Krajem prošle godine, globalni mediji su izvestili da crni plastični kuhinjski pribor sadrži zabrinjavajuće nivoe vatrootpornih supstanci povezanih sa rakom. Međutim, naknadna istraga je otkrila da je ovaj rizik preuveličan zbog matematičke greške; stvarna koncentracija određene hemikalije bila je deset puta niža od navodne sigurne granice. Istraživači su ukazali da bi AI model mogao otkriti ovu grešku za nekoliko sekundi. Kao odgovor, pojavila su se dva projekta koja koriste AI za identifikaciju grešaka u naučnoj literaturi. Projekat Black Spatula, otvoreni alat, analizirao je oko 500 radova zbog grešaka, s timom od osam programera i brojnim volonterskim savetnicima koji su se odlučili direktno kontaktirati pogođene autore u vezi sa svojim nalazima, prema rečima Joaquina Gullosa, nezavisnog AI istraživača iz Cartagene, Kolumbija. "Ovo hvata mnoge greške, " izveštava, ističući opsežnu listu problematičnih radova. Druga inicijativa, YesNoError, inspirisana projektom Black Spatula, ima cilj da pregleda sve dostupne radove i podržana je posvećenim kriptovalutama. Osnivač Matt Schlicht tvrdi da je projekat analizirao preko 37. 000 radova za samo dva meseca. Njihov veb-sajt identifikuje radove sa otkrivenim manama, iako ljudska provera još uvek nije završena. Oba projekta podstiču istraživače da koriste ove alate pre nego što pošalju radove u časopise i za časopise da ih koriste pre objavljivanja, sa ciljem da spreče greške i prevarantske radove da uđu u naučnu domen. Ima oprezne podrške od profesionalaca fokusiranih na integritet istraživanja, iako postoje zabrinutosti u vezi sa potencijalnim lažnim optužbama i njihovim uticajem.

Michèle Nuijten, istraživač metascience-a sa Univerziteta u Tilburgu u Holandiji, naglašava važnost verifikacije tvrdnji alata kako bi se izbegla reputaciona šteta za istraživače koji su pogrešno identifikovani kao grešni. James Heathers, forenzički metascientista, primećuje da, iako rizici postoje, cilj poboljšanja naučne integriteta je od suštinske važnosti, sugerišući da bi AI mogao pomoći da se prioritetizuju radovi za dalju recenziju. Obje inicijative koriste velike jezičke modele (LLM) za otkrivanje grešaka u različitim oblastima, uključujući činjenične netačnosti i metodološke nedostatke. Proces uključuje ekstrakciju informacija iz radova, formulaciju složenih upita za specijalizovani model razmišljanja, i potencijalno prekršenje rezultata kroz više analiza. Trošak analize svakog rada varira u zavisnosti od njegove dužine i složenosti. Međutim, značajan izazov je visoka stopa lažnih pozitivnih rezultata; Projekat Black Spatula izveštava da pogrešno identifikuje grešku otprilike u 10% slučajeva, što čini stručnu verifikaciju neophodnom ali teškom. Schlichtov YesNoError našao je validaciju od autora otkrivenih grešaka u 90% slučajeva iz inicijalne studije od 10. 000 radova. Planovi su u toku za saradnju YesNoError sa ResearchHub-om, koji podstiče recenziju od strane vršnjaka uz kriptovalutu, kako bi se osigurala verifikacija problema koje je identifikovao AI, iako ovaj proces još nije započet.