Praėjusiais metais pasaulinė žiniasklaida pranešė, kad juodo plastiko indai maistui gaminti turi nerimą keliantį vėžio sukeltų ugnies slopintuvų kiekį. Tačiau vėlesnė tyrimų analizė parodė, kad ši rizika buvo perdėta dėl matematinės klaidos; konkretus cheminės medžiagos koncentracijos lygis buvo dešimt kartų mažesnis už teigiamą saugumo ribą. Tyrėjai nurodė, kad dirbtinio intelekto modelis galėtų pastebėti šią klaidą per kelias sekundes. Atsakydami į tai, pasirodė du projektai, naudojantys dirbtinį intelektą mokslinėje literatūroje klaidoms identifikuoti. „Juodos mentelės projektas“, atviras šaltinis, išanalizavo apie 500 straipsnių ieškodamas klaidų, o aštuonių kūrėjų komanda ir daug savanorių patarėjų pasirinkę tiesiogiai susisiekti su paveiktais autoriais apie savo atradimus, teigia nepriklausomas dirbtinio intelekto tyrėjas Joaquin Gulloso iš Cartagena, Kolumbijoje. „Tai atgauna daugybę klaidų, “ jis praneša, pažymėdamas išsamų problematiškų straipsnių sąrašą. Antrą iniciatyvą, pavadintą YesNoError, įkvėpė „Juodos mentelės projektas“, ji siekia peržiūrėti visus prieinamus straipsnius ir yra paremta specializuota kriptovaliuta. Įkūrėjas Matt Schlicht teigia, kad projektas per du mėnesius išanalizavo daugiau nei 37, 000 straipsnių. Jo svetainė identifikuoja straipsnius su nustatytomis klaidomis, nors žmogaus patvirtinimas vis dar laukia. Abu projektai skatina tyrėjus naudotis šiais įrankiais prieš pateikiant straipsnius į žurnalus, o žurnaluose juos taikyti prieš publikavimą, siekiant užkirsti kelią klaidoms ir sukčiavimui mokslo srityje. Tyrimų integralumo specialistai atsargiai palaiko šias iniciatyvas, nors yra nerimo dėl galimų klaidingų kaltinimų ir jų poveikio.

Michèle Nuijten, metascience tyrėja iš Tilburgo universiteto Nyderlanduose, pabrėžia, kad svarbu patikrinti įrankių reikalavimus, kad būtų išvengta reputacijos žalos tyrėjams, neteisingai pripažintiems kaip padarantiems klaidų. James Heathers, kriminalinės metascience specialistė, pažymi, kad nors rizikų yra, siekis pagerinti mokslinę integrumą yra itin svarbus, siūlydamas, kad dirbtinis intelektas galėtų padėti prioritetizuoti straipsnius tolesniam peržiūrai. Abi iniciatyvos naudoja didelius kalbos modelius (LLM), kad aptiktų klaidas įvairiose srityse, įskaitant faktines netikslumus ir metodologines problemas. Procesas apima informacijos išstraipsnių išgavimą, sudėtingų užklausų formulavimą specializuotam mąstymo modeliui ir galimą rezultatų kryžminį tikrinimą per kelis analizės etapus. Kaina kiekvienam straipsniui analizuoti priklauso nuo jo ilgio ir sudėtingumo. Nepaisant to, didžiausia problema yra didelis klaidingų teiginių skaičius; „Juodos mentelės projektas“ praneša, kad neteisingai identifikuoja klaidą apie 10% laiko, todėl ekspertų patikrinimas yra būtinas, tačiau sudėtingas. Schlicht„YesNoError“ nustatė, kad autorių patvirtinimas dėl nustatytų klaidų yra 90% atvejų, remiantis pirmaisiais 10, 000 straipsnių tyrimais. Planuojama, kad „YesNoError“ bendradarbiaus su ResearchHub, kuris skatina kolegialų peržiūrą kriptovaliuta, siekiant užtikrinti AI identifikuotų problemų patvirtinimą, nors šis procesas dar nepradėtas.