Czy wspierane przez AI systemy wspomagania decyzji redakcyjnych są skuteczne w publikowaniu naukowym?

Wprowadzenie

Szybki rozwój sztucznej inteligencji (AI) zmienił niemal każdy aspekt komunikacji naukowej — od sposobu, w jaki badacze wyszukują literaturę, po sposób pisania, zgłaszania i oceniania manuskryptów. Jednym z najważniejszych zjawisk w redakcjach czasopism jest rozwój systemów wspomagania decyzji redakcyjnych opartych na sztucznej inteligencji (EDSS). Narzędzia te mają pomagać redaktorom radzić sobie z nieustannie rosnącą liczbą zgłoszeń, coraz większymi oczekiwaniami dotyczącymi rzetelności badań oraz presją na szybkie, sprawiedliwe i przejrzyste podejmowanie decyzji.

Systemy EDSS wykorzystujące sztuczną inteligencję mogą obecnie sprawdzać manuskrypty pod kątem plagiatu i manipulacji obrazami, weryfikować bibliografię i podstawowe statystyki, sugerować recenzentów na podstawie ich specjalizacji i dorobku, a nawet generować wstępne rekomendacje, takie jak „odrzucić”, „odesłać do poprawy” lub „przekazać do recenzji naukowej”. Zwolennicy twierdzą, że systemy te usprawniają przepływy pracy, zwiększają spójność i ograniczają stronniczość. Krytycy ostrzegają jednak przed nadmiernym poleganiem na nieprzejrzystych algorytmach, utrwalaniem istniejących nierówności oraz ryzykiem powierzenia maszynom oceny oryginalności, niuansów lub głębi teoretycznej.

W tym artykule przeanalizowano skuteczność systemów EDSS opartych na sztucznej inteligencji, omawiając, czym są, jak działają, jakie przynoszą korzyści, jakie stwarzają zagrożenia oraz jakie dobre praktyki mogą pomóc czasopismom korzystać z nich w sposób odpowiedzialny. Z artykułu wynika, że sztuczna inteligencja może być niezwykle przydatna w podejmowaniu decyzji redakcyjnych — ale tylko wtedy, gdy zostanie wdrożona w starannie zaprojektowanym modelu hybrydowym, w którym ludzka ocena pozostaje kluczowa, a manuskrypty nadal są przygotowywane i sprawdzane z wykorzystaniem rygorystycznej, wykonywanej przez człowieka korekty i redakcji.

Czym są systemy wspomagania decyzji redakcyjnych oparte na sztucznej inteligencji?

Systemy wspomagania decyzji redakcyjnych (EDSS) to narzędzia programowe pomagające redaktorom czasopism oceniać manuskrypty i zarządzać procesem recenzowania naukowego. Gdy systemy te zostają wzbogacone o sztuczną inteligencję, wykraczają poza statyczne kontrole oparte na regułach i stają się adaptacyjnymi platformami opartymi na danych, zdolnymi do uczenia się na podstawie dużych zbiorów opublikowanych i zgłoszonych prac.

Systemy EDSS oparte na sztucznej inteligencji zazwyczaj łączą trzy główne technologie:

• Uczenie maszynowe: algorytmy trenowane na danych historycznych — takich jak wcześniejsze decyzje redakcyjne, wzorce cytowań i wyniki pracy recenzentów — identyfikują wzorce, które mogą pomóc w podejmowaniu bieżących decyzji.
• Przetwarzanie języka naturalnego (NLP): narzędzia, które „czytają” manuskrypty, wyodrębniają kluczowe pojęcia, analizują styl i strukturę oraz porównują tekst z korpusami referencyjnymi w celu wykrywania podobieństw lub anomalii.
• Analityka dużych zbiorów danych: systemy integrujące informacje o czasopismach, autorach, instytucjach i cytowaniach, aby zapewnić szerszy kontekst dla każdego zgłoszenia.

W praktyce systemy EDSS nie zastępują redaktora, lecz porządkują, wzbogacają i strukturyzują informacje, aby redaktorzy mogli pracować wydajniej i podejmować bardziej świadome decyzje.

Główne funkcje opartych na AI systemów EDSS

Większość opartych na AI systemów redakcyjnych oferuje pewną kombinację następujących funkcji:

• Wstępna ocena manuskryptów: automatyczne sprawdzanie pod kątem plagiatu, brakujących sekcji, niekompletnej bibliografii i problemów z formatowaniem, a niekiedy także podstawowych sygnałów ostrzegawczych dotyczących statystyki lub metodologii.
• Dobór recenzentów: rekomendowanie potencjalnych recenzentów na podstawie analizy ich dorobku publikacyjnego, słów kluczowych, wcześniejszych recenzji oraz powiązań z autorami lub tematyką.
• Kontrole rzetelności i etyki: analiza podobieństwa obrazów w celu wykrywania potencjalnych manipulacji, identyfikowanie podejrzanych wzorców cytowań oraz alerty dotyczące zduplikowanych lub pociętych na mniejsze części zgłoszeń.
• Analiza danych i metod: narzędzia weryfikujące spójność wewnętrzną tabel i rycin, sprawdzające wartości p względem zgłoszonych statystyk testów lub sygnalizujące nieprawdopodobne liczebności próby i wielkości efektu.
• Rekomendacje redakcyjne: pulpity nawigacyjne podsumowujące zgodność manuskryptu z zakresem czasopisma, historyczne wzorce akceptacji, przewidywany wpływ i potencjalne czynniki ryzyka, często wraz z sugerowaną decyzją.

Automatyzując te zadania, systemy EDSS mogą zmniejszyć rutynowe obciążenie pracą redaktorów i umożliwić im poświęcenie większej ilości czasu merytorycznym kwestiom dotyczącym nowatorstwa, znaczenia i etyki.

Korzyści z opartych na AI systemów wspomagania decyzji redakcyjnych

1. Szybsza i wydajniejsza wstępna ocena manuskryptów

Tradycyjny proces redakcyjny często obejmuje kilka dni lub nawet tygodni wstępnych kontroli, zanim manuskrypt w ogóle trafi do recenzentów. Redaktorzy lub asystenci redakcji ręcznie sprawdzają, czy zgłoszenia spełniają podstawowe wymagania formalne, wyszukują oczywiste przypadki plagiatu i decydują, czy artykuł skierować do recenzji, czy odrzucić na etapie oceny redakcyjnej.

Oparte na AI systemy EDSS mogą przeprowadzić wiele z tych kontroli w ciągu kilku minut. Szybko skanują tekst pod kątem podobieństwa z dużymi bazami danych, oceniają, czy obecne są niezbędne sekcje (takie jak streszczenie, metody i oświadczenia dotyczące etyki), oraz sprawdzają, czy tabele, ryciny i bibliografia są prawidłowo sformatowane. Zapewnia to kilka korzyści:

• Znaczne ograniczenie zatorów redakcyjnych, szczególnie w czasopismach otrzymujących dużą liczbę zgłoszeń.
• Bardziej przewidywalny czas oczekiwania na decyzję dla autorów, którzy często odczuwają dużą presję, by szybko publikować.
• Wczesne identyfikowanie zgłoszeń, które wyraźnie wykraczają poza zakres czasopisma lub nie spełniają jego wymogów jakościowych, pozwalające redaktorom skupić się na bardziej obiecujących manuskryptach.

2. Większa dokładność i spójność

Redaktorzy zajmujący się pracą merytoryczną mogą znacznie różnić się sposobem interpretowania wytycznych, dostrzegania problemów lub stosowania kryteriów odrzucenia na poziomie redakcyjnym. Zmęczenie, presja czasu i nieuświadomione uprzedzenia przyczyniają się do niespójności. Natomiast systemy oparte na sztucznej inteligencji za każdym razem przeprowadzają te same kontrole w ten sam sposób.

Prawidłowo skonfigurowane systemy EDSS mogą:

• Stosuj jednolite kryteria wstępnej oceny do wszystkich zgłoszeń, niezależnie od tego, kto pełni dyżur w danym tygodniu.
• Wykrywaj plagiat, recykling tekstu i manipulowanie cytowaniami z większą czułością niż podczas ręcznego skanowania.
• Wyróżniaj niespójności statystyczne lub brakujące dane, które czytelnicy mogą przeoczyć, zwłaszcza pod presją czasu.

Chociaż sztuczna inteligencja nie eliminuje wszystkich form uprzedzeń, konsekwentne stosowanie zasad może pomóc ograniczyć niektóre przejawy uznaniowości i wspierać sprawiedliwsze traktowanie autorów.

3. Usprawniony dobór recenzentów

Identyfikacja odpowiednich recenzentów jest jednym z najbardziej czasochłonnych elementów procesu redakcyjnego. Redaktorzy muszą znaleźć ekspertów posiadających odpowiednią wiedzę, wystarczającą dostępność i niepozostających w konflikcie interesów. Jest to szczególnie trudne w wąskich lub interdyscyplinarnych dziedzinach.

Oparte na sztucznej inteligencji systemy EDSS mogą przeszukiwać duże bazy opublikowanych prac i aktywności recenzentów w celu identyfikowania kandydatów, których wiedza specjalistyczna jest ściśle dopasowana do manuskryptu. Systemy te mogą:

• Sugeruj recenzentów na podstawie podobieństwa tematyki, metod i słów kluczowych, a nie tylko szerokich kategorii tematycznych.
• Wskazuj potencjalne konflikty interesów, sprawdzając sieci współautorstwa, afiliacje instytucjonalne i niedawną współpracę.
• Optymalizuj dobór recenzentów, uwzględniając wskaźniki dotychczasowych wyników, takie jak szybkość reagowania i szczegółowość recenzji.

Stosowane w przemyślany sposób rozwiązanie to może urozmaicić grono recenzentów i odciążyć przeciążonych starszych pracowników naukowych, przy jednoczesnym zachowaniu kontroli jakości.

4. Wzmocnienie rzetelności badań i zgodności z zasadami etycznymi

W ostatnich latach obawy dotyczące rzetelności badań znacznie wzrosły z powodu nagłośnionych przypadków oszustw, manipulowania obrazami, fałszowania danych i działalności paper mills. Oparte na sztucznej inteligencji kontrole rzetelności stają się kluczowym elementem systemów wspomagania decyzji redakcyjnych.

Typowe narzędzia potrafią:

• Korzystaj z wykrywania podobieństw (na przykład za pomocą narzędzi takich jak iThenticate), aby identyfikować plagiat i autoplagiat.
• Stosuj algorytmy analizy kryminalistycznej obrazów w celu ujawniania zduplikowanych, połączonych lub zmodyfikowanych rycin, zwłaszcza w badaniach biomedycznych.
• Oceniaj wiarygodność statystyczną i spójność, wskazując nietypowe wzorce, które mogą wymagać dokładniejszej analizy przez człowieka.

Możliwości te same w sobie nie stanowią dowodu nierzetelności, ale dostarczają redaktorom istotnych sygnałów, że niektóre zgłoszenia wymagają wnikliwego badania prowadzonego przez człowieka.

5. Oparta na danych strategia redakcyjna i zarządzanie czasopismem

Poza pojedynczymi manuskryptami EDSS może agregować dane dotyczące zgłoszeń, decyzji i cytowań, aby dostarczać redaktorom naczelnym i wydawcom strategicznych informacji. Panele mogą przedstawiać:

• Trendy dotyczące liczby zgłoszeń według tematu, regionu lub instytucji.
• Wzorce dotyczące wskaźników akceptacji i odrzucenia w czasie.
• Związek między decyzjami redakcyjnymi a późniejszymi wpływem na cytowania lub liczbą pobrań.

Redaktorzy mogą wykorzystywać te informacje do doprecyzowania deklaracji dotyczących celów i zakresu czasopisma, dostosowania procedur recenzowania lub podjęcia decyzji o uruchomieniu nowych typów artykułów bądź numerów tematycznych. W ten sposób AI staje się narzędziem nie tylko do podejmowania pojedynczych decyzji, lecz także do długoterminowego planowania redakcyjnego.

Wyzwania i ograniczenia EDSS opartych na AI

Mimo tych zalet systemy redakcyjne oparte na AI mają istotne ograniczenia, które należy rozpoznawać i aktywnie kontrolować.

1. Brak pogłębionego rozumienia kontekstu

Nawet najbardziej zaawansowane modele AI nie „rozumieją” badań w taki sposób, jak robią to ludzcy eksperci. Potrafią wykrywać wzorce w tekście i danych, ale mają trudności z niuansami, które często mają największe znaczenie w ocenie naukowej.

Na przykład:

• AI może nie rozpoznać oryginalności teoretycznej artykułu, który posługuje się znajomym językiem, aby przedstawić rzeczywiście nową perspektywę.
• Złożone, interdyscyplinarne manuskrypty mogą zostać błędnie sklasyfikowane lub niedocenione, ponieważ nie pasują jednoznacznie do istniejących kategorii.
• Niekonwencjonalne, lecz rygorystyczne metody mogą zostać oznaczone jako „anomalne” wyłącznie dlatego, że odbiegają od wcześniejszych wzorców obecnych w danych treningowych.

Te ograniczenia oznaczają, że rekomendacje AI należy zawsze oceniać w zestawieniu z eksperckim osądem człowieka, szczególnie w przypadku prac o dużym znaczeniu lub przełomowym charakterze.

2. Kwestie etyczne i zakorzenione uprzedzenia

Systemy AI uczą się na podstawie danych historycznych, a dane historyczne często odzwierciedlają nierówności systemowe. Jeśli EDSS zostanie wytrenowany na podstawie wcześniejszych decyzji redakcyjnych faworyzujących określone regiony, instytucje lub tematy, może odtwarzać, a nawet wzmacniać te wzorce.

Ryzyko obejmuje:

• Preferowanie manuskryptów pochodzących z renomowanych instytucji lub autorstwa często cytowanych badaczy kosztem naukowców na początku kariery albo autorów z niedostatecznie reprezentowanych regionów.
• Zbyt rzadkie rekomendowanie badań z zakresu rozwijających się lub niezachodnich dyscyplin, które są słabiej reprezentowane w korpusie treningowym.
• Utrwalanie uprzedzeń związanych z płcią lub językiem, na przykład gdy pisanie w języku angielskim przez osoby niebędące rodzimymi użytkownikami tego języka jest surowiej oceniane przez automatyczne narzędzia oceny językowej.

Aby ograniczyć te problemy, wydawcy muszą regularnie kontrolować działanie EDSS, w miarę możliwości różnicować dane treningowe oraz zapewniać, że ludzcy redaktorzy aktywnie korygują uprzedzenia, zamiast biernie akceptować wyniki algorytmów.

3. Nadmierne poleganie na rekomendacjach AI

Jednym z największych zagrożeń nie jest to, co robi AI, lecz sposób, w jaki reagują na nie ludzie. Gdy system przedstawia przejrzysty wynik punktowy, wskaźnik ryzyka oznaczony kolorem lub sugerowaną decyzję, redaktorzy mogą ulec pokusie uznania go za wiążący — nawet gdy jest sprzeczny z ich własnym osądem.

Nadmierne poleganie na AI może prowadzić do:

• Redaktorzy bezkrytycznie zatwierdzający sugestie AI bez przeprowadzania pełnej oceny przypadków granicznych.
• Odrzucanie niekonwencjonalnych lub krytycznych prac naukowych, których system nie „rozpoznaje” jako wartościowych.
• Mniejsza skłonność do odstępowania od algorytmicznych norm, co może tłumić różnorodność intelektualną i innowacyjność.

Dlatego potrzebne są jasne zasady określające rolę AI: EDSS należy traktować jako narzędzia doradcze, a nie decydentów.

4. Ryzyko związane z bezpieczeństwem danych i prywatnością

Systemy redakcyjne przetwarzają wysoce poufne informacje, w tym nieopublikowane badania, poufne recenzje i tożsamość autorów. Integracja AI z tymi przepływami pracy rodzi pytania o to, gdzie przechowywane są dane, kto ma do nich dostęp i jak bezpiecznie są chronione.

Czasopisma muszą zapewnić, że:

• Dane manuskryptów są przetwarzane zgodnie z przepisami o ochronie prywatności, takimi jak RODO.
• Dostawcy AI wdrażają silne szyfrowanie i mechanizmy kontroli dostępu, aby zapobiegać wyciekom danych.
• Nieopublikowane manuskrypty nie są wykorzystywane niewłaściwie do trenowania ogólnych modeli językowych ani narzędzi komercyjnych bez wyraźnej zgody.

Jakiekolwiek naruszenie bezpieczeństwa danych redakcyjnych mogłoby podważyć zaufanie do recenzji naukowej oraz narazić prace autorów na przedwczesne ujawnienie lub niewłaściwe wykorzystanie.

5. Trudności w ocenie naprawdę nowatorskich badań

Ponieważ modele AI w dużej mierze czerpią z istniejącej literatury, najlepiej rozpoznają wzorce przypominające przeszłość. Naprawdę nowatorskie lub zmieniające paradygmat prace mogą wydawać się nietypowe, mało istotne lub słabo powiązane w grafie wcześniejszych publikacji.

Konsekwencje mogą obejmować:

• Niedocenianie przełomowych badań, które nie mają jeszcze ścieżki cytowań.
• Błędna klasyfikacja manuskryptów z szybko rozwijających się dziedzin, w których baza dowodowa dopiero się kształtuje.
• Zwiększona presja na autorów, aby dostosowywali się do ustalonych szablonów w celu przejścia automatycznych kontroli.

To kolejny powód, dla którego doświadczeni redaktorzy będący ludźmi pozostają niezbędni do oceny oryginalności i długoterminowego potencjału.

Najlepsze praktyki wdrażania AI w podejmowaniu decyzji redakcyjnych

Aby wykorzystać zalety EDSS opartych na AI i jednocześnie zminimalizować ryzyko, czasopisma i wydawcy mogą kierować się kilkoma zasadami najlepszych praktyk.

1. Utrzymywać hybrydowy model człowiek–AI

AI powinno wspierać wiedzę redakcyjną, a nie ją zastępować. Czasopisma mogą:

• Używaj EDSS przede wszystkim do rutynowych zadań o dużej skali, takich jak wstępna selekcja i dobór recenzentów.
• Wymagaj, aby wszystkie ostateczne decyzje podejmowali imiennie wskazani redaktorzy będący ludźmi, którzy przeczytali manuskrypt i krytycznie rozważyli wyniki AI.
• Zachęcanie redaktorów do odrzucania sugestii AI, gdy jest to uzasadnione, oraz dokumentowania powodów takiej decyzji.

Pozwala to zachować korzyści z automatyzacji, jednocześnie pozostawiając odpowiedzialność w rękach ludzi.

2. Zapewnienie przejrzystości i wyjaśnialności

Autorzy i recenzenci coraz częściej chcą wiedzieć, w jaki sposób AI jest wykorzystywana w procesie redakcyjnym. Czasopisma powinny:

• Jasne opisanie na stronach internetowych i w wytycznych dla autorów, jakie narzędzia AI są używane i do jakich celów.
• Preferowanie systemów zapewniających wyjaśnialne wyniki zamiast nieprzejrzystych ocen — na przykład wymieniających konkretne wykryte problemy zamiast podawania pojedynczego „indeksu jakości”.
• Prowadzenie rejestrów pokazujących, w jaki sposób oceny wygenerowane przez AI przyczyniły się do podjęcia decyzji, aby z czasem można było analizować wzorce i wprowadzać ulepszenia.

3. Audytowanie pod kątem stronniczości i sprawiedliwości

Regularne audyty mają kluczowe znaczenie. Wydawcy mogą:

• Monitorowanie wskaźników akceptacji i odrzucenia w poszczególnych regionach, grupach płciowych, instytucjach i dyscyplinach po wdrożeniu EDSS.
• Porównywanie decyzji wspomaganych przez AI z niezależnymi ocenami ekspertów na próbie manuskryptów.
• Dostosowanie danych treningowych lub parametrów modelu w przypadku wykrycia systematycznej niesprawiedliwości.

Komitety nadzoru etycznego lub rady doradcze mogą pomóc w kierowaniu tym procesem i zalecać działania naprawcze.

4. Ochrona danych poufnych

Solidne zarządzanie danymi jest niezbędne. Czasopisma powinny:

• Korzystanie z dostawców i systemów zgodnych z uznanymi standardami bezpieczeństwa oraz poddawanych regularnym testom bezpieczeństwa.
• Ścisłe ograniczenie dostępu do danych manuskryptów do upoważnionych pracowników redakcji i zakontraktowanych usługodawców.
• Ustanowienie jasnych zasad zakazujących wykorzystywania poufnych zgłoszeń do trenowania ogólnych modeli AI bez wyraźnej, świadomej zgody.

5. Ciągła aktualizacja i monitorowanie systemów AI

Publikowanie naukowe jest zmiennym obszarem. Pojawiają się nowe typy artykułów, standardy etyczne ewoluują, a metody badawcze się zmieniają. Narzędzia AI należy odpowiednio utrzymywać.

Dobre praktyki obejmują:

• Regularne ponowne trenowanie modeli na zaktualizowanych i bardziej zróżnicowanych danych.
• Zbieranie informacji zwrotnych od redaktorów i recenzentów na temat fałszywych alarmów, pominiętych problemów i trudności w użytkowaniu.
• Współpraca z twórcami AI w celu zapewnienia, że zmiany w zasadach lub wytycznych znajdują odzwierciedlenie w działaniu systemu.

Wpływ na autorów i rola korekty wykonywanej przez człowieka

W przypadku autorów rozwój systemów EDSS opartych na AI zmienia proces składania prac na kilka sposobów. Po pierwsze, manuskrypty są obecnie oceniane nie tylko przez redaktorów i recenzentów, lecz także przez zautomatyzowane systemy, które są bardzo wrażliwe na strukturę, przejrzystość i poprawność techniczną. Nieprawidłowe formatowanie tekstu, niespójna terminologia lub niejasny sposób raportowania mogą wywołać sygnały ostrzegawcze na długo przed tym, zanim pracę przeczyta ekspert.

Dzięki temu staranne przygotowanie manuskryptu jest ważniejsze niż kiedykolwiek. Autorzy mogą zwiększyć swoje szanse na sprawne przejście przez kontrolę AI i recenzję dokonywaną przez ludzi, jeśli:

• Skrupulatne przestrzeganie wytycznych czasopisma oraz upewnienie się, że sekcje, bibliografia, tabele i wykresy są kompletne i spójne.
• Przejrzyste opisywanie metod i danych, z wyraźnym powiązaniem pytań badawczych, analiz i wniosków.
• Korzystanie z profesjonalnych usług korekty i redakcji tekstów akademickich w celu poprawienia błędów językowych, zwiększenia klarowności i dostosowania tekstu do oczekiwań dotyczących stylu akademickiego.

Co ważne, choć narzędzia AI do pisania mogą wydawać się atrakcyjne przy tworzeniu lub poprawianiu tekstu, wiele uniwersytetów i wydawców obecnie analizuje treści wygenerowane przez AI oraz wyniki kontroli podobieństwa. Korekta wykonywana przez człowieka nadal jest najbezpieczniejszym sposobem dopracowania manuskryptu bez zwiększania ryzyka problematycznych podobieństw lub sformułowań typowych dla AI, które mogą wzbudzić obawy podczas kontroli podobieństwa lub oceny rzetelności.

Wnioski: Jak skuteczne są oparte na AI systemy wspomagania decyzji redakcyjnych?

Oparte na AI systemy wspomagania decyzji redakcyjnych już wywierają głęboki wpływ na publikowanie naukowe. Zapewniają szybszą i bardziej spójną wstępną ocenę, usprawniają dobór recenzentów, wspierają kontrole rzetelności badań i dostarczają cennych danych na potrzeby strategii redakcyjnej. W tych obszarach dowiodły, że są wysoce skutecznymi narzędziami, gdy są starannie skonfigurowane i nadzorowane.

Jednocześnie AI ma wyraźne ograniczenia. Nie może w pełni zastąpić wnikliwej, osadzonej w kontekście oceny doświadczonych redaktorów i recenzentów. Może utrwalać istniejące uprzedzenia, błędnie interpretować nowatorski charakter badań i tworzyć fałszywe poczucie obiektywizmu, jeśli jego wyniki są przyjmowane bezkrytycznie. Jego zastosowanie rodzi również poważne pytania dotyczące prywatności, sprawiedliwości i odpowiedzialności.

Najbardziej wyważony wniosek jest taki, że oparte na AI systemy wspomagania decyzji redakcyjnych są najskuteczniejsze, gdy uzupełniają, a nie zastępują, ludzką wiedzę ekspercką. Czasopisma, które wdrażają je w sposób przejrzysty, regularnie je kontrolują i wymagają, aby za ostateczne decyzje odpowiadali ludzie, mogą odnieść znaczne korzyści w zakresie efektywności i rzetelności. Autorzy mogą natomiast dostosować się do tych zmian, przygotowując dobrze uporządkowane, rzetelne i starannie dopracowane manuskrypty — najlepiej przy wsparciu ekspertów świadczących usługi korekty językowej, zgodnych ze standardami akademickimi i etycznymi.

AI niewątpliwie będzie nadal kształtować przyszłość recenzowania naukowego i podejmowania decyzji redakcyjnych. Kluczowe pytanie nie brzmi, czy AI w ogóle powinno być wykorzystywane — już jest — lecz jak środowisko naukowe może zadbać o to, by jego zastosowanie wzmacniało, a nie osłabiało, wiarygodność i rzetelność publikowania akademickiego.