Penyaringan Manuskrip Berbasis AI: Bagaimana Kecerdasan Buatan Mengubah Evaluasi Pengiriman Jurnal

Pendahuluan

Bangkitnya kecerdasan buatan (AI) sedang membentuk ulang hampir setiap tahap alur kerja penerbitan ilmiah, dan salah satu area perubahan yang paling terlihat adalah penyaringan manuskrip. Jurnal dan konferensi kini menerima jumlah pengiriman yang belum pernah terjadi sebelumnya dari seluruh dunia. Tim editorial harus dengan cepat memutuskan manuskrip mana yang layak untuk tinjauan sejawat, mana yang memerlukan revisi sebelum dipertimbangkan, dan mana yang sama sekali berada di luar cakupan jurnal.

Secara tradisional, triase awal ini mengandalkan pemeriksaan manual: editor dan asisten editorial memverifikasi format, gaya referensi, jumlah kata, pernyataan etika, dan relevansi dasar. Mereka juga memeriksa plagiarisme dan manipulasi data atau gambar yang jelas. Ini adalah pekerjaan yang memakan waktu dan berulang yang menunda tinjauan sejawat dan dapat membebani kapasitas kantor editorial. Ini juga rentan terhadap kesalahan manusia dan bias tidak sadar.

Alat penyaringan naskah bertenaga AI bertujuan mengatasi tantangan ini dengan mengotomatisasi tugas berulang berbasis aturan dan memberikan dukungan berbasis data untuk keputusan editorial. Dengan menggabungkan pemrosesan bahasa alami (NLP), pembelajaran mesin (ML), dan analisis otomatis teks, gambar, dan metadata, sistem AI dapat membantu memastikan hanya naskah yang patuh, relevan, dan etis yang maju ke peer review. Artikel ini membahas bagaimana AI digunakan dalam penyaringan naskah, manfaat dan risiko yang terlibat, serta bagaimana penerbit dapat mengintegrasikan alat ini secara bertanggung jawab.

Batasan Penyaringan Naskah Tradisional

Sebelum membahas solusi AI, penting untuk memahami mengapa penyaringan manual berada di bawah tekanan seperti itu.

1. Volume Pengiriman yang Meningkat

Publikasi akses terbuka, pertumbuhan riset global, dan tekanan publikasi yang meningkat telah mendorong jumlah pengiriman ke tingkat rekor. Banyak jurnal menerima ribuan naskah per tahun. Bahkan pemeriksaan awal sederhana—mengonfirmasi jumlah kata, struktur bagian, dan kesesuaian dasar—dapat dengan cepat menciptakan antrean.

2. Pemeriksaan Pendahuluan yang Memakan Tenaga

Editor dan asisten editorial harus memverifikasi bahwa setiap naskah:

• mengikuti gaya format dan referensi jurnal;
• termasuk bagian yang diperlukan (misalnya, abstrak, metode, etika, pernyataan pendanaan);
• memenuhi batas kata dan gambar;
• mengandung pengungkapan yang sesuai (misalnya, konflik kepentingan, pendaftaran uji coba);
• mematuhi pedoman etika dan pelaporan dasar.

Ketika dilakukan secara manual, pekerjaan ini berulang dan lambat, mengalihkan waktu dari tugas editorial tingkat tinggi seperti evaluasi konseptual dan manajemen reviewer.

3. Plagiarisme, Manipulasi Gambar, dan Integritas Data

Masalah integritas penelitian—seperti plagiarisme, self-plagiarism, pengiriman duplikat, data palsu, dan manipulasi gambar—menjadi perhatian yang meningkat. Mendeteksi masalah ini memerlukan perbandingan pengiriman dengan badan besar literatur yang diterbitkan dan arsip gambar. Editor manusia tidak dapat melakukan ini secara efisien tanpa bantuan otomatis.

4. Beban Reviewer dan Naskah yang Salah Alamat

Banyak naskah dikirim ke jurnal yang sebenarnya bukan tempatnya. Ketidaksesuaian antara topik atau metode makalah dengan ruang lingkup jurnal menyebabkan penolakan meja yang bisa dihindari atau, lebih buruk, membuang waktu reviewer. Naskah yang terstruktur buruk atau jelas tidak sesuai terkadang lolos ke peer review hanya karena tim editorial kewalahan.

5. Bias dan Inkonsistensi

Editor manusia tak terhindarkan membawa pengalaman dan preferensi mereka sendiri ke dalam proses. Tanpa kriteria yang jelas dan standar, penyaringan awal dapat berbeda antara individu, dan bias implisit terkait negara, institusi, atau topik dapat secara halus memengaruhi keputusan.

Bagaimana AI Mengubah Penyaringan Naskah

Alat berbasis AI dirancang untuk melengkapi, bukan menggantikan, editor manusia. Mereka mengambil alih bagian mekanis dan berbasis aturan dari penyaringan dan memberikan sinyal yang membantu editor memutuskan naskah mana yang layak mendapat perhatian lebih.

1. Pemeriksaan Format dan Kepatuhan Otomatis

Salah satu penggunaan AI yang paling sederhana adalah secara otomatis memverifikasi apakah pengiriman memenuhi persyaratan teknis jurnal. Sistem berbasis AI dapat:

• memeriksa gaya referensi dan sitasi sesuai preferensi jurnal (APA, MLA, Chicago, Vancouver, dll.);
• memastikan bahwa naskah berada dalam batas kata, gambar, dan tabel;
• memeriksa struktur bagian (misalnya, keberadaan Abstrak, Pendahuluan, Metode, Hasil, Diskusi, Kesimpulan);
• mendeteksi elemen yang hilang seperti persetujuan etika, pernyataan persetujuan, atau pengungkapan konflik kepentingan.

Alat seperti Penelope.ai dan sistem serupa menjalankan pemeriksaan ini hampir seketika saat pengiriman, menghasilkan laporan untuk penulis dan editor. Penulis kemudian dapat memperbaiki masalah dasar sebelum editor bahkan melihat naskah.

2. Deteksi Plagiarisme dan Manipulasi Gambar Berbasis AI

Deteksi plagiarisme telah lama mengandalkan perbandingan teks otomatis, tetapi alat yang ditingkatkan AI melangkah lebih jauh dengan mengenali bagian yang diparafrasekan, plagiarisme diri, dan bentuk duplikasi halus. Sistem seperti iThenticate membandingkan pengiriman dengan database luas artikel, buku, dan konten web untuk menandai tumpang tindih yang mencurigakan.

Untuk gambar dan ilustrasi, alat khusus seperti Proofig menganalisis gambar untuk tanda-tanda duplikasi, penggunaan ulang yang tidak tepat, atau manipulasi. Mereka dapat menyoroti panel yang diulang, wilayah yang dikloning, atau transformasi mengejutkan yang mungkin menunjukkan pelanggaran sengaja atau persiapan gambar yang ceroboh.

Alat ini tidak membuat penilaian akhir—mereka mengangkat tanda peringatan untuk editor meninjau dengan cermat. Jika digunakan dengan benar, mereka memperkuat integritas penelitian dan melindungi jurnal dari menerbitkan karya bermasalah.

3. Dukungan Bahasa dan Keterbacaan

Banyak pengiriman secara ilmiah valid tetapi sulit dibaca karena masalah bahasa, terutama ketika penulis menulis dalam bahasa kedua atau ketiga. Alat bahasa AI dapat membantu meningkatkan:

• tata bahasa, ejaan, dan tanda baca;
• struktur kalimat dan keterbacaan keseluruhan;
• kejelasan argumen dan nada akademik;
• konsistensi terminologi di seluruh naskah.

Layanan seperti Trinka AI dan editor serupa disesuaikan untuk penulisan akademik dan dapat digunakan oleh penulis sebelum pengiriman atau oleh jurnal sebagai bagian dari pra-penyaringan. Meskipun kualitas bahasa tidak boleh digunakan sebagai tolok ukur untuk nilai ilmiah, meningkatkan kejelasan memudahkan editor dan reviewer untuk mengevaluasi penelitian yang sebenarnya.

4. Pencocokan Relevansi dan Ruang Lingkup

Penggunaan AI lain yang berharga adalah menentukan apakah pengajuan sesuai dengan tujuan dan ruang lingkup jurnal. Dengan menganalisis kata kunci, abstrak, dan klasifikasi subjek, model AI dapat:

• menugaskan manuskrip ke kategori topik atau subbidang;
• menandai pengajuan yang jelas berada di luar lingkup jurnal;
• menyarankan associate editor atau editor subjek yang tepat;
• membantu mengidentifikasi reviewer sejawat yang sesuai dengan mencocokkan topik manuskrip dengan keahlian peneliti dan riwayat publikasi.

Alat seperti Reviewer Finder dari Clarivate dan sistem rekomendasi berbasis AI lainnya menggunakan data sitasi dan analisis kata kunci untuk mendukung proses pencocokan ini. Ini dapat mengurangi beban reviewer dan memastikan manuskrip dinilai oleh ahli di bidang yang tepat.

5. Pemeriksaan Kebaruan dan Integritas Statistik

Alat AI yang lebih maju mulai menilai aspek kebaruan dan ketepatan metodologis. Dengan membandingkan pengajuan dengan kumpulan besar literatur yang ada, AI dapat menunjukkan apakah pekerjaan serupa baru-baru ini dipublikasikan, atau apakah manuskrip tampak menduplikasi studi sebelumnya tanpa justifikasi yang jelas.

Dalam penelitian eksperimental dan klinis, sistem seperti StatReviewer dapat secara otomatis memeriksa:

• apakah uji statistik sesuai dengan desain studi dan jenis data;
• apakah ukuran efek, interval kepercayaan, dan nilai p dilaporkan dengan benar;
• apakah ukuran sampel dan perhitungan kekuatan memadai dan didokumentasikan secara transparan.

Sekali lagi, alat ini tidak menggantikan ahli statistik, tetapi dapat menyoroti potensi masalah lebih awal, memungkinkan editor untuk meminta klarifikasi atau tinjauan tambahan.

Tantangan dan Pertanyaan Etis

Meskipun AI menawarkan manfaat yang mengesankan, AI juga memperkenalkan tantangan baru yang harus ditangani dengan hati-hati.

1. Ketergantungan Berlebihan pada Otomatisasi

Jika editor terlalu bergantung pada skor atau tanda otomatis, mereka mungkin tanpa sengaja menolak penelitian yang valid yang tidak sesuai pola yang diharapkan atau yang menggunakan metode tidak konvensional. Pengajuan yang kompleks, interdisipliner, atau inovatif dapat membingungkan algoritma yang dilatih pada format yang lebih standar.

Solusinya adalah memperlakukan keluaran AI sebagai penasihat, bukan penentu. AI harus membantu memprioritaskan perhatian, bukan menggantikan penilaian editorial.

2. Bias Algoritmik

Sistem AI belajar dari data yang digunakan untuk melatihnya. Jika data tersebut mencerminkan bias historis—misalnya, memfavoritkan topik, metode, bahasa, institusi, atau wilayah tertentu—AI mungkin secara tidak sengaja memperkuat pola tersebut. Ini berisiko memperkuat ketidaksetaraan yang banyak penerbit aktif berusaha kurangi.

Penggunaan AI yang bertanggung jawab memerlukan:

• audit rutin model untuk hasil yang bias;
• dokumentasi transparan tentang bagaimana model dibangun dan diperbarui;
• pengawasan manusia yang berkelanjutan untuk mempertanyakan dan memperbaiki pola bermasalah.

3. Privasi dan Keamanan Data

Naskah yang sedang ditinjau bersifat rahasia dan sering kali berisi data yang belum dipublikasikan, metode kepemilikan, atau informasi sensitif. Oleh karena itu, setiap sistem AI yang memproses pengajuan harus mematuhi standar perlindungan data yang ketat. Penerbit harus memastikan bahwa:

• naskah yang diunggah disimpan dengan aman dan tidak digunakan untuk pelatihan yang tidak terkait tanpa izin eksplisit;
• akses ke platform AI dikendalikan dan dipantau;
• vendor pihak ketiga mematuhi peraturan privasi dan kewajiban kontraktual.

Praktik Terbaik untuk Integrasi AI yang Bertanggung Jawab

Untuk memanfaatkan manfaat AI sekaligus menghindari jebakannya, jurnal dan penerbit dapat mengadopsi beberapa praktik terbaik berikut:

• Tetapkan peran yang jelas untuk AI dan manusia: Gunakan AI untuk pemeriksaan awal dan dukungan, tetapi pertahankan keputusan akhir di tangan editor berpengalaman.
• Jadilah transparan dengan penulis dan peninjau: Jelaskan alat AI mana yang digunakan, untuk tujuan apa, dan bagaimana hasilnya memengaruhi alur kerja editorial.
• Pantau kinerja dan keadilan: Tinjau secara rutin bagaimana penyaringan yang dibantu AI memengaruhi waktu penyelesaian, tingkat penerimaan, dan keberagaman penulis serta topik yang diterbitkan.
• Berikan pelatihan untuk staf editorial: Editor harus memahami kekuatan dan keterbatasan alat yang mereka gunakan, sehingga mereka dapat menginterpretasikan hasil secara kritis.
• Jaga beberapa pengaman: Gabungkan pemeriksaan AI dengan alat plagiarisme, tinjauan integritas manusia, dan kebijakan yang jelas tentang penanganan naskah yang ditandai.

Kesimpulan

Penyaringan naskah yang didukung AI memiliki potensi untuk mengubah proses evaluasi pengajuan. Dengan mengotomatisasi pemeriksaan kepatuhan, deteksi plagiarisme, analisis gambar, penyempurnaan bahasa, pencocokan relevansi, dan tinjauan statistik dasar, alat AI dapat secara signifikan mengurangi beban kerja editorial, memperpendek waktu pengambilan keputusan, dan meningkatkan integritas catatan yang diterbitkan.

Namun, AI bukan pengganti untuk penilaian yang bernuansa dan tanggung jawab etis dari editor, peninjau, dan penerbit manusia. Sistem yang paling kuat akan menjadi alur kerja hibrida di mana AI menangani tugas teknis yang berulang sementara manusia mempertahankan otoritas atas kelayakan ilmiah, keadilan, dan keputusan akhir. Jika digunakan dengan bijak, AI dapat membantu penerbitan akademik menjadi lebih cepat, lebih konsisten, dan lebih transparan—tanpa mengorbankan ketelitian dan kepercayaan yang menjadi dasar komunikasi ilmiah.