomatis yang memeriksa kepatuhan terhadap pedoman jurnal, batas kata, dan standar pelaporan dasar.
• Sistem pencocokan peninjau yang menggunakan data publikasi dan sitasi untuk mengidentifikasi ahli yang sesuai.
• Dasbor pendukung keputusan yang merangkum indikator utama untuk editor (misalnya, skor kesamaan, kelengkapan pelaporan, atau anomali statistik).

Di ujung spektrum yang lebih eksperimental, beberapa pengembang mengeksplorasi alat yang menawarkan kritik otomatis terhadap metode, kebaruan, atau dampak. Sistem ini masih dalam tahap awal dan menimbulkan beberapa kekhawatiran terdalam tentang peran AI dalam evaluasi ilmiah.

Yang penting, tinjauan sejawat berbantuan AI dimaksudkan untuk mendukung bukan sepenuhnya otomatis: tujuannya adalah membantu peninjau dan editor manusia bekerja lebih efisien dan konsisten, bukan menggantikan penilaian ahli mereka sepenuhnya. Bagian berikut membahas di mana janji ini bertentangan dengan keterbatasan dunia nyata.

Tantangan Utama dalam Tinjauan Sejawat Berbantuan AI

Meskipun AI membawa keuntungan jelas dalam kecepatan dan skala, keterbatasannya menjadi nyata ketika diminta untuk meniru atau menggantikan pemahaman bernuansa dari peneliti berpengalaman.

1. Pemahaman Kontekstual dan Teoretis yang Terbatas

Model AI pada dasarnya adalah sistem pengenalan pola. Mereka dapat menganalisis struktur, koherensi permukaan, dan kesamaan leksikal, tetapi kesulitan dengan pemahaman konseptual yang mendalam. Dalam tinjauan sejawat, ini menimbulkan beberapa risiko:

• AI mungkin gagal mengenali ide yang benar-benar inovatif yang tidak menyerupai pola dalam data pelatihannya.
• Model ini tidak dapat secara mandiri menilai kontribusi teoretis atau orisinalitas konseptual dari sebuah studi.
• Bahkan model canggih pun kekurangan intuisi khusus domain dan pengetahuan tacit yang dikembangkan peneliti senior selama bertahun-tahun.

Akibatnya, AI paling dapat diandalkan untuk tugas tingkat permukaan—seperti pemeriksaan format dan analisis teks dasar—daripada penilaian ilmiah yang lebih mendalam yang menentukan apakah sebuah manuskrip benar-benar memajukan suatu bidang.

2. Positif Palsu dan Salah Tafsir dalam Deteksi Plagiarisme

Alat kesamaan berbasis AI sekarang menjadi standar di banyak jurnal, tetapi keluaran mereka dapat dengan mudah disalahgunakan. Sistem ini sering menandai:

• Frasa standar, deskripsi metode, dan pernyataan etika yang muncul di banyak makalah.
• Bagian yang dikutip dengan benar yang kebetulan sangat mirip dengan kata-kata asli.
• Penggunaan ulang oleh penulis atas teks yang pernah diterbitkan sebelumnya, yang mungkin dapat diterima jika diakui secara transparan.

Ketergantungan berlebihan pada skor kesamaan mentah dapat menyebabkan kecurigaan yang tidak berdasar atau bahkan penolakan terhadap karya yang sah. Selain itu, AI kadang kesulitan membedakan antara parafrase yang dapat diterima dan plagiarisme yang disengaja, terutama di bidang teknis dengan cara terbatas untuk mendeskripsikan prosedur tertentu. Penulis yang bukan penutur asli bahasa Inggris juga dapat menghadapi pengawasan yang tidak proporsional, karena alat AI lebih sensitif terhadap tumpang tindih kecil ketika penulis menggunakan frasa umum.

3. Bias Algoritmik dan Ketidaksetaraan

Sistem AI belajar dari dataset yang mencerminkan praktik yang ada dalam penerbitan ilmiah. Dataset ini mungkin sudah condong ke arah tertentu:

• Institusi (misalnya, universitas dengan peringkat tinggi),
• Wilayah atau negara,
• Bahasa (paling sering Bahasa Inggris), dan
• Kelompok demografis dalam komunitas penelitian.

Jika bias ini tidak diidentifikasi dan diperbaiki, alat AI dapat menghasilkan dan bahkan memperkuat ketidaksetaraan. Misalnya, algoritma pencocokan peninjau mungkin secara konsisten memfavoritkan peneliti mapan dari institusi terkenal, mengurangi peluang bagi sarjana awal karier atau peninjau dari wilayah yang kurang terwakili. Prediksi dampak berbasis AI juga dapat memprioritaskan topik yang sudah banyak dikutip, sehingga menyulitkan bidang yang sedang berkembang atau interdisipliner untuk mendapatkan visibilitas.

4. Merusak Penilaian dan Dialog Manusia

Alat AI dimaksudkan untuk membantu, tetapi ada bahaya nyata bahwa peninjau dan editor akan terlalu mempercayai keluaran otomatis. Ketika AI memberikan skor numerik atau indikator “lampu lalu lintas”, manusia mungkin menerimanya begitu saja daripada terlibat secara mendalam dengan manuskrip.

Ini dapat menyebabkan:

• Pengurangan keterlibatan kritis dengan metode, data, dan interpretasi.
• Lebih sedikit perdebatan intelektual dan lebih sedikit ketidaksepakatan konstruktif di antara para peninjau.
• Keputusan yang terlalu mengandalkan metrik yang disederhanakan daripada penalaran berbasis teks yang cermat.

Tinjauan sejawat lebih dari sekadar pemeriksaan teknis; ini adalah bentuk percakapan ilmiah. Otomatisasi berlebihan berisiko mengosongkan percakapan itu dan mengubah tinjauan menjadi latihan penjagaan mekanis.

5. Risiko Privasi Data dan Kerahasiaan

Tinjauan sejawat bergantung pada kerahasiaan yang ketat. Manuskrip berbagi data yang belum dipublikasikan, metode baru, dan kekayaan intelektual sensitif. Integrasi AI ke dalam ekosistem ini menimbulkan pertanyaan mendesak:

• Di mana manuskrip disimpan saat diproses oleh alat AI?
• Apakah teks atau laporan reviewer digunakan untuk melatih model AI eksternal tanpa izin?
• Apa langkah pengamanan yang diterapkan untuk mencegah pelanggaran data atau akses tidak sah?

Jurnal harus memastikan bahwa alat AI yang mereka gunakan mematuhi standar perlindungan data yang ketat dan bahwa penulis serta reviewer memahami bagaimana informasi mereka diperlakukan.

6. Mendeteksi Pengiriman yang Dihasilkan atau Didominasi AI

Seiring alat AI generatif menjadi lebih canggih, beberapa manuskrip mungkin sebagian besar atau bahkan sepenuhnya ditulis mesin. Teks ini dapat lolos pemeriksaan plagiarisme karena tidak langsung disalin dari sumber yang ada. Namun, mereka mungkin mengandung:

• Referensi palsu yang tidak ada atau salah menggambarkan literatur.
• Penjelasan yang tidak akurat atau terlalu sederhana tentang konsep teoretis.
• Bahasa yang lancar secara artifisial yang menyembunyikan alasan yang lemah atau data yang hilang.

Membedakan antara penulisan yang dibantu secara sah dan konten yang dihasilkan AI secara menipu memerlukan alat deteksi baru, kebijakan jurnal yang jelas, dan pengawasan lebih cermat dari reviewer dan editor. Ini juga menegaskan nilai pembacaan ulang manusia berkualitas tinggi sebelum pengiriman untuk memastikan bahasa yang halus namun tetap secara transparan mencerminkan penelitian asli.

Risiko Etis dalam Tinjauan Sejawat yang Dibantu AI

Selain tantangan teknis, tinjauan sejawat yang dibantu AI menimbulkan pertanyaan lebih dalam tentang tanggung jawab, transparansi, dan keadilan.

1. Pengambilan Keputusan yang Tidak Transparan dan Keterjelasan

Banyak model AI berfungsi sebagai “kotak hitam”: pengambilan keputusan internalnya tidak mudah diinterpretasikan. Ketika AI digunakan untuk merekomendasikan penolakan, menyoroti manuskrip “lemah”, atau memprioritaskan pengiriman tertentu, penulis dan reviewer mungkin tidak memiliki penjelasan yang jelas mengapa penilaian ini dibuat.

Kurangnya transparansi ini mengancam nilai-nilai inti penerbitan ilmiah:

• Penulis mungkin merasakan keputusan sebagai sewenang-wenang atau tidak adil.
• Editor mungkin kesulitan membenarkan hasil jika mereka tidak dapat menginterpretasikan keluaran AI.
• Bias sistemik mungkin tidak terdeteksi jika tidak ada yang dapat memeriksa dasar rekomendasi AI.

Penggunaan AI yang bertanggung jawab secara etis dalam peer review memerlukan alat yang menyediakan output yang dapat diinterpretasikan dan diaudit, serta batasan yang jelas tentang bagaimana output tersebut digunakan.

2. Tanggung Jawab atas Ulasan yang Dihasilkan AI

Beberapa reviewer mungkin tergoda untuk menggunakan alat AI untuk menyusun seluruh laporan ulasan. Meskipun AI dapat membantu menyusun umpan balik atau menyarankan pertanyaan, ada risiko reviewer mengirimkan konten yang dihasilkan AI dengan pengawasan minimal.

Ini menimbulkan pertanyaan seperti:

• Siapa yang bertanggung jawab atas kesalahan atau kritik tidak adil dalam ulasan yang ditulis AI?
• Apakah etis memberikan umpan balik yang tidak mencerminkan penilaian ahli reviewer sendiri?
• Apakah alat penulisan AI secara tidak sengaja dapat memasukkan teks yang dijiplak atau generik ke dalam ulasan?

Jurnal harus mengharuskan reviewer untuk mengungkapkan penggunaan AI dan menegaskan bahwa semua umpan balik harus diperiksa dengan cermat dan disetujui oleh reviewer manusia. AI dapat membantu dalam penyusunan kalimat, tetapi tidak boleh menggantikan keterlibatan asli dengan manuskrip.

3. Bias dalam Pemilihan Reviewer Berbasis AI

Alat AI semakin sering digunakan untuk mencocokkan manuskrip dengan reviewer dengan menganalisis riwayat publikasi, kata kunci, dan jaringan sitasi. Tanpa desain yang hati-hati, sistem ini dapat:

• Memilih reviewer secara berlebihan dari institusi elit dan jaringan yang sudah mapan.
• Kurang mewakili peneliti dari negara berpendapatan rendah dan menengah.
• Memperkuat pola ketidakseimbangan gender atau disiplin yang sudah ada dalam peer review.

Penerapan AI yang etis dalam pemilihan reviewer memerlukan perhatian eksplisit pada keberagaman, inklusi, dan kesetaraan, serta audit rutin untuk memastikan perilaku algoritma sesuai dengan tujuan ini.

Kemungkinan Masa Depan AI dalam Peer Review

Meskipun ada tantangan, AI juga menawarkan peluang nyata untuk meningkatkan peer review ketika dirancang dan diatur dengan bijaksana.

1. Penyaringan dan Triase Cerdas

AI sangat cocok untuk pemeriksaan tahap awal yang membantu editor memutuskan cara menangani pengiriman baru. Misalnya, alat AI dapat:

• Lakukan penyaringan plagiarisme dan self-plagiarisme awal.
• Memverifikasi kelengkapan pelaporan dasar (misalnya, pendaftaran uji coba, persetujuan etika, atau pernyataan ketersediaan data).
• Memeriksa format, konsistensi referensi, dan kepatuhan terhadap pedoman jurnal.

Ini memungkinkan editor dengan cepat mengidentifikasi manuskrip yang jelas tidak sesuai atau tidak lengkap dan mengalokasikan lebih banyak waktu untuk pengiriman dengan potensi nyata.

2. Pencocokan Reviewer yang Lebih Cerdas dan Adil

Jika digunakan dengan hati-hati, AI dapat membantu mengidentifikasi reviewer yang cocok dengan topik, metode, dan konteks manuskrip. Sistem canggih dapat:

• Memetakan jaringan publikasi untuk menemukan keahlian yang relevan.
• Menandai potensi konflik kepentingan berdasarkan kepenulisan bersama atau tumpang tindih institusional.
• Menggabungkan tujuan keberagaman untuk memastikan rentang perspektif yang lebih luas.

Ketika digabungkan dengan pengawasan editorial manusia dan kriteria etika yang jelas, pencocokan berbantuan AI dapat mengurangi beban reviewer dan meningkatkan kualitas evaluasi.

3. Pemantauan Bias dan Analisis Pasca-Ulasan

AI juga dapat digunakan untuk menganalisis pola peer review di seluruh portofolio jurnal atau penerbit, membantu mengidentifikasi:

• Perbedaan sistematis dalam tingkat penerimaan berdasarkan wilayah, jenis kelamin, atau tipe institusi.
• Reviewer yang secara konsisten memberikan laporan yang sangat singkat atau berkualitas rendah.
• Pola bahasa dalam ulasan yang mungkin menunjukkan perlakuan tidak adil atau bermusuhan terhadap penulis tertentu.

Dengan wawasan tersebut, jurnal dapat menyesuaikan kebijakan mereka, menawarkan pelatihan yang ditargetkan, dan campur tangan ketika perilaku bermasalah atau bias struktural terdeteksi.

4. Pemantauan Kualitas Pasca-Publikasi

Peer review tidak harus berakhir pada saat publikasi. Alat AI dapat mendukung pengawasan pasca-publikasi dengan cara:

• Memindai artikel yang diterbitkan untuk perhatian yang muncul seperti duplikasi gambar atau anomali statistik.
• Melacak koreksi, penarikan kembali, dan komentar kritis pasca-publikasi.
• Membantu editor memutuskan kapan sebuah makalah mungkin memerlukan expression of concern atau penyelidikan lebih lanjut.

Model pemeriksaan kualitas berkelanjutan ini mengakui bahwa tinjauan sejawat adalah sebuah proses, bukan sebuah peristiwa tunggal.

Praktik Terbaik untuk Penggunaan AI yang Bertanggung Jawab dalam Tinjauan Sejawat

Untuk memanfaatkan manfaat AI sekaligus mengurangi risiko, jurnal dan penerbit dapat mengadopsi beberapa prinsip panduan.

• Desain human-in-the-loop: AI harus membantu, bukan menggantikan, editor dan peninjau manusia. Semua keputusan akhir harus tetap di tangan manusia.
• Transparansi dan pengungkapan: Jurnal harus dengan jelas menyatakan alat AI mana yang digunakan, bagaimana, dan mengapa. Peninjau dan penulis harus mengungkapkan penggunaan AI dalam karya mereka sendiri.
• Deteksi dan mitigasi bias: Sistem AI harus diaudit secara berkala untuk bias, dan data pelatihan serta asumsi desainnya harus ditinjau jika memungkinkan.
• Perlindungan data: Naskah dan tinjauan harus diproses di bawah protokol kerahasiaan dan keamanan yang ketat, dengan aturan yang jelas tentang penyimpanan dan penggunaan ulang data.
• Pelatihan dan panduan: Editor dan peninjau perlu dukungan untuk menginterpretasikan keluaran AI secara kritis daripada menganggapnya sebagai otoritas yang tak terbantahkan.

Penulis, di pihak mereka, dapat mempersiapkan penyaringan berbantuan AI dengan memastikan bahwa naskah mereka jelas, terstruktur dengan baik, dan referensinya akurat sebelum pengiriman. Banyak yang memilih bekerja dengan layanan proofreading akademik profesional untuk meminimalkan masalah terkait bahasa dan mengurangi risiko kesalahpahaman selama tinjauan.

Kesimpulan

Tinjauan sejawat berbantuan AI menempati ruang yang sensitif antara janji dan bahaya. Di satu sisi, AI dapat membantu jurnal mengatasi volume pengiriman yang meningkat, meningkatkan konsistensi pemeriksaan rutin, dan menghasilkan wawasan baru tentang keadilan dan efektivitas tinjauan. Di sisi lain, AI memperkenalkan tantangan terkait pemahaman kontekstual, bias, transparansi, privasi, dan tanggung jawab.

Jalan ke depan bukanlah otomatisasi penuh, melainkan model hibrida yang dirancang dengan cermat di mana AI dan manusia bekerja bersama. AI unggul dalam tugas berulang dengan volume tinggi dan pengenalan pola; peninjau manusia unggul dalam penilaian konseptual, refleksi etis, dan wawasan kreatif. Ketika kekuatan ini digabungkan di bawah pedoman etis yang jelas dan tata kelola yang kuat, hasilnya bisa menjadi sistem tinjauan sejawat yang lebih efisien, adil, dan dapat dipercaya dibandingkan manusia atau algoritma yang bekerja sendiri.

Bagi para peneliti, implikasinya jelas: tulislah secara transparan, kutip dengan hati-hati, dan siapkan naskah dengan standar tinggi sebelum pengiriman. Bagi jurnal dan penerbit, tantangannya adalah mengadopsi alat AI secara bijaksana, dengan perlindungan eksplisit dan evaluasi konstan. Jika dilakukan dengan baik, tinjauan sejawat berbantuan AI dapat mendukung—bukan menggantikan—nilai-nilai yang telah lama mendasari penerbitan ilmiah: ketelitian, integritas, dan penghormatan terhadap komunitas ilmiah.