AI dalam Tinjauan Sejawat: Meningkatkan Akurasi, Mengurangi Bias, dan Memperbaiki Efisiensi

Bagaimana AI Meningkatkan Proses Peer Review: Peluang, Risiko, dan Praktik Terbaik

Pendahuluan

Peer review sering digambarkan sebagai tulang punggung penerbitan ilmiah. Sebelum penelitian muncul di jurnal, buku, atau prosiding konferensi, penelitian tersebut dievaluasi oleh para ahli yang memeriksa apakah karya tersebut asli, metodologisnya tepat, dilakukan secara etis, dan relevan dengan bidangnya. Proses ini sangat penting untuk menjaga kepercayaan pada catatan ilmiah.

Namun, sistem peer review tradisional berada di bawah tekanan serius. Jurnal menerima lebih banyak pengiriman daripada sebelumnya, sementara jumlah reviewer berkualifikasi yang bersedia menyumbangkan waktu mereka tidak meningkat dengan kecepatan yang sama. Akibatnya, editor kesulitan menemukan reviewer, waktu review memanjang, dan kekhawatiran tentang bias, inkonsistensi, serta kesalahan atau pelanggaran yang terlewat terus ada.

Dalam konteks ini, Artificial Intelligence (AI) muncul sebagai sekutu yang kuat. AI tidak dapat meniru penilaian bernuansa dari peneliti berpengalaman, tetapi dapat membantu dengan penyaringan awal, pemeriksaan plagiarisme dan gambar, validasi statistik, pemilihan reviewer, dan bahkan analisis nada dan keadilan review. Jika digunakan dengan hati-hati, AI memiliki potensi untuk membuat peer review lebih efisien, lebih konsisten, dan lebih transparan, sambil memungkinkan reviewer manusia fokus pada aspek penelitian yang memerlukan keahlian mendalam.

Artikel ini mengkaji bagaimana AI saat ini digunakan untuk meningkatkan peer review, manfaat yang ditawarkannya, tantangan etis dan teknis yang dihadirkannya, serta bagaimana penerbit dan peneliti dapat mengintegrasikan AI secara bertanggung jawab sambil menjaga integritas evaluasi akademik.

Tantangan dalam Proses Peer Review Tradisional

Sebelum mempertimbangkan bagaimana AI dapat membantu, berguna untuk menguraikan masalah utama yang mengganggu sistem saat ini.

1. Alur Kerja yang Memakan Waktu

Peer review konvensional dapat memakan waktu berminggu-minggu atau berbulan-bulan. Editor harus memindai pengiriman, mengidentifikasi reviewer yang sesuai, mengirim undangan, mengejar respons, dan mengelola beberapa putaran revisi. Bagi penulis, ini bisa berarti penundaan lama sebelum karya mereka tersedia secara publik, bahkan ketika penelitian tersebut sensitif terhadap waktu.

2. Kelelahan dan Kekurangan Reviewer

Beban kerja yang diberikan kepada para reviewer telah menjadi tidak berkelanjutan di banyak bidang. Akademisi yang sibuk harus mengatur pengajaran, aplikasi hibah, supervisi, penelitian mereka sendiri, dan terkadang tugas administratif. Permintaan review sering datang di atas semua ini, dan banyak ilmuwan sekarang menolak lebih banyak review daripada yang mereka terima. Mereka yang mengatakan ya mungkin kewalahan, yang menyebabkan evaluasi menjadi lebih lambat atau kurang menyeluruh.

3. Evaluasi yang Subjektif dan Tidak Konsisten

Penilaian manusia sangat berharga tetapi juga tidak sempurna. Peninjau mungkin sangat tidak setuju satu sama lain atau menerapkan standar yang sangat berbeda pada manuskrip serupa. Preferensi pribadi, keselarasan teoretis, atau bias tidak sadar dapat memengaruhi keputusan. Akibatnya, beberapa makalah berkualitas tinggi ditolak, sementara karya yang lebih lemah kadang-kadang lolos.

4. Deteksi Pelanggaran yang Terbatas

Plagiarisme, manipulasi gambar, dan fabrikasi data adalah ancaman yang relatif jarang tetapi serius terhadap integritas penelitian. Mendeteksinya secara manual sangat sulit. Peninjau umumnya tidak punya waktu untuk memeriksa setiap kalimat atau gambar terhadap seluruh literatur yang diterbitkan, dan penipuan canggih dapat disembunyikan dengan hati-hati.

5. Pencocokan Peninjau yang Tidak Efisien

Memilih peninjau yang tepat sangat penting. Editor harus mengidentifikasi orang dengan keahlian subjek yang tepat, keterampilan metodologis, dan independensi (yaitu tanpa konflik kepentingan), tetapi alat tradisional untuk melakukannya terbatas. Akibatnya, peninjau yang dipilih mungkin hanya sedikit mengenal topik, yang menyebabkan umpan balik yang dangkal atau salah arah.

Tantangan ini telah memotivasi jurnal dan penerbit untuk mengeksplorasi apakah AI dapat membantu mendukung sistem peer review yang lebih efisien, adil, dan kuat.

Bagaimana AI Meningkatkan Peer Review

AI bukanlah satu teknologi tunggal tetapi kumpulan metode—pembelajaran mesin, NLP, pengenalan pola, deteksi anomali—yang dapat diterapkan pada berbagai tahap alur kerja editorial. Berikut adalah area utama di mana AI sudah memberikan dampak.

1. Penyaringan Awal Berbantuan AI

Penyaringan awal adalah tempat yang alami untuk memulai. Banyak jurnal menerima jauh lebih banyak pengiriman daripada yang dapat mereka kirimkan untuk tinjauan penuh secara wajar. Alat AI dapat membantu editor mengelompokkan manuskrip sebelum mencapai peninjau manusia.

• Pemeriksaan teknis: AI dapat memverifikasi bahwa manuskrip memenuhi persyaratan format dasar, menyertakan bagian wajib (misalnya metode, pernyataan etika), dan mematuhi batas kata atau gambar.
• Penilaian ruang lingkup: Model NLP dapat membandingkan isi manuskrip dengan ruang lingkup jurnal, menyoroti pengiriman yang jelas-jelas tidak sesuai topik.
• Sinyal kualitas: Alat seperti StatReviewer atau SciScore dapat menilai kelengkapan pelaporan (misalnya item CONSORT atau ARRIVE), menandai persetujuan etis yang hilang, atau mengidentifikasi deskripsi metodologis yang dangkal.

Dampak: Editor menghabiskan lebih sedikit waktu untuk penyaringan administratif, dan hanya manuskrip yang lolos pemeriksaan kualitas dan ruang lingkup dasar yang diteruskan ke peninjau manusia.

2. AI untuk Deteksi Plagiarisme dan Manipulasi Gambar

Alat kesamaan berbasis AI dan forensik gambar kini memainkan peran sentral di banyak kantor editorial.

• Deteksi plagiarisme: Alat seperti iThenticate dan Turnitin membandingkan manuskrip dengan database besar artikel, tesis, dan halaman web, menyoroti teks yang tumpang tindih dan potensi plagiarisme diri.
• Analisis gambar: Perangkat lunak seperti Proofig dapat mendeteksi panel yang diduplikasi, wilayah yang dikloning, atau manipulasi mencurigakan dalam gambar, bahkan ketika telah diubah atau diberi label ulang.

Dampak: Integritas penelitian diperkuat, dan jurnal dapat mengidentifikasi sebagian besar pelanggaran atau praktik ceroboh sebelum publikasi, mengurangi risiko penarikan kemudian.

3. Seleksi Peninjau Berbasis AI

AI dapat membantu editor dalam memilih peninjau yang memenuhi syarat dan independen.

• Pencocokan keahlian: Alat seperti Reviewer Finder dari Elsevier menganalisis kata kunci, abstrak, dan daftar referensi serta membandingkannya dengan profil peneliti dan riwayat publikasi untuk menyarankan peninjau potensial dengan keahlian relevan.
• Deteksi konflik: AI dapat memeriksa jaringan penulis bersama dan afiliasi institusional untuk mengidentifikasi potensi konflik kepentingan (misalnya kolaborator baru-baru ini atau rekan satu departemen).

Dampak: Pencocokan peninjau menjadi lebih cepat, adil, dan lebih terarah, meningkatkan kemungkinan evaluasi yang penuh perhatian dan ahli.

4. Deteksi Sentimen dan Bias Berbasis AI

Setelah ulasan dikirimkan, AI dapat menganalisis teks untuk menilai nada dan potensi bias.

• Analisis sentimen: Model NLP dapat mengidentifikasi ulasan yang sangat keras, samar, atau terlalu positif tanpa alasan.
• Indikator bias: Sistem dapat menandai bahasa yang tampak personal, diskriminatif, atau tidak relevan dengan konten ilmiah.
• Umpan balik kualitas ulasan: Beberapa alat dapat menyarankan cara mengubah komentar agar lebih konstruktif dan spesifik.

Dampak: Editor mendapatkan informasi tambahan tentang keadilan dan profesionalisme ulasan dan dapat mengabaikan atau mempertanyakan umpan balik yang tampak bias atau tidak membantu.

5. Validasi Statistik dan Metodologis yang Dibantu AI

Banyak makalah melibatkan statistik kompleks atau metode khusus yang tidak semua peninjau nyaman mengevaluasi secara mendalam. AI dapat memberikan garis pertahanan kedua.

• Pemeriksaan statistik: Alat seperti StatCheck dalam psikologi membandingkan nilai p yang dilaporkan dengan statistik uji dan derajat kebebasan untuk mendeteksi inkonsistensi.
• Polanya metodologi: AI dapat menandai ukuran efek yang tidak biasa, distribusi data yang tidak mungkin, atau desain eksperimen bermasalah relatif terhadap norma di bidangnya.

Dampak: Kesalahan statistik dan praktik yang meragukan lebih mungkin terdeteksi, mendukung kesimpulan yang lebih kuat dan dapat dipercaya.

6. AI untuk Peningkatan Bahasa dan Keterbacaan

Kejelasan bahasa bukan hal sepele: manuskrip yang ditulis dengan buruk lebih sulit dievaluasi dan lebih mungkin disalahpahami. Alat penulisan bertenaga AI dapat membantu penulis meningkatkan keterbacaan sebelum pengiriman.

• Alat seperti Grammarly atau Trinka AI mendeteksi kesalahan tata bahasa, frasa yang canggung, dan masalah dengan nada akademik.
• Terjemahan mesin dan alat pendukung bahasa membantu penutur non-native bahasa Inggris mengungkapkan ide mereka dengan lebih jelas.

Dampak: Reviewer dapat fokus pada substansi ilmiah daripada terganggu oleh masalah bahasa. Namun, mengingat banyak institusi melarang teks yang dihasilkan AI, penulis harus membatasi alat tersebut untuk koreksi lokal dan menggunakan proofreading manusia profesional untuk revisi besar guna menghindari masalah kesamaan dan kebijakan.

Kekhawatiran Etis dan Praktis tentang AI dalam Peer Review

Meskipun memiliki manfaat, penggunaan AI dalam peer review menimbulkan pertanyaan penting yang harus diatasi untuk menjaga kepercayaan dan keadilan.

1. Bias Algoritmik

Sistem AI belajar dari data; jika data bias, model juga bias. Ini dapat muncul sebagai:

• Preferensi untuk topik, metode, atau institusi yang umum dalam set pelatihan, yang berpotensi merugikan area yang sedang berkembang atau wilayah yang kurang sumber daya.
• Ketergantungan berlebihan pada metrik sitasi atau prestise jurnal, yang memperkuat ketidaksetaraan yang ada daripada fokus pada kualitas intrinsik.

Mengurangi bias memerlukan data pelatihan yang beragam, audit rutin, dan transparansi tentang bagaimana alat AI membuat rekomendasi.

2. Kurangnya Penilaian Manusia dalam Evaluasi Kompleks

AI dapat memeriksa struktur, statistik, dan fitur permukaan, tetapi tidak dapat benar-benar menilai:

• Keunikan sebuah ide dalam konteks sejarah dan perdebatan yang sedang berlangsung di suatu bidang.
• Kontribusi teoritis yang mungkin diberikan oleh kerangka konseptual baru.
• Lompatan kreatif atau interdisipliner yang diwakili oleh metode atau pertanyaan yang tidak konvensional.

Penilaian ini memerlukan penilaian manusia, pengetahuan tacit, dan seringkali rasa "selera" ilmiah yang tidak dapat dikodekan ke dalam algoritma.

3. Privasi Data dan Kerahasiaan

Peer review beroperasi pada manuskrip yang belum dipublikasikan yang biasanya bersifat rahasia. Integrasi AI menimbulkan pertanyaan seperti:

• Di mana manuskrip diproses dan disimpan saat dianalisis oleh alat AI?
• Apakah teks atau gambar digunakan untuk melatih model tanpa persetujuan penulis?
• Bagaimana jurnal memastikan kepatuhan terhadap regulasi seperti GDPR atau HIPAA ketika data medis atau pribadi terlibat?

Jurnal harus memastikan bahwa alat AI tertanam dalam infrastruktur yang aman dan bahwa penulis diberi informasi tentang bagaimana pengajuan mereka diproses.

4. Ketergantungan Berlebihan pada Output AI

Hasil AI dapat tampak definitif ketika disajikan sebagai skor atau daftar tanda bahaya. Namun AI tidaklah sempurna:

• Editor mungkin tergoda untuk mengikuti rekomendasi AI secara mekanis daripada menerapkan penilaian mereka sendiri.
• Reviewer mungkin menganggap bahwa “AI sudah memeriksa masalah” dan menjadi kurang waspada.
• Isu penting namun halus yang berada di luar kemampuan deteksi AI mungkin terlewatkan.

Untuk alasan ini, AI harus jelas diposisikan sebagai alat pendukung, dengan keputusan akhir selalu berada di tangan editor dan reviewer manusia.

Masa Depan Peer Review yang Ditingkatkan oleh AI

Ke depan, peran AI dalam peer review kemungkinan akan berkembang—tetapi dalam kapasitas yang mendukung, bukan dominan.

• Model hibrida AI–manusia: AI melakukan pemeriksaan awal dan triase; ahli manusia memimpin evaluasi rinci dan keputusan akhir.
• Model NLP yang lebih maju: Alat masa depan mungkin lebih memahami struktur argumen dan dapat menghasilkan pertanyaan yang lebih terarah untuk reviewer daripada umpan balik umum.
• Dasbor pemantauan bias: AI dapat digunakan untuk mendeteksi pola dalam keputusan editorial dan laporan review yang menunjukkan bias sistemik, mendorong tindakan korektif.
• Integrasi dengan ilmu terbuka: Seiring semakin banyak data, kode, dan protokol yang dibagikan secara terbuka, AI akan memiliki materi yang lebih kaya untuk digunakan saat memverifikasi metode dan hasil.
• Blockchain dan pelacakan asal-usul: Dikombinasikan dengan AI, sistem berbasis blockchain dapat memungkinkan pelacakan riwayat review dan perubahan versi yang lebih transparan.

Praktik Terbaik untuk Menggunakan AI secara Bertanggung Jawab dalam Peer Review

Untuk memanfaatkan manfaat AI sekaligus menghindari jebakannya, penerbit dan peneliti dapat mengadopsi seperangkat pedoman praktis.

• Tentukan peran yang jelas: Tentukan tugas-tugas yang akan ditangani AI (misalnya pemeriksaan plagiarisme, saran reviewer) dan di mana penilaian manusia wajib dilakukan.
• Jaga transparansi: Beri tahu penulis dan peninjau saat alat AI digunakan dan, jika memungkinkan, berikan keluaran yang dapat diinterpretasikan daripada skor yang tidak jelas.
• Prioritaskan keamanan: Pastikan semua pemrosesan AI terjadi di lingkungan yang aman dan sesuai, dan manuskrip tidak dibagikan ke alat pihak ketiga tanpa izin.
• Pantau kinerja dan bias: Audit secara rutin rekomendasi AI terhadap keputusan dan hasil manusia untuk mendeteksi pola yang tidak diinginkan.
• Latih editor dan peninjau: Berikan panduan tentang cara menafsirkan keluaran AI dan cara menyeimbangkannya dengan keahlian mereka sendiri.

Implikasi bagi Penulis dan Peran Proofreading Manusia

Bagi penulis, munculnya AI dalam peer review memiliki dua implikasi utama:

• Manuskrip kemungkinan akan menghadapi pemeriksaan otomatis yang lebih ketat untuk kesamaan, statistik, etika, dan struktur. Pengiriman yang ceroboh atau tidak sesuai akan terdeteksi lebih cepat.
• Universitas dan penerbit semakin ketat terhadap teks yang dihasilkan AI. Banyak yang sekarang mengharuskan penulis untuk menyatakan penggunaan AI generatif dan menganggap penulisan AI yang tidak diungkapkan sebagai pelanggaran integritas.

Dalam lingkungan ini, strategi paling aman adalah menjaga isi intelektual dan kata-kata manuskrip Anda ditulis oleh manusia dan menggunakan alat AI, jika sama sekali, hanya untuk penyusunan internal atau eksplorasi ide—bukan untuk menghasilkan prosa siap kirim. Untuk kualitas bahasa, kejelasan, dan gaya khusus jurnal, proofreading dan editing profesional oleh manusia tetap menjadi pilihan paling dapat diandalkan. Proofreader manusia dapat memperbaiki tata bahasa, struktur, dan keterbacaan tanpa meningkatkan skor kesamaan atau melanggar kebijakan penggunaan AI, dan mereka juga dapat memastikan manuskrip Anda memenuhi harapan peninjau dan editor.

Kesimpulan

AI sudah mengubah lanskap peer review. Dengan membantu penyaringan awal, deteksi plagiarisme dan gambar, pemilihan peninjau, analisis bias, pemeriksaan statistik, dan peningkatan bahasa, alat AI dapat membuat peer review lebih cepat, lebih konsisten, dan lebih kuat. Pada saat yang sama, AI memiliki keterbatasan jelas: ia kurang pemahaman mendalam tentang subjek, dapat mereproduksi bias yang ada dalam data pelatihan, dan menimbulkan pertanyaan penting tentang privasi data dan ketergantungan berlebihan pada otomatisasi.

Masa depan peer review bukanlah AI melawan manusia, melainkan AI dengan manusia. Model hibrida—di mana AI menangani tugas berulang dan skala besar dan peninjau manusia memberikan penilaian kontekstual, etis, dan teoretis—menawarkan yang terbaik dari kedua dunia. Ketika dikombinasikan dengan pedoman etis yang jelas, infrastruktur yang aman, dan proofreading manusia berkualitas tinggi untuk penulis, peer review yang dibantu AI dapat membantu menciptakan sistem yang lebih cepat, lebih adil, dan lebih transparan, sambil mempertahankan nilai inti evaluasi ilmiah.