Tıbbi Bilimsel Yayıncılıkta Yapay Zeka Uygulamaları

Özet

Üretken yapay zeka (YZ) ve büyük dil modellerinin (BDM) birçok alanda olduğu gibi tıbbi bilimsel yayıncılıkta da hızla kullanılmaya başlanması, bu alanda belirgin bir dönüşümü tetiklemiştir. YZ uygulamaları, taslak hazırlama, düzenleme ve akran değerlendirmesi süreçlerinde benzeri görülmemiş bir verimlilik ve hız sunarken, aynı zamanda önemli etik sorunları da gündeme getirmiştir. Bu makalede, akademik yayıncılıkta YZ’nin avantajları ve sınırlılıkları incelenmiş; yazarlar, akran değerlendiriciler ve editörler açısından uygulama alanları ve sorumluluklar değerlendirilmiştir. Ayrıca veri halüsinasyonu, makale üretim fabrikalarının (paper mills) yaygınlaşması, algoritmik önyargı ve görsel içeriğin manipülasyonu gibi başlıca etik zorluklar ele alınmıştır. Son olarak, tıbbi yayıncılıkta YZ kullanımına ilişkin güncel politikalar analiz edilmiş ve YZ tespit araçlarının güvenilirliği sorgulanmıştır.

1. Giriş

YZ ve doğal dil işleme modellerinin ortaya çıkışıyla birlikte bilimsel araştırma ve akademik yayıncılık alanında adeta yeni bir dönem başlamıştır (1,2). Sağlık alanında yaygınlaşan yüksek kapasiteli konuşma ajanları, akademisyenlerin literatür tarama, sentezleme, veri analizi ve makale yazma süreçlerini önemli ölçüde değiştirmiştir. Bu dönüşüm, bilimsel yayıncılığın diğer temel aktörleri olan hakemlerin ve editörlerin görev ve sorumluluklarını da yeniden şekillendirmiştir (1-3).

Bu hızlı teknolojik dönüşüm, bilimsel yayıncılık süreçlerinde önemli kolaylıklar sağlarken akademik üretimin hızını da belirgin biçimde artırmıştır. Bununla birlikte, uzun yıllar içinde çerçevesi belirginleşmiş bilimsel yayıncılık etiği açısından ciddi sorunları da beraberinde getirmiştir. YZ, kapasitesi ve sağladığı hız sayesinde araştırma iş akışlarını kolaylaştırmış ve insan zekâsını destekleyen güçlü bir araç hâline gelmiştir. Öte yandan, gerek yabancı dil desteğinin gerek bilimsel kaynaklara erişimin kolaylaşması, farklı gelişmişlik düzeylerine sahip ülkeler arasında bilimsel yayıncılık açısından görece bir fırsat eşitliği yaratmıştır. Ancak bu teknolojinin eleştirel olmayan bir biçimde benimsenmesi, bilimsel literatürün temel bütünlüğünü, tekrarlanabilirliğini ve güvenilirliğini tehdit edebilmektedir (1,3,5).

YZ uygulamaları tutarlı ve insan benzeri metinler üretme konusunda giderek artan bir yetenek sergiledikçe, insan tarafından yazılmış içerik ile makine tarafından üretilmiş içeriği ayırt etmek de giderek zorlaşmaktadır. Buna bağlı olarak akademi, bilimsel yayın hazırlamada YZ kullanımının etik boyutunu yoğun biçimde tartışmaya başlamıştır (5-7). Bu derlemenin amacı, yapay zekânın tıbbi yayıncılık üzerindeki etkisini kapsamlı biçimde incelemektir. Bu doğrultuda, YZ’nin pratik uygulamaları analiz edilmekte; yazarlar, hakemler ve editörler için etik sınırlar tartışılmakta; ayrıca kullanımını düzenleyen gelişen politika çerçeveleri değerlendirilmektedir. Bu derlemede üretken yapay zekânın tıbbi bilimsel yayıncılıktaki rolü üç temel paydaş perspektifinden ele alınmaktadır: yazarlar, akran değerlendiriciler ve editörler. Buna ek olarak araştırma dürüstlüğü, başlıca etik riskler ve gelişmekte olan editoryal politika çerçeveleri de tartışılmaktadır.

2. Yazarlar için Uygulamalar ve Sorumluluklar

2.1 Akademik Yazımda Demokratikleşme ve Verimlilik

Sağlık alanı yayıncılığında üretken YZ’nin en yaygın kabul gören yararlarından biri, özellikle ana dili İngilizce olmayan araştırmacılar açısından yazım sürecinde fırsat eşitliği yaratma, başka bir deyişle demokratikleştirici bir potansiyel taşımasıdır (3,8). Tarihsel olarak ana dili İngilizce olmayan araştırmacılar, pahalı ve zaman alıcı çeviri ile dil düzenleme hizmetlerini gerektiren önemli engellerle karşı karşıya kalmışlardır (6). BDM’ler, gelişmiş gramer düzeltme, sözdizimi iyileştirme ve genel dil geliştirme özellikleri sunarak bu boşluğu etkili biçimde doldurabilmektedir (1,9). YZ araçları, akademik makalelerin okunabilirliğini ve açıklığını artırarak küresel akademik alanda daha eşitlikçi bir zeminin oluşmasına katkıda bulunmakta ve bilimsel çıktının dil becerisinden çok metodolojik değeri üzerinden değerlendirilmesine yardımcı olmaktadır (3,6,9). Ayrıca YZ, yazarların verileri düzenlemesine, mevcut literatürü sentezlemesine ve makaleleri için yapısal çerçeveler oluşturmasına da destek olabilmektedir (10).

2.2 Yazarlık Haklarının Kaybı

Söz konusu kapasite ve sağladığı kolaylıklara rağmen, Uluslararası Tıp Dergisi Editörleri Komitesi (ICMJE), Dünya Tıp Editörleri Birliği (WAME) ve Yayın Etiği Komitesi (COPE) dâhil olmak üzere uluslararası bilimsel yayıncılık kuruluşları arasında, YZ araçlarının yazar olarak kabul edilemeyeceği konusunda küresel bir görüş birliği vardır (5,6,11,12). Yazarlık; ahlaki sorumluluk, yasal statü ve bir eser için kamuya karşı hesap verebilirlik üstlenmeyi gerektirir (5,13). YZ araçları çıkar çatışması beyanlarını anlayamaz veya imzalayamaz; ayrıca veri uydurma ya da fikri mülkiyet ihlali durumlarında yasal olarak sorumlu tutulamaz (3,6,14). Sonuç olarak, başlıca yayıncılık etiği kılavuzları üretken YZ’nin katkıda bulunan bir yazar olarak değil, destekleyici bir araç olarak konumlandırılması gerektiğini açıkça belirtmektedir (11,12,15).

2.3 İnsan Sorumluluğunun Zorunluluğu

YZ yazarlık hakkına sahip olamayacağı için, insan yazarlar sundukları makalelerin doğruluğu, özgünlüğü ve bütünlüğü konusunda nihai ve mutlak sorumluluğu üstlenmek zorundadır. YZ tarafından üretilen tüm çıktıları doğrulamak için insan gözetimi vazgeçilmezdir (5,13). Yazarlar, YZ destekli içerikte, modelin telif hakkıyla korunan eğitim verilerini yeniden üretmesi sonucu ortaya çıkabilecek kasıtsız intihal bulunmadığından emin olmalıdır (2,6). YZ gerçek bilimsel muhakeme yeteneğinden yoksun olduğundan, yazarlar gönderimden önce YZ katkılarını eleştirel biçimde gözden geçirmeli ve onaylamalı; temel fikirlerin, yorumların ve klinik çıkarımların tamamen insan kaynaklı olduğundan emin olmalıdır (4,13).

3. Akran Değerlendiricileri için Uygulamalar ve Riskler

3.1 İnceleme İş Akışlarının İyileştirilmesi

Bilimsel yayınların katlanarak artması, geleneksel akran değerlendirme sistemine büyük bir yük bindirmiş; bu durum hakem yorgunluğuna ve yayın süreçlerinde gecikmelere yol açmıştır (1,4,16). Üretken YZ, değerlendiricilere geri bildirimlerini düzenlemede, uzun makaleleri özetlemede, standart raporlama kılavuzlarına (CONSORT, PRISMA gibi) uygunluğu kontrol etmede ve yapıcı, kibar bir üslupla değerlendirme raporları hazırlamada yardımcı olarak potansiyel bir çözüm sunmaktadır (1,13).

3.2 Gizlilik İhlali

Ancak akran değerlendirmesinde YZ kullanımı ciddi etik ve yasal riskler doğurur; bunların başında gizlilik ihlali gelmektedir (17,18). Yayınlanmamış ve özel nitelikteki bir makalenin halka açık bir YZ platformuna yüklenmesi, akran değerlendirme sürecinin temel gizlilik yükümlülüklerini ihlal eder (4,17,18). Halka açık BDM’ler, yüklenen makaleyi eğitim verilerine dâhil edebilir; bu durum hassas hasta verilerinin ifşa edilmesi, fikri mülkiyet ihlali ve yeni bulguların zamansız biçimde yayılması riskini doğurur. Bu nedenle hakemlerin, gizli makaleleri değerlendirmek amacıyla güvenli olmayan halka açık YZ platformlarını kullanmamaları kesinlikle tavsiye edilir (6,13,18).

3.3 Bilimsel Değerlendirmedeki Sınırlamalar

YZ, dilbilimsel görevlerde üstün performans gösterse de karmaşık bilimsel metodolojileri gerçek anlamda değerlendirmek veya bir çalışmanın gerçek yenilik düzeyini ölçmek için gereken incelikli uzmanlıktan yoksundur (1,19). Ayrıca, alan-özel metodolojik değerlendirme ve bağlamsal bilimsel muhakeme gerektiren durumlarda önemli sınırlılıkları bulunmaktadır. ChatGPT’nin insan akran değerlendiricilerini taklit etme yeteneğini inceleyen nitel bir çalışmada, YZ yorumlarının %78,5 oranında insan değerlendiricilerle uyuşmadığı gösterilmiştir. Aynı çalışmada, YZ’nin özellikle metodolojik eleştiri geliştirme ve çalışmanın bağlamını yorumlama konularında zorlandığı görülmüş; bu bulgu da insan yargısının yerini alamayacağını ortaya koymuştur (19). Ayrıca YZ modelleri, klinik tıp araştırmalarının doğası gereği ihtiyatlı üslubunu ve kesin sayısal verilerini zaman zaman yanlış yorumlayabilmektedir (1).

4. Editörler için Fırsatlar ve Zayıf Yönler

4.1 Editoryal Ön Seçim ve Hakem Eşleştirmesinin Kolaylaştırılması

Dergi editörleri, YZ’yi kullanarak idari iş akışlarını önemli ölçüde kolaylaştırabilir (1). YZ algoritmaları; ilk makale taraması, referansların doğrulanması, yinelenen gönderimlerin saptanması ve hızlı editoryal triyaj için içeriğin özetlenmesi gibi süreçlerde yardımcı olabilir (13). Ayrıca YZ, makaleleri uygun hakemlerle eşleştirme konusunda da umut vaat etmektedir (1,4). Araştırmalar, gelişmiş doğal dil işleme modellerinin farklı coğrafi bölgelerdeki uzman bilim insanlarını doğru biçimde tanımlayabildiğini ve editörlerin hakem havuzundaki tarihsel cinsiyet ile coğrafi önyargıları azaltmasına yardımcı olabileceğini göstermektedir (8).

4.2 Gizli Komutların Tehdidi

Editörlük sürecinde ortaya çıkan yeni güvenlik açıklarından biri, “gizli komutlar” yoluyla YZ araçlarının manipüle edilmesidir. Yazarlar, YZ tarama yazılımını veya YZ destekli akran değerlendiricilerini aldatmak amacıyla özel olarak tasarlanmış görünmez metinleri (örneğin beyaz arka plan üzerine beyaz metin) makalelerine gömebilirler. Bu gizli talimatlar, YZ’yi metodolojik hataları gözden kaçırmaya ya da haksız yere olumlu geri bildirim üretmeye yönlendirerek akran değerlendirme sürecinin bütünlüğünü bozabilmektedir (3,20).

5. Başlıca Etik Zorluklar ve Araştırma Dürüstlüğü

5.1 Halüsinasyonlar, Uydurma Veriler ve Bilimsel Makale Fabrikaları

Üretken YZ’nin başlıca sınırlamalarından biri, gerçekte var olmayan metinler, olgular ve referanslar üretebilmesi, yani literatürde “halüsinasyon” olarak adlandırılan hatalara yol açabilmesidir (6,9). Araştırmalar, YZ’nin sahte DOI’lere ve var olmayan makalelere işaret eden, inandırıcı başlıklar içeren hayali alıntıları kolaylıkla üretebildiğini göstermiştir. Bu yetenek, kâr amacıyla düşük kaliteli ve sahte araştırmaları toplu olarak üreten akademik “makale fabrikalarının” faaliyetlerini önemli ölçüde kolaylaştırmaktadır. YZ, bu yasa dışı yapıların geleneksel kalite kontrollerini aşarak sentetik verileri ve ikna edici makaleleri hızla üretmesine olanak tanıyabilmektedir (6,9).

5.2 Algoritmik Önyargı ve Beceri Kaybı

YZ modelleri, kaçınılmaz olarak tarihsel, coğrafi ve demografik önyargılar içeren geniş veri kümeleri üzerinde eğitilmektedir. Sonuç olarak, YZ tarafından üretilen içerik bu önyargıları istemeden sürdürebilir; Batı kurumlarının veya tarihsel olarak baskın demografik grupların araştırmalarını orantısız biçimde kayırırken, daha az temsil edilen bölgelerin katkılarını göz ardı edebilir (4,21). Ayrıca “beceri kaybı” konusunda da ciddi endişeler bulunmaktadır. Literatürde zaman zaman “cognitive offloading” ya da “AI-induced deskilling” ile ilişkilendirilen bu risk çerçevesinde, YZ araçlarına aşırı güvenmek araştırmacıların eleştirel düşünme, bilimsel akıl yürütme ve analitik yazma gibi temel becerilerini aşındırabilir; bu durum da bilim camiasının gelecekteki entelektüel kapasitesini olumsuz etkileyebilir (4,21,22).

5.3 Görsel İçerik ve Görüntü Manipülasyonu

Plastik cerrahi ve radyoloji gibi görsel yoğunluğu yüksek tıp uzmanlık alanlarında, YZ görüntü manipülasyonu ile ilişkili özgün riskler oluşturmaktadır. Klinik fotoğrafları ve radyolojik görüntüleri değiştirmek, sentezlemek veya oluşturmak amacıyla YZ kullanımı, hasta onayı, veri özgünlüğü ve klinik yorumlama açısından ciddi tehditler doğurmaktadır (10). Bilimsel görüntülerin oluşturulmasında veya değiştirilmesinde YZ kullanımının açıklanması zorunludur ve birçok bilimsel dergi, YZ kullanılarak birincil araştırma verilerinin ya da klinik görüntülerin manipülasyonunu kesin biçimde yasaklamaktadır (10,13).

6. Politika Ortamı ve YZ Algılamanın Sınırları

6.1 YZ Tespit Araçlarının Güvenilmezliği

YZ tarafından üretilen metinlerin sayısındaki artışa yanıt olarak, yayıncılar başlangıçta YZ metin algılama yazılımlarına yönelmiştir. Ancak kapsamlı araştırmalar, bu araçların güvenilir olmadığını ve önemli oranda yanlış pozitif ile yanlış negatif sonuçlar üretebildiğini göstermektedir (12). YZ algılayıcılar sıklıkla önyargılı davranmakta ve özellikle ana dili İngilizce olmayan kişiler tarafından yazılmış metinleri, yanlış biçimde YZ tarafından üretilmiş olarak sınıflandırabilmektedir (2). Bunun yanında, deneyimli kişiler de YZ ile insan eliyle yazılmış metinler arasında güvenilir bir ayrım yapamayabilmektedir. Bir çalışmada, kör değerlendirmelerde deneyimli beyin cerrahlarının, ChatGPT tarafından üretilen makaleleri okunabilirlik, ölçütlerin karşılanması veya ayrıntı düzeyi açısından insan tarafından yazılmış metinlerden ayırt edemediği gösterilmiştir (23).

6.2 Şeffaf Açıklamanın Gerekliliği

Algılama yazılımlarının doğasında bulunan eksiklikler nedeniyle, bilimsel yayıncılık camiası yasaklayıcı yaklaşımdan zorunlu ve şeffaf açıklama çerçevesine yönelmektedir. Yazarların, hangi YZ araçlarını kullandıklarını (sürümleri dâhil), bu araçları hangi amaçlarla kullandıklarını ve YZ’nin makalenin hangi bölümlerinde kullanıldığını açıkça belirtmeleri giderek daha fazla talep edilmektedir. Bu açıklamalar, editörlerin, hakemlerin ve okuyucuların çalışmayı bağlamına oturtarak insan ve makine katkılarının derecesini değerlendirmelerine olanak tanımaktadır (11,15).

6.3 Tutarsız Yönergeler

YZ kullanımına ilişkin standartlaştırılmış politikalara yönelik çağrılar artmış olsa da, mevcut yönergeler hâlen parçalı ve heterojen bir yapı sergilemektedir. En üst düzey tıp dergileri genellikle belirli YZ politikalarına sahipken, daha alt düzeydeki birçok dergide herhangi bir kılavuz bulunmamaktadır (15). Örneğin yakın zamanda yapılan bir araştırmada, Kore’nin en iyi 100 tıp dergisinden yalnızca 18’inin YZ kullanımına ilişkin yönergeler geliştirdiği gösterilmiştir (24). Bu tutarsızlık, yazarlar açısından kafa karışıklığı yaratmakta ve küresel akademik iletişimde eşitlikçi standartları tehdit etmektedir (15).

7. Sonuç

Üretken YZ, tıbbi bilimsel yayıncılıkta köklü bir paradigma değişikliğini temsil etmektedir. Bu teknoloji, iki ucu keskin bir kılıç gibi işlev görmektedir: bir yandan bilimsel yazımı demokratikleştirme ve editoryal verimliliği artırma potansiyeli taşırken, diğer yandan veri uydurma, gizlilik ihlalleri ve algoritmik önyargılar yoluyla araştırma bütünlüğüne ciddi tehditler oluşturmaktadır. YZ ahlaki özne niteliğine sahip olmadığı ve yasal sorumluluk üstlenemediği için, kendisine yazarlık hakkı tanınamaz. YZ tespit araçları doğaları gereği kusurlu ve önyargılı olmaya devam ettiğinden, bilimsel bütünlüğün korunması büyük ölçüde şeffaf açıklamaya, sıkı insan denetimine ve standartlaştırılmış, dinamik editoryal politikalara bağlıdır. Bu nedenle gelecekteki bilimsel yayıncılık ekosistemi, yapay zekâyı tamamen dışlamak yerine, onu şeffaflık, insan denetimi ve açık etik ilkeler temelinde dikkatle entegre eden bir yaklaşım geliştirmek zorundadır.

Kaynakça

1. Lee J, Lee J, Yoo JJ. The role of large language models in the peer-review process: opportunities and challenges for medical journal reviewers and editors. J Educ Eval Health Prof. 2025;22:4. doi: 10.3352/jeehp.2025.22.4.
2. Leung TI, de Azevedo Cardoso T, Mavragani A, Eysenbach G. Best Practices for Using AI Tools as an Author, Peer Reviewer, or Editor. J Med Internet Res. 2023 Aug 31;25:e51584. doi: 10.2196/51584.
3. Scuderi GR, Taunton MJ, Browne JA, Mont MA. The Challenges With Artificial Intelligence in Scientific Writing. J Arthroplasty. 2026 Feb;41(2):299-303. doi: 10.1016/j.arth.2025.12.001.
4. Doskaliuk B, Zimba O, Yessirkepov M, Klishch I, Yatsyshyn R. Artificial Intelligence in Peer Review: Enhancing Efficiency While Preserving Integrity. J Korean Med Sci. 2025 Feb 24;40(7):e92. doi: 10.3346/jkms.2025.40.e92.
5. Zielinski C, Winker MA, Aggarwal R, Ferris LE, Heinemann M, Lapeña JF Jr, Pai SA, Ing E, Citrome L, Alam M, Voight M, Habibzadeh F. Chatbots, generative AI, and scholarly manuscripts: WAME recommendations on chatbots and generative artificial intelligence in relation to scholarly publications. Colomb Med (Cali). 2023 Sep 30;54(3):e1015868. doi: 10.25100/cm.v54i3.5868.
6. Kocak Z. Publication Ethics in the Era of Artificial Intelligence. J Korean Med Sci. 2024 Aug 26;39(33):e249. doi: 10.3346/jkms.2024.39.e249.
7. Cheng A, Calhoun A, Reedy G. Artificial intelligence-assisted academic writing: recommendations for ethical use. Adv Simul (Lond). 2025 Apr 18;10(1):22. doi: 10.1186/s41077-025-00350-6.
8. Teixeira AL. AI in peer review: can artificial intelligence be an ally in reducing gender and geographical gaps in peer review? A randomized trial. Res Integr Peer Rev. 2025 Oct 27;10(1):23. doi: 10.1186/s41073-025-00182-y.
9. Semrl N, Feigl S, Taumberger N, Bracic T, Fluhr H, Blockeel C, Kollmann M. AI language models in human reproduction research: exploring ChatGPT's potential to assist academic writing. Hum Reprod. 2023 Dec 4;38(12):2281-2288. doi: 10.1093/humrep/dead207.
10. Ozmen BB, Almeida VFA, Ha JY, Tsai T, Duraes EFR, Djohan RS, Isakov R, Schwarz GS. Editorial Policies on Artificial Intelligence in Plastic Surgery Publishing: Current Landscape and Future Directions. Aesthetic Plast Surg. 2025 Dec 5. doi: 10.1007/s00266-025-05468-6.
11. Yoo JH. Defining the Boundaries of AI Use in Scientific Writing: A Comparative Review of Editorial Policies. J Korean Med Sci. 2025 Jun 16;40(23):e187. doi: 10.3346/jkms.2025.40.e187.
12. Cheng A, Lin Y, Reedy G, Joseph C, Wirkowski S, Mallette V, et al. Ability of AI detection tools and humans to accurately identify different forms of AI-generated written content. Adv Simul (Lond). 2025 Nov 22;10(1):66. doi: 10.1186/s41077-025-00396-6.
13. De Cassai A, Dost B, Augoustides JG, Azamfirei L, Alanoğlu Z, Azi LM, et al. Responsible use of large language models in manuscript authorship, peer review, and editorial processes: a Delphi consensus among editors-in-chief of anaesthesia and pain medicine journals (RULE-AP). Br J Anaesth. 2026 Feb 25:S0007-0912(26)00055-3. doi: 10.1016/j.bja.2026.01.029.
14. Kaebnick GE, Magnus DC, Kao A, Hosseini M, Resnik D, Dubljević V, Rentmeester C, Gordijn B, Cherry MJ. Editors' Statement on the Responsible Use of Generative AI Technologies in Scholarly Journal Publishing. Hastings Cent Rep. 2023 Sep;53(5):3-6. doi: 10.1002/hast.1507.
15. Bobier C, Rodger D, Hurst D. Artificial intelligence policies in bioethics and health humanities: a comparative analysis of publishers and journals. BMC Med Ethics. 2025 Jul 3;26(1):79. doi: 10.1186/s12910-025-01239-9.
16. Kadi G, Aslaner MA. Exploring ChatGPT's abilities in medical article writing and peer review. Croat Med J. 2024 Apr 30;65(2):93-100. doi: 10.3325/cmj.2024.65.93.
17. Quaia E. AI-Written Scientific Manuscripts. Tomography. 2025 Oct 30;11(11):123. doi: 10.3390/tomography11110123.
18. Kemal Ö. Artificial Intelligence in Peer Review: Ethical Risks and Practical Limits. Turk Arch Otorhinolaryngol. 2025 Sep 26;63(3):108-109. doi: 10.4274/tao.2025.2025-8-12.
19. Suleiman A, von Wedel D, Munoz-Acuna R, Redaelli S, Santarisi A, Seibold EL, et al. Assessing ChatGPT's ability to emulate human reviewers in scientific research: A descriptive and qualitative approach. Comput Methods Programs Biomed. 2024 Sep;254:108313. doi: 10.1016/j.cmpb.2024.108313.
20. Giray L. Hidden Prompts in Manuscripts Threaten the Integrity of Peer Review and Research: Recommendations for Journals and Institutions. Ann Biomed Eng. 2025 Oct;53(10):2385-2388. doi: 10.1007/s10439-025-03827-7.
21. Fuente-Ballesteros A, Samanidou V, Daryanavard SM, Ares AM, Bernal J. Artificial Intelligence as a Scientific Copilot in Analytical Chemistry: Transforming How We Write, Review, and Publish. Anal Chem. 2025 Sep 30;97(38):20667-20672. doi: 10.1021/acs.analchem.5c03767.
22. De Leon J, De Leon-Martinez S, Artés-Rodríguez A, Baca-García E, De Las Cuevas C. Reflections on the Potential and Risks of AI for Scientific Article Writing after the AI Endorsement by Some Scientific Publishers: Focusing on Scopus AI. Actas Esp Psiquiatr. 2025 Mar;53(2):433-442. doi: 10.62641/aep.v53i2.1849.
23. Akgun MY, Savasci M, Gunerbuyuk C, Gunara SO, Oktenoglu T, Ozer AF, et al. Battle of the authors: Comparing neurosurgery articles written by humans and AI. J Clin Neurosci. 2025 May;135:111152. doi: 10.1016/j.jocn.2025.111152.
24. Ahn S. Large language model usage guidelines in Korean medical journals: a survey using human-artificial intelligence collaboration. J Yeungnam Med Sci. 2025;42:14. doi: 10.12701/jyms.2024.00794.