Özet
Yapay zekâ (AI), modern araştırmalarda görüntü işleme alanında güçlü bir etken hâline gelmiştir. Mikroskopi, tıbbi görüntüleme, astronomi ve hesaplamalı simülasyonlar gibi alanlarda çözünürlüğü meşru biçimde artırabilir, gürültüyü azaltabilir ve otomatik görüntü analizini destekleyebilir. Aynı zamanda yapay zekâ destekli görüntü oluşturma ve düzenleme araçları, araştırma görüntülerini değiştirmeyi, uydurmayı veya seçici biçimde manipüle etmeyi hiç olmadığı kadar kolaylaştırmıştır. Bu durum araştırma dürüstlüğü, tekrarlanabilirlik ve bilimsel bulgulara duyulan kamu güveni açısından ciddi riskler oluşturmaktadır.
Bu makale, yapay zekânın bilimsel görüntülemede hem etik hem de etik dışı biçimde nasıl kullanılabileceğini açıklamaktadır. Meşru iyileştirme ve veri görselleştirmeden derin sahte görüntüler, kopyalanmış ve değiştirilmiş şekiller ve deney sonuçlarının seçici biçimde düzenlenmesi gibi hileli uygulamalara kadar çeşitli örnekleri ele almaktadır. Ayrıca yapay zekâ destekli görüntü manipülasyonunun makalelerin geri çekilmesi, araştırma emeğinin boşa gitmesi, kariyerlerin zarar görmesi ve bilime duyulan güvenin kaybolması gibi sonuçlarını incelemektedir. Ardından, şüpheli görüntüleri yayın öncesinde ve sonrasında tespit etmek için yapay zekâ tabanlı adli inceleme, görüntü intihali tespiti, örüntü tanıma modelleri, blok zinciri takibi ve insan ile yapay zekânın birlikte yürüttüğü hibrit inceleme sistemlerinin nasıl kullanıldığını açıklamaktadır.
Son olarak makale, yapay zekâ kaynaklı görüntü sahtekârlığını önlemek için pratik stratejiler önermektedir: açık kurumsal ve dergi politikaları, zorunlu görüntü taraması, ham veri gereklilikleri, açık veri uygulamaları, araştırmacı eğitimi ve suistimal için güçlü yaptırımlar. Temel mesaj şudur: Yapay zekâ iki ucu keskin bir araçtır; şeffaf ve sorumlu kullanıldığında bilimsel görüntülemeyi büyük ölçüde güçlendirebilir, ancak kötüye kullanıldığında tüm araştırma kayıtlarının güvenilirliğini zedeleyebilir. Yapay zekâ araçlarını güçlü insan denetimiyle ve yayın sürecinin her aşamasında insanlar tarafından gerçekleştirilen dikkatli kontrollerle birleştiren çok katmanlı bir yaklaşım, yapay zekâ destekli görüntü manipülasyonu çağında araştırma dürüstlüğünü korumanın en iyi yolunu sunar.
📖 Tam Makale (Daraltmak için tıklayın)
Araştırmalarda Yapay Zekâ ve Görüntü Manipülasyonu: Riskler, Tespit ve Bilimsel Dürüstlüğün Nasıl Korunacağı
Giriş
Yapay zekâ (YZ), araştırma sürecinin neredeyse her aşamasına hızla yerleşmiştir. Karmaşık veri kümelerini analiz etmekten tıbbi görüntüleri bölütlemeye ve istatistiksel iş akışlarını otomatikleştirmeye kadar YZ, bilimsel iş akışlarını önemli ölçüde hızlandırabilir ve aksi takdirde gözden kaçacak örüntüleri ortaya çıkarabilir. Bununla birlikte, bu faydaların yanı sıra YZ, bilimsel yayınlarda görüntü manipülasyonu için güçlü ve yeni bir yol da sunmuştur.
Şekiller ve görüntüler araştırma makalelerinde dekoratif ekler değildir; çoğu zaman kanıtın temel parçalarıdır. Mikroskopi görüntüleri hücresel değişimleri gösterir, blotlar protein ifadesini yansıtır, tıbbi taramalar patolojiyi ortaya koyar ve simülasyon çıktıları karmaşık fiziksel sistemleri görselleştirir. Bu görüntüler doğru ve uygun biçimde işlendiğinde, okuyucuların bir çalışmanın sağlamlığını değerlendirmesine yardımcı olur. Özellikle gelişmiş yapay zekâ araçlarıyla manipüle edildiklerinde ise bilimsel kaydı temelden çarpıtabilirler.
Son dönemde yapay zekâ tabanlı düzenleme ve görüntü oluşturma araçlarının yaygınlaşması, araştırma görüntülerini iyileştirmeyi, değiştirmeyi veya uydurmayı önemli ölçüde kolaylaştırmıştır. Gürültü azaltma veya kontrastı artırma gibi küçük düzenlemeler meşru ve hatta gerekli olabilir; ancak gerçek verileri kaldırdıklarında, yapay yapılar oluşturduklarında veya okuyucuları deneylerin gerçekte ne gösterdiği konusunda yanılttıklarında aynı teknikler etik açıdan kabul edilemez bir noktaya taşınabilir.
Bu makale, yapay zekânın bilimsel görüntülemedeki ikili rolünü inceler. Yapay zekânın görüntü kalitesini etik biçimde nasıl iyileştirebileceğini ve analizi nasıl destekleyebileceğini, ancak aynı zamanda sonuçları uydurmak ve bilim camiasını yanıltmak için nasıl kötüye kullanılabileceğini ele alır. Ardından, yapay zekâ destekli görüntü manipülasyonunun araştırma dürüstlüğü üzerindeki etkisini tartışır, sahtekârlığı tespit etmeye yönelik yapay zekâ destekli yaklaşımları inceler ve araştırmacıların, dergilerin ve kurumların yapay zekâ destekli görüntü suistimalini önlemek ve buna yanıt vermek için atabileceği somut adımları ortaya koyar.
Bilimsel Araştırmalarda Görüntülerin Rolü
Görüntüler; biyoloji, tıp, kimya, fizik, malzeme bilimi ve astronomi dâhil olmak üzere birçok disiplinde özellikle önemli bir rol oynar. Yaygın örnekler şunlardır:
- Hücreleri, dokuları veya hücre altı yapıları gösteren mikroskopi görüntüleri.
- X ışını, MRI, BT veya ultrason taramaları gibi tıbbi görüntüleme sonuçları.
- Proteinleri, DNA'yı veya RNA'yı nicelendirmek için kullanılan Western blotlar, jeller ve diğer analiz sonuçları.
- Akışkan akışlarını, moleküler dinamikleri veya iklim modellerini gösteren simülasyon ve modelleme çıktıları.
- Astronomik görüntüler; galaksileri, ötegezegenleri veya kozmik arka plan ışınımını görüntüler.
Bu görüntüler bir öyküyü açıklamaktan daha fazlasını yapar—iddiaları destekler ve çoğu zaman nicel analizlerin temelini oluşturur. Bu nedenle, görüntülerin uygunsuz biçimde değiştirilmesi, eşlik eden metin değişmeden kalsa bile deneylerin görünen sonuçlarını değiştirebilir ve çıkarımları çarpıtabilir. Bu yüzden çoğu yayıncı, örneğin tüm görüntüye eşit biçimde uygulanan parlaklık ve kontrast ayarları gibi hangi görüntü işleme türlerinin kabul edilebilir olduğunu ve açıklama yapılmadan kanalların birleştirilmesi veya özelliklerin seçici biçimde silinmesi gibi hangi uygulamaların usulsüzlük sayıldığını açıkça belirten yönergeler sunmaktadır.
Görüntü İşlemede Yapay Zekâ: Etik ve Etik Dışı Kullanımlar
Yapay zekâ destekli araçlar, görüntülerle ilgili giderek daha geniş bir görev yelpazesinde kullanılmaktadır. Temel ayrım, yapay zekânın kullanılıp kullanılmadığı değil, nasıl kullanıldığı ve altta yatan verilerin gerçekliğin sadık temsilleri olarak kalıp kalmadığıdır.
Bilimsel Görüntülemede Yapay Zekânın Etik Kullanımları
Şeffaf biçimde ve üzerinde anlaşılmış yönergeler doğrultusunda uygulandığında yapay zekâ, araştırma görüntülerinin kalitesini ve yorumlanabilirliğini büyük ölçüde artırabilir. Meşru uygulamalar şunları içerir:
- Çözünürlük artırma: Derin öğrenme modelleri, düşük çözünürlüklü görüntüleri büyüterek, özellikle ham verilerin gürültülü olduğu düşük ışıklı veya düşük dozlu görüntülemelerde görülmesi zor olabilecek ayrıntıları ortaya çıkarabilir.
- Gürültü azaltma ve artefakt giderme: Yapay zekâ, süreç doğrulanıp belgelendiği sürece, mikroskopi, astronomi veya tıbbi görüntülerdeki rastgele gürültüyü altta yatan yapıları değiştirmeden filtreleyebilir.
- Otomatik segmentasyon ve nicel analiz: Yapay zekâ tabanlı görüntü analizi, büyük görüntü kümelerinde hücre sınırlarını, lezyonları veya özellikleri belirleyerek ölçümlerin geniş ölçekte tutarlı ve tekrarlanabilir olmasını sağlayabilir.
- Veri görselleştirme: Yapay zekâ, karmaşık çok boyutlu veri kümelerinin açık ve yapılandırılmış gösterimlerini oluşturmaya yardımcı olabilir; örneğin ilgili bölgeleri vurgulayabilir veya istatistiksel sonuçlar için ısı haritaları oluşturabilir.
Tüm bu durumlarda etik uygulama, yapay zekâ işlem hattının şeffaf, doğrulanmış ve açıklanmış olmasını gerektirir. Yazarlar, işlenmiş görüntülerin ham verilerle nasıl ilişkili olduğunu gösterebilmeli ve hangi düzenlemelerin neden yapıldığını açıklayabilmelidir.
Etik Dışı Kullanımlar: Yapay Zekâ Destekli Görüntü Üretimi ve Manipülasyonu
Yapay zekâyı kullanışlı kılan yeteneklerin aynısı, usulsüzlük amacıyla da kullanılabilir. Araştırma görüntülerinde yapay zekânın etik dışı kullanımları şunlardır:
- Deney sonuçlarını değiştirme: Bir hipotezle çelişen kusurları, bantları veya veri noktalarını kaldırmak ya da etkileri olduklarından daha güçlü göstermek için sinyalleri yoğunlaştırmak amacıyla yapay zekâ tabanlı düzenleme kullanmak.
- Yapay zekâ tarafından oluşturulan “deepfake” bilimsel görüntüler: Gerçek deneylerden elde edilmemiş tamamen yapay mikroskopi veya görüntüleme verileri oluşturup bunları gerçek sonuçlar olarak sunmak.
- Görüntüleri küçük değişikliklerle çoğaltma ve yeniden kullanma: Başka bir çalışmadan veya aynı çalışma içindeki başka bir deneyden bir görüntüyü kopyalayıp, farklı bir koşulu gösteriyormuş gibi görünmesi için yapay zekâ araçlarıyla görüntüyü çevirmek, kırpmak, renkleri ayarlamak veya sentetik farklılıklar eklemek.
- Seçici düzenleme ve kırpma: Bir görüntünün geri kalanını olduğu gibi bırakırken, okuyucuları değişkenlik veya arka plan sinyalleri hakkında yanıltacak şekilde, elverişsiz bölümleri (örneğin başarısız deneyleri veya bir blot görüntüsündeki tutarsız bantları) kaldırmak.
Yapay zekâ araçlarının kullanımı kolaylaştıkça ve bu araçlar güçlendikçe, bu tür manipülasyonların teknik engeli azalıyor. Bu durum, bilimsel literatürde görüntülerle ilgili endişelerin ve geri çekmelerin gözle görülür biçimde artmasına katkıda bulunarak dergileri daha gelişmiş tarama araçlarına yatırım yapmaya yöneltti.
Yapay Zekâ ile Görüntü Manipülasyonunun Bilimsel Bütünlük Üzerindeki Etkisi
Araştırmaya Duyulan Güvenin Kaybı
Bilim güvene dayanır: yöntemlerin dürüstçe raporlandığına, verilerin uydurulmadığına ve şekillerin deneysel sonuçları doğru biçimde temsil ettiğine duyulan güvene. Yapay zekâ görüntüleri manipüle etmek için kullanıldığında, bu güven doğrudan zedelenir. Özellikle klinik araştırmalar veya ilaç geliştirme gibi hassas alanlarda, az sayıdaki yüksek profilli sahtekârlık vakası bile yaygın bir şüphe ortamı yaratabilir.
Yanlış Yönlendirilmiş Araştırma ve Boşa Harcanan Kaynaklar
Sahte görüntüler yalnızca etik dışı değildir; aynı zamanda ilerlemeye zarar verir. Diğer bilim insanları kendi deneylerini uydurma veriler üzerine kurarsa, tüm araştırma hatları çarpıtılabilir. Gerçekte hiç var olmamış sonuçları tekrarlamaya çalışırken zaman, fon ve emek harcanabilir; bu da gerçek ilerlemeleri geciktirir ve daha umut vadeden çalışmaların önünü tıkar.
Geri Çekmeler, Yaptırımlar ve Zedelenen Kariyerler
Manipüle edilmiş görüntüler yayımdan sonra keşfedildiğinde, dergiler etkilenen makaleleri geri çekebilir. Geri çekmeler kamuya açıktır ve uzun vadeli sonuçlar doğurabilir:
- Yazarlar araştırma fonlarını, kariyer fırsatlarını veya akademik görevlerini kaybedebilir.
- Suistimale doğrudan dâhil olmamış olsalar bile ortak yazarlar ve kurumlar itibar kaybına uğrayabilir.
- Aşırı durumlarda, özellikle hasta güvenliği veya çevresel riskle ilgili alanlarda, hukuki veya düzenleyici kurumlar sürece dâhil olabilir.
Bilime Yönelik Kamu Güveninin Zedelenmesi
Hızlı iletişim ve sosyal medya çağında, bilimsel sahtekârlık vakaları hızla kamuoyuna ulaşır. Suistimal; kanser araştırmaları veya aşı geliştirme gibi alanlarda yapay zekâyla manipüle edilmiş görüntüleri içerdiğinde, komplo teorilerini besleyebilir, şüpheciliği körükleyebilir ve politika yapıcılar ile klinisyenlerin bilimsel tavsiyelere güvenmesini zorlaştırabilir. Bu nedenle görüntü bütünlüğünü korumak yalnızca akademi içindeki bir mesele değil, aynı zamanda kamu güveni meselesidir.
Görsel Manipülasyonunu Tespit Etmek İçin Yapay Zekâ Nasıl Kullanılır?
Neyse ki yapay zekâ yalnızca sorunun bir parçası değil, aynı zamanda çözümün de bir parçasıdır. Gelişmiş görsel düzenlemeyi mümkün kılan teknikler, kurcalama işaretlerini tespit etmek ve editörlerle incelemecilerin bilimsel literatürü korumasına destek olmak için kullanılabilir.
Yapay Zekâ Destekli Görsel Adli Analizi
Yapay zekâ tabanlı adli analiz araçları, manipülasyona işaret edebilecek ince düzensizlikler açısından görselleri analiz edebilir. Bu sistemler şunları tespit edebilir:
- Farklı görsellerdeki unsurlar birleştirildiğinde ortaya çıkan tutarsız piksel örüntüleri.
- Nesnelerin yapay olarak eklendiğini veya kaldırıldığını düşündüren aydınlatma ve gölgelendirme anomalileri.
- Görüntünün bir bölgesinin kopyalanıp başka bir yere yapıştırıldığı klonlama ve çoğaltma artefaktları.
Bu araçlar, yalnızca insan incelemecilerle mümkün olmayacak ölçekte çalışabilir; çok sayıda gönderiyi tarayarak şüpheli şekilleri daha ayrıntılı incelenmek üzere işaretleyebilir.
Görsel İntihali ve Yeniden Kullanım Tespiti
İntihal tespit hizmetlerinin metinleri büyük veri tabanlarıyla karşılaştırmasına benzer şekilde, uzmanlaşmış araçlar araştırma görsellerini daha önce yayımlanmış şekillerin depolarıyla karşılaştırabilir. Şunları tespit edebilirler:
- Birden fazla makalede görülen, ancak farklı deneylermiş gibi sunulan yeniden kullanılmış görseller.
- Farklı bağlamlarda kullanılan aynı görselin kırpılmış, döndürülmüş veya renkleri ayarlanmış sürümleri.
Bu, editörlerin kâğıt fabrikalarını veya aynı görsel verileri çok sayıda yayında yeniden kullanan seri ihlalcileri fark etmesine yardımcı olur.
Alana Özgü Görsellerde Örüntü Tanıma
Histoloji lamları, jel görselleri veya astronomik fotoğraflar gibi alana özgü veri kümeleriyle eğitilen makine öğrenimi modelleri, “normal” örüntülerin nasıl göründüğünü öğrenebilir. Ardından yapay üretime veya manipülasyona işaret edebilecek olasılık dışı yapıları veya dokuları tespit edebilirler.
Blok Zinciri ve Köken Takibi
Bazı kurumlar ve konsorsiyumlar, araştırma görsellerinin kökenini kaydetmek ve doğrulamak için blok zinciri tabanlı sistemleri deniyor. Ham görsellere edinildikleri anda benzersiz bir kriptografik imza atıp bu imzayı dağıtık bir defterde saklayarak, yayımlanmış bir görselin orijinal verilerle örtüşüp örtüşmediğini veya değiştirilip değiştirilmediğini doğrulamak mümkün hâle geliyor.
Hibrit İnsan–Yapay Zekâ İnceleme Modelleri
En iyi yapay zekâ araçları bile uzman değerlendirmesinin yerini tamamen alamaz. Birçok dergi, şu unsurları içeren hibrit iş akışlarına yöneliyor:
- Yapay zekâ sistemleri görselleri ön taramadan geçirir ve olası anomaliler hakkında raporlar oluşturur.
- Editörler ve deneyimli hakemler, ham verilerle ve çalışmanın anlatımıyla karşılaştırarak işaretlenen görüntüleri bağlam içinde değerlendirir.
Bu birleşim, nihai kararlar konusunda insan sorumluluğundan vazgeçmeden verimli tarama yapılmasını sağlar.
Yapay Zekâ Görüntü Manipülasyonunu Önleme: Politikalar ve En İyi Uygulamalar
Tespit önemlidir, ancak önleme çok daha iyidir. Yapay zekâ destekli görüntü manipülasyonuna güçlü bir yanıt, araştırmacıların, kurumların, fon sağlayıcıların ve yayıncıların eşgüdümlü eylemlerini gerektirir.
Açık Etik Kılavuzlar Oluşturun
Üniversiteler, araştırma enstitüleri ve dergiler, kabul edilebilir ve kabul edilemez görüntü işleme uygulamalarına ilişkin açık politikalar yayımlamalıdır. Bu politikalar şu ayrımı yapmalıdır:
- Netlik amacıyla tekdüze parlaklık/kontrast değişiklikleri veya küçük kırpmalar gibi izin verilen ayarlamalar.
- Özelliklerin silinmesi veya eklenmesi, görüntülerin açıklama yapılmadan birleştirilmesi ya da gerçekmiş gibi sunulan sentetik veriler oluşturmak için yapay zekâ kullanılması dâhil yasaklanmış manipülasyonlar.
- Yapay zekâ tabanlı araçlar (iyileştirme veya analiz amacıyla) kullanıldığında açıklama gereklilikleri.
Zorunlu Yapay Zekâ Tabanlı Görüntü Taramasını Entegre Edin
Dergiler, özellikle görüntü tabanlı kanıtların merkezi öneme sahip olduğu alanlarda, yapay zekâ destekli görüntü analizini rutin gönderim kontrollerine dâhil etmelidir. Bu, makaleler hakem değerlendirmesine veya yayıma ulaşmadan önce birçok sorunu yakalayabilir.
Ham Verileri ve Özgün Dosyaları Zorunlu Kılın
Doğrulamayı mümkün kılmak için dergiler, yazarların işlenmiş şekillerle birlikte ham görüntü dosyalarını (örneğin özgün mikroskopi veya görüntüleme verilerini) göndermelerini zorunlu kılabilir. Editörler ve hakemler daha sonra şunları yapabilir:
- Yayımlanan şekillerin asılları doğru biçimde yansıttığını kontrol edin.
- Yapay zekâ tabanlı her türlü işlemenin şeffaf ve gerekçelendirilmiş olduğunu doğrulayın.
Açık Veriyi ve Yeniden Üretilebilirliği Teşvik Edin
Ham görüntülerin, analiz komut dosyalarının ve meta verilerin güvenilir depolarda paylaşıldığı açık veri uygulamaları, diğer araştırmacıların görüntü tabanlı bulguları yeniden üretmesini ve yayımdan sonra olası sorunları tespit etmesini kolaylaştırır. Şeffaflık, usulsüzlüklere karşı güçlü bir caydırıcıdır.
Araştırmacıları Sorumlu Yapay Zekâ Kullanımı Konusunda Eğitin
Kariyerlerinin başındaki araştırmacılar, yapay zekâ tabanlı görüntü manipülasyonunun etik sınırlarını tam olarak kavramayabilir. Kurumlar şu konuları kapsayan eğitimler sunmalıdır:
- Meşru iyileştirme ile sahteci amaçlı değiştirme arasındaki fark.
- Yapay zekâ tarafından oluşturulan görüntüler ve deepfake’lerle ilişkili riskler.
- Görüntü işleme iş akışlarının belgelenmesi ve açıklanmasına yönelik en iyi uygulamalar.
Usulsüzlük Yaptırımlarını Güçlendirin
Yapay zekâ destekli görüntü sahtekârlığını caydırmak için, bu durum gerçekleştiğinde gerçek sonuçlar doğmalıdır. Olası yanıtlar şunları içerir:
- Etkilenen makalelerin açık açıklamalarla kamuya açık biçimde geri çekilmesi.
- Ciddi manipülasyon suçundan hüküm giyen yazarların gönderim yapmasının geçici veya kalıcı olarak yasaklanması.
- İşverenlere, fon sağlayıcılara ve uygun durumlarda düzenleyici kurumlara bildirimde bulunmak.
İnsan Denetimi ve Bağımsız Kontrolün Rolü
Sonuç olarak, yapay zekâ tek başına araştırma bütünlüğünü garanti edemez. Deneyleri tasarlamaktan, verileri yorumlamaktan ve görüntülerin ve şekillerin gerçeği doğru biçimde yansıtmasını sağlamaktan insanlar sorumlu olmaya devam etmelidir. Buna şunlar dahildir:
- Danışmanların, öğrenciler ve kariyerlerinin başındaki araştırmacılar tarafından hazırlanan şekilleri dikkatle incelemesi.
- Ortak yazarların gönderimden önce görüntüleri tutarsızlıklar açısından dikkatle incelemesi.
- Görüntü işleme aşırıya kaçmış veya belirsiz göründüğünde editörlerin ve hakemlerin açıklama ya da ham veri istemesi.
Birçok araştırmacı, makalelerini ve şekil açıklamalarını gönderimden önce bağımsız, insan redaktörlere ve editörlere inceletmeyi de tercih eder. Benzerlik puanlarını artırabilen veya anlamı istemeden değiştirebilen yapay zekâ ile yeniden yazma araçlarının aksine, profesyonel akademik redaksiyon, temel veri ve görüntüleri değiştirmeden açıklık, tutarlılık ve üsluba odaklanır; bu da yapay zekâ kullanımının giderek daha fazla mercek altına alındığı bir ortamda önemli bir güvence sağlar.
Sonuç
Yapay zekâ, bilimsel görüntülemeye kayda değer ilerlemeler getirerek daha net görüntüler, daha hızlı analiz ve daha verimli iş akışları sağladı. Ancak ince manipülasyonlardan tamamen sentetik “deepfake” sonuçlara kadar görüntü tabanlı yeni usulsüzlük biçimlerine de kapı açtı. Bu uygulamalar yalnızca tek tek çalışmaları değil, bir bütün olarak bilimsel girişimin güvenilirliğini de tehdit ediyor.
Etkili bir yanıt verebilmek için araştırma topluluğu, yapay zekâyı hem bir araç hem de bir risk faktörü olarak ele almalıdır. Yapay zekâ tabanlı adli analiz, görseller için intihal tespiti, örüntü tanıma modelleri ve blok zinciri kaynak takibi, manipülasyonu tespit etmede önemli roller üstlenir. Aynı zamanda sağlam etik yönergeler, araştırmacı eğitimi, ham verilerin zorunlu olarak sunulması, açık veri uygulamaları ve caydırıcı yaptırımlar, önleme açısından hayati önem taşır.
Güvenilir bilimin geleceği, çok katmanlı, hibrit bir yaklaşıma bağlı olacaktır: Yapay zekâ tarama yapmak, destek sunmak ve olası sorunları işaretlemek için kullanılacak; ancak nihai değerlendirmelerden ve etik denetimden insanlar sorumlu olmaya devam edecektir. Sorumlu yapay zekâ kullanımı güçlü insan incelemesiyle birleştirilerek ve yapay zekâ ile yeniden yazma gibi riskli kısa yollar yerine uzman akademik redaksiyon gibi şeffaf, insan odaklı destekler tercih edilerek araştırma topluluğu, bilimsel kayıtların bütünlüğünü gelecek nesiller boyunca korurken yapay zekânın güçlü yönlerinden yararlanabilir.
