మూడు నెలల క్రితం, ప్రపంచవ్యాప్తంగా మీడియా నివేదికలు చెప్పినట్లు, నల్ల ప్లాస్టిక్ వంటకం ఉత్పత్తులు క్యాన్సర్‌కు సంబంధించిన అగ్ని నిరోధక పదార్థాలు ఉన్నాయని అసౌకర్యకరమైన స్థాయిల్లో ఉన్నాయి. అయితే, తరువాత పరిశోధనలు ఈ ప్రమాదం గణితలో జరిగిన పొరపాట్ల కారణంగా పెంచబడిందని వెల్లడించాయి; ఒక ప్రత్యేక రసాయన యొక్క నిజమైన ఘనత్వం ఆరోగ్యానికి మెరుగైన పరిమితి కంటే పదిహేను రెట్లు తక్కువగా ఉంది. పరిశోధకులు ఒక AI మోడల్ కొద్ది సెకండ్లలో ఈ పొరపాటును గుర్తించగలదని సూచించారు. సమాధానంగా, శాస్త్రీయ సాహిత్యంలో కూడా పొరపాట్లను గుర్తించడానికి AIని వినియోగించే రెండు ప్రాజెక్టులు ప్రారంభమయ్యాయి. జోక్వాన్ గుల్లోసో ప్రకారం, కార్టజెనాలోని స్వతంత్ర AI పరిశోధకుడు, బ్లాక్ స్పాట్యులా ప్రాజెక్ట్, ఓపెన్-సోర్స్ సాధనం, దాదాపు 500 పత్రాలను పొరపాట్ల కోసం విశ్లేషించింది మరియు ఆరు అభివృద్ధిదారుల ఒక జట్లు, అనేక స్వచ్ఛంద ప్రత్యక్షదారులతో కలిసి, తమ findings గురించిన బాధిత రచయితలను ప్రత్యక్షంగా సంప్రదించాలని నిర్ణయించింది. “ఇది అనేక పొరపాట్లను పట్టుకుంటోంది, ” అని ఆయన నివేదించారు, సమస్యాత్మక పత్రాల యొక్క విస్తారమైన జాబితాను గమనించారు. రెండవ చర్య, బ్లాక్ స్పాట్యులా ప్రేరణతో రూపొందించిన YesNoError, అందుబాటులో ఉన్న అన్ని పత్రాలను సమీక్షించాలని లక్ష్యం పెట్టింది మరియు ఇది ఒక ప్రత్యేక కృత్రిమ కరెన్సీ ద్వారా ప backing గా ఉంది. వ్యవస్థాపకుడు మాట్ ష్లిచ్ట్ ఫిబ్రవరి నెలలో మాత్రమే 37, 000 పత్రాలను విశ్లేషించినట్లు ప్రకటించాడు. ఇది పత్రాలలో గుర్తించిన పొరపాట్లను గుర్తించేందుకు వెబ్‌సైట్ ఉంది, అయితే మానవ ధృవీకరణ ఇంకా పెండింగ్‌లో ఉంది. రైతు సమర్పణలో ఈ సాధనాలను ఉపయోగించాలనుకునే పరిశోధకులను మరియు ప్రచురణకు ముందుగా వాటిని ఉపయోగించాలనుకునే జర్నల్‌లను రెండూ ప్రాజెక్టులు ప్రోత్సహిస్తాయి, పొరపాట్లు మరియు మోసం చేయబడిన పనులు శాస్త్రీయ విభాగానికి ప్రవేశించకుండా నివారించాలనుకుంటున్నాయి. పరిశోధనా సమగ్రతపై దృష్టిపెట్టిన హాళ్ల అభ్యంతరాలు ఉన్నప్పటికీ, తప్పు ఆరోపణలు మరియు వాటి ప్రభావం గురించి కాస్త జాగ్రతగా వ్యతిరేకిస్తున్నాయి.

నెదర్లాండ్స్‌లోని టిల్‌బర్గ్ యూనివర్సిటీకి చెందిన метా సైన్స్ పరిశోధకురాలు మిచెల్ నుయిటెన్, సాధనాల క్లైమ్స్‌ను ధృవీకరించడం పరిశోధకుల పట్ల ప్రతిష్టను దెబ్బతినకుండా ఇది ఎంత ముఖ్యమో అర్థం చేసుకుంటున్నారు. ఫోరెన్సిక్ మెటాసైన్టిస్ట్ జేమ్స్ హీధర్స్, ప్రమాదాలు ఉన్నప్పటికీ, శాస్త్రీయ సమగ్రతను మెరుగుపరచడానికి లక్ష్యం అతి ముఖ్యమని పేర్కొంటూ, AI మరింత సమీక్షకు పత్రములను ప్రాధాన్యంగా ఖచ్చితమైనవి అనుకుంటారని సూచించారు. ఈ రెండు ఐడియాలు విషయాలు మరియు పద్ధతి ఖచ్చితమైన పొరపాట్లను గుర్తించడానికి పెద్ద భాషా મોડళ్లను (LLMs) ఉపయోగిస్తాయి. ఈ ప్రక్రియ పత్రాల నుండి సమాచారం సేకరించడం, ప్రత్యేకమైన ఆలోచన మోడల్‌కు సంక్లిష్టమైన ప్రాంప్ట్‌లను రూపొందించడం మరియు అనేక విశ్లేషణల ద్వారా ఫలితాలను క్రాస్-చెక్ చేయడం వంటి విధానాలను కలిగి ఉంటుంది. ప్రతి పత్రాన్ని విశ్లేషించాలంటే ఖర్చు దాని పొడవు మరియు క్లిష్టత ఆధారంగా మారుతుంది. ఆయన, బ్లాక్ స్పాట్యులా ప్రాజెక్ట్ దాదాపు 10% సమయము పొరపాటుగా గుర్తించిందని అందుకే నిపుణుల ధృవీకరణ చాలా అవసరం, కానీ కష్టమని నివేదించాడు. ష్లిచ్ యొక్క YesNoError మొదటి అధ్యయనంలో 10, 000 పత్రాల నుండి తెలిసిన పొరపాట్ల రచయితల నుండి 90% కేసుల్లో ధృవీకరణను పొందింది. YesNoError AI గుర్తించిన సమస్యల ధృవీకరించడానికి ResearchHub తో సహకరించాలనుకునే ప్రణాళికలు కొనసాగుతున్నాయి, కృత్రిమ కరెన్సీతో సమకాలీకరించడానికి ఇది ఇంకా ప్రారంభం కాలేదు.