تابستان گذشته، استاد راهنمای دورهً فوقدکترای پیتر دگن [۱] با مشکلی عجیب سراغ او آمد، یکی از مقالههایش بیش از حد مورد استناد قرار میگرفت. استنادها ارز رایج دنیای دانشگاهی هستند، اما این مورد فرق داشت. آن مقاله که در سال ۲۰۱۷ منتشر شده بود، دقت نوع خاصی از تحلیل آماری روی دادههای همهگیرشناسی [۲] را بررسی میکرد و طی سالها چند ده بار در پژوهشهای دیگر به آن ارجاع داده شده بود؛ عددی کاملاً قابلقبول. اما حالا تقریباً هر چند روز یک بار در مقالهای جدید به آن استناد میشد؛ آنقدر زیاد که به یکی از پراستنادترین آثار دوران حرفهای او تبدیل شده بود. شاید بعضی استادان از چنین چیزی خوشحال میشدند، اما استاد راهنمای دگن از او خواست علت را بررسی کند.
دگن که پژوهشگر فوقدکترا در مرکز علوم تجدیدپذیر و فرآوری پژوهش [۳]دانشگاه زوریخ است، متوجه شد همه مقالههایی که به پژوهش استادش استناد میکردند الگوی مشابهی دارند. درست مثل مقاله اصلی، آنها نیز به تحلیل و بررسی مطالعهً «بار جهانی بیماریها» (Global Burden of Disease) پرداخته بودند؛ مجموعهدادهای عمومی که توسط مؤسسه سنجش و ارزیابی سلامت [۴]در دانشگاه واشنگتن گردآوری شده است. اما این مقالات از این دادهها برای تولید انبوه پیشبینیهای ظاهرا بیپایان استفاده میکردند: احتمال سکته مغزی در آینده برای بزرگسالان بالای ۲۰ سال، سرطان بیضه در جوانان، آمار زمین خوردن سالمندان در چین، سرطان روده بزرگ در افرادی که به اندازه کافی غلات کامل مصرف نمیکنند، یا هر بیماری دیگری در هر جمعیت ممکنی.
دگن هنگام جستوجو در گیتهاب برای یافتن کدهای مورد استفاده در این نوع تحلیلها، به چند لینک رسید که او را به شبکه اجتماعی چینی بیلیبیلی (Bilibili) رساند. در آنجا با شرکتی در گوانگژو آشنا شد که کارش انتشار آموزشهایی بود در مورد اینکه چگونه میتوان با استفاده از ابزارهای نرمافزاری و کمک هوش مصنوعیهای متنی آنها، ظرف کمتر از دو ساعت یک پژوهش قابل انتشار تولید کرد. این پژوهشها چندان باکیفیت نبودند. پژوهشگرانی که بخشی از مقالات مرتبط با سردرد را بررسی کرده بودند، دریافتند که آنها پر از خطا و برداشتهای نادرست هستند. با این حال، دیگر مثل مقالههای هوش مصنوعی سالهای قبل بهوضوح پر از اشتباه نبودند و همین باعث شده بود تشخیصشان دشوارتر شود.
دگن میگوید: «این موضوع فشار عظیمی روی نظام داوری علمی وارد میکند؛ نظامی که همین حالا هم در انتهای ظرفیت خود قرار دارد. تعداد مقالات منتشرشده بیش از حد زیاد است و به اندازه کافی داور وجود ندارد. اگر مدلهای زبانی بزرگ تولید انبوه مقاله را اینقدر آسان کنند، این نظام بالاخره به نقطه فروپاشی میرسد».
“تناقض ماجرا اینجاست که هرچه این فناوری در تولید مقالات قابلقبول بهتر میشود، بحران عمیقتر میشود.”
خوشبینان به هوش مصنوعی مولد امیدهای زیادی به توانایی آن در ایجاد پیشرفتهای علمی آینده دارند؛ از تسریع کشفیات گرفته تا درمان انواع سرطان. اما در حال حاضر این فناوری یکی از ستونهای اصلی پژوهش علمی را تضعیف کرده و ویراستاران و داوران را با جریان بیپایانی از مقالات اشباع کرده است. تناقض ماجرا اینجاست که هرچه این فناوری در تولید مقالات قابلقبول بهتر میشود، بحران عمیقتر میشود.
در دهه گذشته، صنعت نشر علمی با پدیدهای به نام «کارخانههای مقالهسازی» دستوپنجه نرم کرده است؛ شرکتهای بازار سیاهی که بهصورت انبوه مقاله مینویسند و جایگاه نویسندگی آنها را به دانشگاهیان، پزشکان یا افرادی میفروشند که میخواهند رزومه پژوهشی خود را تقویت کنند. این بازی موش و گربهای پایانی نداشت؛ ناشران و داواران علمی (پژوهشگران کارآگاه) یک راه تقلب را میبستند و کارخانههای مقالهسازی راه جدیدی پیدا میکردند. هوش مصنوعی مولد برای این کارخانهها نعمت بزرگی بود. این فناوری به آنها کمک کرد با تولید متون و تصاویر کاملاً جدید، از سد ابزارهای تشخیص سرقت ادبی عبور کنند. با این حال، توهمات و اشتباهات آشکار مدلهای اولیه باعث میشد ناشران بتوانند بسیاری از این مقالات را شناسایی کنند. در عمل اما برخی از این مقالات منتشر میشدند و تنها زمانی پس گرفته میشدند که پژوهشگران کارآگاه به آنها برمیخوردند؛ مثلاً نموداری از یک موش با اندام تناسلی بزرگتر از نرمال که روی آن واژه عجیب «testtomcels» نوشته شده بود، یا متنی که در آن عبارتهایی مانند «بهعنوان یک دستیار هوش مصنوعی» باقی مانده بود و نویسنده فراموش کرده بود حذفشان کند.
اما حالا هوش مصنوعی آنقدر پیشرفت کرده که تقریباً راحتی قادر است مقالههایی قانعکننده بنویسد. همین موضوع به پژوهشگرانی که بهشدت به انتشار مقاله نیاز دارند اجازه میدهد خودشان نقش یک کارخانه مقالهسازی را بازی کنند. نتیجه سیلی از پژوهشهای بیکیفیت علمی خواهد بود که ممکن است کل نظام نشر، داوری، تأمین مالی پژوهش و ساختار فعلی علم را زیر آب ببرد.
“اگر به اندازه کافی قدرت پردازشی داشته باشید، میتوانید تمام ارتباطهای آماری ممکن را بررسی کنید و بالاخره به چند مورد برسید که قبلاً کسی دربارهشان ننوشته است. این همبستگیها اغلب سادهسازی گمراهکنندهای از پدیدههایی با علل متعدد یا صرفاً تصادفهای آماری هستند.”
مت اسپیک [۵] مدرس تحلیل دادههای سلامت و زیستپزشکی در دانشگاه سوری [۶]و ویراستار همکار مجله Scientific Reports، برای اولین بار زمانی با این پدیده آشنا شد که سه مقاله بسیار مشابه دریافت کرد که همگی دادههای عمومی پیمایش ملی سلامت و تغذیه آمریکا [۷](NHANES) را تحلیل میکردند. او در گوگل اسکالر جستوجو کرد و فهمید موضوع اتفاقی نیست. ناگهان سیلی از مقالاتی نوشته شده بودند که همگی از دادههای NHANES استفاده میکردند و همگی از یک فرمول ثابت پیروی میکردند. هر مقاله ادعا میکرد رابطهای جدید کشف کرده است؛ مثلاً بین مصرف گردو و عملکرد شناختی یا نوشیدن شیر کمچرب و افسردگی.
اسپیک میگوید: «اگر به اندازه کافی قدرت پردازشی داشته باشید، میتوانید تمام ارتباطهای آماری ممکن را بررسی کنید و بالاخره به چند مورد برسید که قبلاً کسی دربارهشان ننوشته است. بعد هم دربارهاش مقالهای منتشر کنید و بگویید میان این و آن همبستگی وجود دارد». به گفته او، این همبستگیها اغلب سادهسازی گمراهکنندهای از پدیدههایی با علل متعدد یا صرفاً تصادفهای آماری هستند. «یکی از مقالهها ادعا میکرد تعداد سالهایی که تحصیل کردهاید میتواند امکان بروز عوارض فتق پس از جراحی را پیشبینی کند! این فقط یک همبستگی تصادفی است. مهمتر اینکه چنین نتیجهای به چه کار من میآید؟ زودتر ترک تحصیل کنم تا بعدها دچار عوارض فتق نشوم؟».
در طول سالها، پژوهشگران کارآگاه روشهای مختلفی برای شناسایی مقالههای نامعتبر توسعه دادهاند. بعضی به دنبال «عبارات معذب [۸]» میگردند؛ مواردی که نویسنده برای دور زدن ابزارهای تشخیص سرقت ادبی، مقالهای را از فیلتر ابزارهای جایگزینی مترادفها عبور داده است. نتیجه معمولاً تبدیل اصطلاحات فنی به عباراتی بیمعناست؛ مثلاً تبدیل «یادگیری تقویتی [۹]» به چیزی شبیه «یادگیری کمکم آشنا شدن». گروه دیگری از کارآگاهان تصاویر تکراری را ردیابی میکنند، شبکه ارتباط نویسندگان را تحلیل میکنند یا به دنبال ارجاع به مقالات خیالی میگردند؛ که یکی از نشانههای کلاسیک استفاده از مدلهای زبانی است. اسپیک هم به دنبال مجموعههای بزرگی از مقالات میگردد که با یک قالب ثابت از دادههای عمومی استفاده کردهاند.
این مقالهها الزاماً اشتباه نیستند، هرچند اغلب گمراهکنندهاند. همچنین از نظر فنی تقلب علمی محسوب نمیشوند. مشکل این است که عملاً هیچ ارزشی ندارند و حالا ساختنشان فوقالعاده آسان شده است. سال گذشته چندین مجله علمی پذیرش مقالههایی که صرفاً به تحلیل دادههای عمومی پرداخته بودند را محدود کردند؛ تصمیمی که بخاطر هجوم گسترده پژوهشهای تکراری و کمارزش گرفته شد.
اسپیک نگران است که این اقدامات برای مقابله در جنگی باشد که دیگر تمام شده. در ماههای اخیر، شرکتهای هوش مصنوعی مجموعهای از دستیارهای علمی عاملمحور (Agentic) عرضه کردهاند که میتوانند با درجه بالایی از استقلال، دادهها را تحلیل کنند، فرضیه بسازند و مقالههای پژوهشی بنویسند. این سیستمها شاید گامی در مسیر علمِ شتابگرفته با هوش مصنوعی باشند، اما خطرات تازهای نیز به همراه دارند. وقتی پژوهشگران دانشگاه کارنگی ملون [۱۰]چند ابزار عاملمحور را آزمایش کردند، متوجه شدند که این ابزارها گاهی دادهها را از خود میسازند یا از روشهای گمراهکننده استفاده میکنند. با این حال، این خطاها تنها با بررسی دقیق تمام مراحل کار آشکار میشدند؛ مقاله نهایی کاملاً حرفهای و تر و تمیز به نظر میرسید.
اوایل امسال، زمانی که OpenAI از دستیار نگارش مقالهای به نام Prism رونمایی کرد، کوین ویل، معاون وقت بخش علوم این شرکت، پیشبینی کرد: «فکر میکنم سال ۲۰۲۶ برای هوش مصنوعی و علم همان چیزی باشد که سال ۲۰۲۵ برای هوش مصنوعی و مهندسی نرمافزار بود». اسپیک و چند نفر از همکارانش که در مورد میزان توانایی این ابزار کنجکاو بودند، دادههای یک مقاله منتشرشده درباره زمان رسیدن بادمجان و فلفل را به Prism دادند. این ابزار دادهها را تحلیل کرد، یک روش آماری جدید برای بررسی آنها پیشنهاد داد و سپس یک مقاله کامل همراه با نمودار و ارجاعات واقعی نوشت.
اسپیک به یاد میآورد: «همه به هم نگاه میکردیم و میگفتیم: لعنتی، انصافا کار خوبی ارائه داد»! برخلاف مقالههای تولیدشدهای که قبلاً دیده بود، این یکی از یک قالب تکراری پیروی نمیکرد و بر پایه یک پایگاه داده مشهور واحد هم نبود. کل فرایند فقط ۲۵ دقیقه و ۵۰ ثانیه طول کشیده بود.
او میگوید: «واقعاً نمیدانم چه زمانی قراره به خودمون بیایم و بفهمیم تعداد بیشتری از این مقالهها از فیلترهای داوری عبور کردهاند، چون دیگر بهراحتی نمیتوانیم تفاوت آنها را تشخیص دهیم».
به گفته اسپیک،[۱۱] این موضوع پرسشهای فلسفی مهمی مطرح میکند: اگر اطلاعات درست باشند، اصلاً مهم است که چه کسی یا چه چیزی مقاله را نوشته؟ و آیا علم باید از این به بعد هر حقیقت ممکنی را منتشر کند؟
او میگوید: «قرار است علم نقش صافی را بازی کند. ما باید چیزهایی را منتشر کنیم که فکر میکنیم جالب و ارزشمندند، نه اینکه هر چیزی را که پیدا میکنیم منتشر کنیم. چون اگر این کار را بکنیم، انگار صرفاً علم جهان را با انبوهی از دادهها اسپم کرده است؛ بدون توجه به اینکه آیا واقعاً دانش جدیدی تولید شده یا نه. در میانمدت تقریباً توانایی تشخیص اینکه چه چیزی معنادار و چه چیزی بیارزش است هم از بین میرود».
“بهطوری که تشخیص اینکه یک مقاله توسط یک استاد باتجربه نوشته شده، یا کاملاً توسط هوش مصنوعی، یا توسط پژوهشگری جوان که از هوش مصنوعی بهعنوان ویراستار استفاده کرده، بسیار دشوار شده است.”
عاملهای هوش مصنوعی دقیقا همین چالش فنی و ضروری را ایجاد کردهاند. وجود آنها تهدیدی برای سرنگونی نظامهای انسانی تولید و سازماندهی دانش است. نهادهای تأمین مالی پروژههای پژوهش اکنون با موجی از درخواستهای گرنت مواجهاند که کاملاً متناسب با شرایط هر فراخوان نوشته شدهاند و تشخیص اینکه کدام پروژه حاصل سالها کار پژوهشی است و کدام در چند دقیقه تولید شده، برایشان دشوار شده است. برگزارکنندگان کنفرانسها، سردبیران و داوران مجلات نیز همگی درگیر بررسی سیلی از مطالبی هستند که در نگاه اول آنقدر خوب به نظر میرسند که ارزش مطالعه کامل و دقیق دارند. میان زمانی که برای تولید یک کار جدید لازم است و زمانی که یک متخصص برای ارزیابی آن نیاز دارد، عدم توازن عظیم و رو به رشدی به وجود آمده است.
برای ماریت مو-پرایس [۱۲] مدیر اجرایی مجله روابط بینالملل Security Dialogue، تعداد مقالههای ارسالی نسبت به سال قبل ۱۰۰ درصد افزایش یافته است. اما مشکل فقط تعداد نیست. همه مقالهها حالا نسبتاً قابل قبول هستند. دیگر خبری از توهمات آشکار، دستورهای پاکنشده یا اشتباهات فاحش نیست. همهچیز ناگهان منسجم، خوشساختار و از نظر سبک نوشتاری شبیه به هم شده است؛ بهطوری که تشخیص اینکه یک مقاله توسط یک استاد باتجربه نوشته شده، یا کاملاً توسط هوش مصنوعی، یا توسط پژوهشگری جوان که از هوش مصنوعی بهعنوان ویراستار استفاده کرده، بسیار دشوار شده است.
مو-پرایس میگوید: «مشکل اصلی که الان از پشت میز سردبیری شاهدش هستم این است که، مرز میان مقالههای جعلی و مقالههای واقعی دانشگاهی در حال محو شدن است. نتیجه، تودهای خاکستری از مقالههاست که ما سردبیران باید بنشینیم و سعی کنیم بفهمیم: این چیست؟ آیا ارزش وقت گذاشتن دارد یا نه؟»
یکی از مقالهها از دستکم ۱۰ سردبیر و دو دور داوری تخصصی عبور کرده بود تا اینکه او متوجه یک ارجاع جعلی شد؛ ارجاعی کاملاً باورپذیر که نام چند سردبیر سابق مجله را روی موضوعی داشت که ممکن بود درباره آن نوشته باشند اما هرگز ننوشته بودند. وقتی بیشتر جستوجو کرد، چند ارجاع جعلی دیگر هم پیدا شد. او نمیداند این توهمات در کدام مرحله وارد مقاله شدهاند، اما این اتفاق نشان داد که برای جلوگیری از انتشار مطالب نادرست، چه دقت بالایی لازم است. حالا که مدلها روزبهروز بیشتر به مقالات واقعی ارجاع میدهند، داوران مجبورند بررسی کنند که آیا منابع استفادهشده همانهایی هستند که یک متخصص واقعی باید انتخاب کند یا نه؛ زیرا هوش مصنوعی هنوز تفاوت میان آثار کلاسیک و مرجع یک حوزه با مقالات حاشیهایتر را بهخوبی درک نمیکند.
او میگوید: «این کار فوقالعاده جزئی و زمانبر است و در اصل بخشی عادی از وظایف سردبیری محسوب میشود. تفاوت اینجاست که حالا باید همین کار را برای تمام زبالههایی که وارد نظام علمی میشوند انجام دهید. به همین دلیل حجم کار ما غیرقابلمدیریت شده است».
مقالههای علمی پیش از انتشار از چندین مرحله داوری عبور میکنند. ابتدا دستنوشتهها برای یافتن مشکلات آشکار غربال میشوند. سپس به سردبیر مجله میرسند تا تصمیم بگیرد آیا ارزش بررسی بیشتر دارند یا نه. اگر پاسخ مثبت باشد، مقاله به سردبیر مسئول آن حوزه تخصصی فرستاده میشود. او نیز آن را ارزیابی میکند و سپس دو یا سه متخصص مربوطه را، همان «همتایان» در فرایند داوری همتا، برای مطالعه مقاله و ارائه نظر دعوت میکند. نکته مهم این است که سردبیران و داوران معمولاً هیچ دستمزدی دریافت نمیکنند و این کار را داوطلبانه در کنار شغل اصلی دانشگاهی خود انجام میدهند.
سیستم داوری علمی از قبل هم زیر فشار حجم فزاینده مقالات قرار داشت و اکنون هوش مصنوعی هم تعداد مقالهها را افزایش داده و هم تشخیص مقالههای ضعیف را دشوارتر کرده است. مو-پرایس اکنون زمان بیشتری را صرف غربال اولیهً مقالهها میکند و سپس مقالات را برای داوران احتمالی که خودشان نیز زیر فشار کارهای خود قرار دارند میفرسند. آنها نیز رفته رفته، کمتر و کمتر پاسخ میدهند. او میگوید قبلاً از هر چهار دعوتنامه، سه پاسخ دریافت میکرد. حالا برای گرفتن دو داور باید دوازده درخواست بفرستد. گاهی هم با بیست داور تماس میگیرد و هیچ پاسخی دریافت نمیکند.
“در حال حاضر هوش مصنوعی ظرفیت آن را دارد که کل نظام نشر علمی را نابود کند”
«این کار خیلی خستهکنندهست. تعداد مجلات علمی مثل قارچ رشد کرده و بعد هوش مصنوعی هم به همه، چه متقلبین و چه غیرمتقلبین، کمک کرده تا سریعتر و بیشتر تولید کنند. نتیجه، افزایش وحشتناک حجم کار است. در حال حاضر هوش مصنوعی ظرفیت آن را دارد که کل نظام نشر علمی را نابود کند».
مجله Accountability in Research نیز امسال با افزایش ۶۰ درصدی مقالات ارسالی روبهرو شده است. به گفته دیوید رزنیک [۱۳]، سردبیر مسئول این مجله، طنز تلخ ماجرا آنجاست که تعداد زیادی مقاله درباره تقلب علمی به دست او میرسند که احتمالاً توسط هوش مصنوعی نوشته شدهاند؛ مقالههایی که از دادههای عمومی گردآوریشده توسط Retraction Watch استخراج شدهاند.
او هم برای یافتن داور با مشکل مواجه است. گاهی مجبور میشود ۲۰ دعوتنامه ارسال کند تا فقط دو پاسخ دریافت کند. حتی به بعضی از پاسخهایی که میگیرد نیز مشکوک است و فکر میکند شاید آنها هم با هوش مصنوعی نوشته شده باشند. این شک بیدلیل نیست. نظرسنجی سال گذشته انتشارات Frontiers نشان داد بیش از نیمی از پژوهشگران از هوش مصنوعی در فرایند داوری مقالات استفاده کردهاند.
رزنیک میگوید: «واقعاً نگرانم که این وضعیت فشار بیش از حدی به سیستم داوری وارد کند و کمر آن را بشکند».
عاملهای هوش مصنوعی در زمانی وارد میدان شدهاند که سازوکارهای کنترل کیفیت دانشگاهی از قبل هم در مقابله با حجم عظیم مقالات دچار مشکل بودند. بر اساس تحلیلی که در مجله Quantitative Science Studies منتشر شده، تعداد مقالههای علمی در سالهای اخیر بهصورت تصاعدی رشد کرده است، در حالی که تعداد فارغالتحصیلان دکتری که میتوانند آنها را داوری کنند چنین رشدی نداشته است. متأسفانه نویسندگان آن پژوهش این انفجار تولیدات علمی را نه حاصل پیشرفت سریع علم، بلکه نتیجه همسو شدن انگیزههای تجاری و حرفهای برای انتشار حداکثری مقالهها میدانند.
“تمرکز موضوعی پژوهشها محدودتر شده است، زیرا پژوهشگران بیشتر به سراغ حوزههای مطالعهشدهای میروند که دادههای فراوان و آمادهً زیادی برای تحلیل توسط هوش مصنوعی دارند.”
بسیاری از مجلات به مدل «دسترسی آزاد [۱۴]» روی آوردهاند؛ مدلی که در آن بهجای دریافت حق اشتراک از خوانندگان، هزینه انتشار از نویسندگان دریافت میشود. در صورتهای مالی انتشارات علمی، افزایش ۲۰ درصدی یا بیشتر در تعداد مقالات ارسالی بهعنوان نشانه رشد مثبت معرفی میشود. از سوی دیگر، دانشگاهها و نهادهای تأمین مالی هنگام تصمیمگیری درباره ارتقا یا حمایت مالی از پژوهشگران به شاخصهای انتشار آنها نگاه میکنند. همین باعث شده پژوهشگران زیر فشار دائمی «منتشر کن یا حذف شو» قرار بگیرند. این فشار فقط محدود به دانشگاهیان سنتی نیست. دانشجویان پزشکی خارجی میتوانند با داشتن چند مقاله داوریشده شانس پذیرش خود در دورههای رزیدنتی آمریکا را افزایش دهند. در چین نیز پزشکان انگیزه زیادی برای انتشار مقاله دارند، در حالی که نه زمان کافی برای پژوهش دارند و نه منابع لازم را. در نتیجه، تولید سریع مقاله به گزینهای جذاب تبدیل شده است.
اگر یک ماشین بینهایت تولید مقاله را وارد نظامی کنید که بهرهوری را با تعداد مقالههای منتشرشده میسنجد، طبیعی است که پژوهشگران از آن برای نوشتن تعداد مقالات بیشتری استفاده کنند. مطالعهای که امسال در Nature منتشر شد نشان داد دانشمندانی که از هوش مصنوعی استفاده میکنند سه برابر بیشتر مقاله منتشر میکنند و تقریباً پنج برابر بیشتر استناد دریافت میکنند. آنها همچنین بهطور متوسط ۱.۳۷ سال زودتر از دیگران به مقام ریاست پروژههای پژوهشی میرسند. اما این موفقیت فردی ممکن است برای علم، یک فعالیت جمعی زیانبار باشد. همان مطالعه نشان داد که تمرکز موضوعی پژوهشها محدودتر شده است، زیرا پژوهشگران بیشتر به سراغ حوزههای مطالعهشدهای میروند که دادههای فراوان و آمادهً زیادی برای تحلیل توسط هوش مصنوعی دارند.
برای حل این مشکل راهحل سادهای وجود ندارد. در سال ۲۰۲۲، سازمان STM طرحی به نام Integrity Hub را برای مقابله با کارخانههای مقالهسازی راهاندازی کرد. به گفته یوریس فان روسوم [۱۵]، مدیر برنامه این پروژه، از آن زمان تاکنون این طرح درگیر یک «مسابقه تسلیحاتی» با هوش مصنوعی بوده است: ابتدا ابزارهای تشخیص سرقت ادبی، سپس شناسایی عبارتهای عجیب و بعد تشخیص ارجاعات جعلی. اما اکنون گروه ناچار است به راهحلهای اساسیتری فکر کند.
او میگوید: «ما آیندهای را تصور میکنیم که در آن بهجای تلاش برای کشف جعل، پژوهشگران بتوانند اصالت کار خود را اثبات کنند». یعنی زمانی که تشخیص مقالههای جعلی تقریباً ناممکن شود، ناشران باید راهی پیدا کنند تا پژوهشگران واقعی بودن کارشان را ثابت کنند؛ مثلاً از طریق واترمارکگذاری تصاویر علمی یا ارائه دادههای خام بیشتری برای تحلیل نشانههای مشکوک.
اجرای چنین طرحی مستلزم تغییر گسترده در شیوه انجام پژوهش است و حتی اگر بتواند تقلبهای آشکار را کاهش دهد، مشکل حجم عظیم مقالات را حل نخواهد کرد. استفاده از هوش مصنوعی برای کمک به داوری مقالات نیز، راهکاری که بعضی پیشنهاد کردهاند و برخی داوران همین حالا هم از آن استفاده میکنند، مجموعهای از خطرات تازه به همراه دارد. مطالعات نشان دادهاند که مدلهای هوش مصنوعی همچنان به مقالات پسگرفتهشده ارجاع میدهند، نقدهای ظاهراً خوب اما سطحی مینویسند و گاهی مشکلات روششناختی را نادیده میگیرند. همچنین به نظر میرسد داوران هوش مصنوعی به متنهای تولیدشده توسط هوش مصنوعی علاقه بیشتری نشان میدهند.
“البته که به علم بیشتری نیاز داریم، اما آیا واقعاً به مقالههای بیشتری هم نیاز داریم؟”
ریس ریچاردسون [۱۶] پژوهشگر فوقدکترا در دانشگاه نورثوسترن [۱۷] که روی مقالات تولید انبوه مطالعه میکند، میگوید: «این واقعاً مسئلهای نیست که بتوان بهسادگی حلش کرد. فکر میکنم تنها راه خروج از این وضعیت، تغییر نحوه ارزشگذاری و توزیع اعتبار و منابع در علم است. تا زمانی که در این مسابقه فوقرقابتی و نابرابر، ارزش یک دانشمند با تعداد مقالات و میزان استنادها سنجیده شود، این رفتارها همچنان تشویق خواهند شد».
ونسان لاریوییر [۱۸]، سردبیر ارشد Quantitative Science Studiesنیز دیدگاه مشابهی دارد. مجله او امسال با رشد ۴۰ درصدی مقالات ارسالی روبهرو شده است. او میگوید: «ما به اصلاحی اساسی در معیارهای ارزشمندی علم نیاز داریم».
به اعتقاد او، برابری بهرهوری علمی با تعداد مقالهها مسیر علم را منحرف کرده و پژوهشگران را به سمت مسائل کوچک و قابلحل سوق داده است؛ مسائلی که تضمین میدهند نگارش مقاله در مورد آنها مساوی با انتشار است. او معتقد است هوش مصنوعی میتواند کارهای بزرگی انجام دهد؛ از درمان سرطان گرفته تا توسعه انرژی همجوشی هستهای. اما در حال حاضر بیشتر برای تولید مقالههایی استفاده میشود که فقط رزومه افراد را پُر کنند.
او در پایان میگوید: «البته که به علم بیشتری نیاز داریم، اما آیا واقعاً به مقالههای بیشتری هم نیاز داریم؟»
