Valutazione dei manoscritti basata sull’IA: come l’intelligenza artificiale sta trasformando la valutazione degli articoli sottoposti alle riviste

Introduzione

L’ascesa dell’intelligenza artificiale (IA) sta rimodellando quasi ogni fase del flusso di lavoro dell’editoria accademica, e una delle aree di cambiamento più visibili è la valutazione preliminare dei manoscritti. Riviste e conferenze ricevono oggi un numero senza precedenti di contributi da tutto il mondo. I team editoriali devono decidere rapidamente quali manoscritti siano idonei alla revisione paritaria, quali richiedano una revisione prima ancora di essere presi in considerazione e quali siano del tutto al di fuori dell’ambito della rivista.

Tradizionalmente, questo triage iniziale si basa su controlli manuali: gli editor e gli assistenti editoriali verificano la formattazione, lo stile delle citazioni bibliografiche, il conteggio delle parole, le dichiarazioni sull’etica e la pertinenza di base. Inoltre, effettuano controlli per individuare il plagio e manipolazioni evidenti dei dati o delle immagini. Si tratta di un lavoro dispendioso in termini di tempo e ripetitivo, che ritarda la revisione tra pari e può mettere a dura prova la capacità degli uffici editoriali. È inoltre soggetto a errori umani e pregiudizi inconsapevoli.

Gli strumenti di screening dei manoscritti basati sull’IA mirano ad affrontare queste sfide automatizzando le attività ripetitive e basate su regole e fornendo un supporto basato sui dati alle decisioni editoriali. Combinando l’elaborazione del linguaggio naturale (NLP), l’apprendimento automatico (ML) e l’analisi automatizzata di testi, immagini e metadati, i sistemi di IA possono contribuire a garantire che solo i manoscritti conformi, pertinenti ed eticamente corretti procedano alla revisione tra pari. Questo articolo esamina come viene utilizzata l’IA nello screening dei manoscritti, i vantaggi e i rischi associati e il modo in cui gli editori possono integrare responsabilmente questi strumenti.

I limiti dello screening tradizionale dei manoscritti

Prima di discutere le soluzioni basate sull’IA, è importante comprendere perché lo screening manuale sia sottoposto a una pressione così elevata.

1. Crescita dei volumi di invio

La pubblicazione ad accesso aperto, la crescita della ricerca a livello globale e la crescente pressione a pubblicare hanno portato il numero degli invii a livelli record. Molte riviste ricevono migliaia di manoscritti all’anno. Anche un semplice controllo iniziale, che verifichi il conteggio delle parole, la struttura delle sezioni e l’idoneità di base, può rapidamente creare arretrati.

2. Controlli preliminari ad alta intensità di lavoro

Gli editor e gli assistenti editoriali devono verificare che ogni manoscritto:

• segue lo stile di formattazione e citazione bibliografica della rivista;
• include le sezioni richieste (ad es., abstract, metodi, dichiarazioni sull’etica e sui finanziamenti);
• rispetta i limiti di parole e figure;
• contiene le dichiarazioni necessarie (ad es., conflitti di interesse, registrazione dello studio);
• è conforme alle linee guida etiche e di reporting di base.

Se svolto manualmente, questo lavoro è ripetitivo e lento e sottrae tempo ad attività editoriali di livello superiore, come la valutazione concettuale e la gestione dei revisori.

3. Plagio, manipolazione delle immagini e integrità dei dati

I problemi di integrità della ricerca, come plagio, auto-plagio, invii duplicati, dati falsificati e immagini manipolate, sono una preoccupazione crescente. Rilevare questi problemi richiede il confronto degli articoli inviati con ampi corpus di letteratura pubblicata e archivi di immagini. Gli editor umani non possono farlo in modo efficiente senza l’aiuto di strumenti automatizzati.

4. Sovraccarico dei revisori e articoli inviati a riviste non appropriate

Molti manoscritti vengono inviati a riviste alle quali non sono realmente destinati. La mancata corrispondenza tra l’argomento o i metodi dell’articolo e l’ambito della rivista porta a rifiuti editoriali evitabili o, peggio, a uno spreco di tempo da parte dei revisori. Manoscritti strutturati male o chiaramente inadatti a volte arrivano alla revisione tra pari semplicemente perché i team editoriali sono sommersi di lavoro.

5. Pregiudizi e incoerenza

Gli editor umani apportano inevitabilmente al processo le proprie esperienze e preferenze. In assenza di criteri chiari e standardizzati, lo screening iniziale può variare da una persona all’altra e pregiudizi impliciti legati al Paese, all’istituzione o all’argomento possono influenzare sottilmente le decisioni.

Come l’IA trasforma lo screening dei manoscritti

Gli strumenti basati sull’IA sono progettati per integrare, non sostituire, gli editor umani. Si occupano delle parti meccaniche e basate su regole dello screening e forniscono indicazioni che aiutano gli editor a decidere quali manoscritti meritino un’attenzione più approfondita.

1. Controlli automatizzati di formattazione e conformità

Uno degli usi più semplici dell’IA consiste nel verificare automaticamente se un contributo soddisfa i requisiti tecnici di una rivista. I sistemi basati sull’IA possono:

• verificare lo stile dei riferimenti bibliografici e delle citazioni in base alle preferenze della rivista (APA, MLA, Chicago, Vancouver, ecc.);
• verificare che il manoscritto rientri nei limiti di parole, figure e tabelle;
• esaminare la struttura delle sezioni (ad esempio, la presenza di Abstract, Introduzione, Metodi, Risultati, Discussione e Conclusioni);
• rilevare elementi mancanti come approvazioni etiche, dichiarazioni di consenso o dichiarazioni sui conflitti di interesse.

Strumenti come Penelope.ai e sistemi analoghi eseguono questi controlli quasi istantaneamente al momento della sottomissione, generando un rapporto per autori ed editor. Gli autori possono quindi correggere i problemi di base prima ancora che l’editor esamini il manoscritto.

2. Rilevamento del plagio e della manipolazione delle immagini basato sull’IA

Il rilevamento del plagio si è basato a lungo sul confronto automatizzato dei testi, ma gli strumenti potenziati dall’IA si spingono oltre, riconoscendo passaggi parafrasati, autoplagio e forme sottili di duplicazione. Sistemi come iThenticate confrontano i contributi con ampi database di articoli, libri e contenuti web per segnalare sovrapposizioni sospette.

Per le figure e le immagini, strumenti dedicati come Proofig analizzano le immagini alla ricerca di segni di duplicazione, riutilizzo inappropriato o manipolazione. Possono evidenziare pannelli ripetuti, regioni clonate o trasformazioni sorprendenti che possono indicare una condotta scorretta intenzionale o una preparazione negligente delle figure.

Questi strumenti non formulano giudizi definitivi: segnalano gli aspetti da verificare affinché gli editor li esaminino con attenzione. Se utilizzati correttamente, rafforzano l’integrità della ricerca e proteggono le riviste dalla pubblicazione di lavori problematici.

3. Supporto linguistico e alla leggibilità

Molti contributi sono scientificamente solidi, ma difficili da leggere a causa di problemi linguistici, soprattutto quando gli autori scrivono in una seconda o terza lingua. Gli strumenti linguistici basati sull’IA possono contribuire a migliorare:

• grammatica, ortografia e punteggiatura;
• struttura delle frasi e leggibilità complessiva;
• chiarezza dell'argomentazione e tono accademico;
• coerenza della terminologia in tutto il manoscritto.

Servizi come Trinka AI e strumenti di editing simili sono pensati per la scrittura accademica e possono essere utilizzati dagli autori prima della sottomissione o dalle riviste nell’ambito di una preselezione. Sebbene la qualità linguistica non debba essere usata come indicatore del valore scientifico, migliorare la chiarezza facilita la valutazione della ricerca effettiva da parte di editori e revisori.

4. Abbinamento alla rilevanza e all’ambito

Un altro uso prezioso dell’IA consiste nel determinare se una proposta rientra negli obiettivi e nell’ambito della rivista. Analizzando parole chiave, abstract e classificazioni disciplinari, i modelli di IA possono:

• assegnare i manoscritti a categorie tematiche o sottocampi;
• segnalare le proposte chiaramente estranee all’ambito della rivista;
• suggerire editor associati o editor di area;
• aiutare a individuare revisori tra pari adatti abbinando gli argomenti dei manoscritti alle competenze dei ricercatori e alla loro storia editoriale.

Strumenti come Reviewer Finder di Clarivate e altri sistemi di raccomandazione basati sull’IA utilizzano dati sulle citazioni e l’analisi delle parole chiave per supportare questo processo di abbinamento. Ciò può ridurre il sovraccarico dei revisori e garantire che i manoscritti siano valutati da esperti della nicchia appropriata.

5. Verifica della novità e dell’integrità statistica

Strumenti di IA più avanzati stanno iniziando a valutare aspetti di novità e solidità metodologica. Confrontando una proposta con ampi corpus della letteratura esistente, l’IA può indicare se un lavoro simile è stato pubblicato di recente o se il manoscritto sembra duplicare studi precedenti senza una giustificazione chiara.

Nella ricerca sperimentale e clinica, sistemi come StatReviewer possono verificare automaticamente:

• se i test statistici siano coerenti con il disegno dello studio e il tipo di dati;
• se le dimensioni degli effetti, gli intervalli di confidenza e i valori p siano riportati correttamente;
• se le dimensioni dei campioni e i calcoli della potenza statistica siano adeguati e documentati in modo trasparente.

Ancora una volta, questi strumenti non sostituiscono gli statistici esperti, ma possono evidenziare tempestivamente potenziali problemi, consentendo agli editori di richiedere chiarimenti o un’ulteriore revisione.

Sfide e questioni etiche

Sebbene l’IA offra vantaggi notevoli, introduce anche nuove sfide che devono essere gestite con attenzione.

1. Eccessiva dipendenza dall’automazione

Se gli editori si affidano eccessivamente a punteggi o segnalazioni automatizzati, possono involontariamente respingere ricerche valide che non rientrano nei modelli attesi o che utilizzano metodi non convenzionali. Le proposte complesse, interdisciplinari o innovative possono confondere gli algoritmi addestrati su formati più standard.

La soluzione consiste nel trattare gli output dell’IA come indicativi, non decisivi. L’IA dovrebbe aiutare a stabilire le priorità, non sostituire il giudizio editoriale.

2. Bias algoritmico

I sistemi di IA apprendono dai dati sui quali vengono addestrati. Se tali dati riflettono pregiudizi storici, ad esempio favorendo determinati argomenti, metodi, lingue, istituzioni o regioni, l'IA può rafforzare inavvertitamente tali schemi. Ciò rischia di amplificare le disuguaglianze che molti editori stanno cercando attivamente di ridurre.

L'uso responsabile dell'IA richiede:

• verifiche periodiche dei modelli per individuare risultati distorti;
• una documentazione trasparente su come vengono costruiti e aggiornati i modelli;
• una supervisione umana continua che consenta di mettere in discussione e correggere gli schemi problematici.

3. Privacy e sicurezza dei dati

I manoscritti in fase di revisione sono riservati e spesso contengono dati non pubblicati, metodi proprietari o informazioni sensibili. Qualsiasi sistema di IA che elabori le proposte deve pertanto rispettare rigorosi standard di protezione dei dati. Gli editori devono garantire che:

• i manoscritti caricati siano conservati in modo sicuro e non vengano utilizzati per addestramenti non correlati senza un'autorizzazione esplicita;
• l'accesso alle piattaforme di IA sia controllato e monitorato;
• i fornitori terzi rispettino le normative sulla privacy e gli obblighi contrattuali.

Buone pratiche per un'integrazione responsabile dell'IA

Per sfruttare i vantaggi dell'IA evitando al contempo le sue insidie, le riviste e gli editori possono adottare diverse buone pratiche:

• Definire ruoli chiari per l'IA e gli esseri umani: utilizzare l'IA per i controlli preliminari e il supporto, ma lasciare le decisioni finali a redattori esperti.
• Essere trasparenti con autori e revisori: spiegare quali strumenti di IA vengono utilizzati, per quali scopi e in che modo i loro risultati influenzano i flussi di lavoro editoriali.
• Monitorare le prestazioni e l'equità: verificare regolarmente in che modo lo screening assistito dall'IA incide sui tempi di elaborazione, sui tassi di accettazione e sulla diversità degli autori e degli argomenti pubblicati.
• Fornire formazione al personale editoriale: i redattori dovrebbero comprendere i punti di forza e i limiti degli strumenti che utilizzano, così da poterne interpretare criticamente i risultati.
• Mantenere più garanzie: combinare i controlli dell'IA con strumenti antiplagio, una revisione umana dell'integrità e politiche chiare per la gestione dei manoscritti segnalati.

Conclusione

Lo screening dei manoscritti basato sull'IA può trasformare il processo di valutazione delle proposte. Automatizzando i controlli di conformità, il rilevamento del plagio, l'analisi delle immagini, il perfezionamento linguistico, il confronto della rilevanza e la revisione statistica di base, gli strumenti di IA possono ridurre significativamente il carico di lavoro editoriale, abbreviare i tempi decisionali e migliorare l'integrità del corpus delle pubblicazioni.

Tuttavia, l'IA non sostituisce il giudizio sfumato e la responsabilità etica di redattori, revisori ed editori umani. I sistemi più solidi saranno flussi di lavoro ibridi in cui l'IA gestisce le attività tecniche ripetitive, mentre gli esseri umani mantengono l'autorità sul merito scientifico, sull'equità e sulle decisioni finali. Se utilizzata con attenzione, l'IA può contribuire a rendere l'editoria accademica più rapida, coerente e trasparente, senza sacrificare il rigore e la fiducia da cui dipende la comunicazione scientifica.