Не будем откладывать дело в долгий ящик: за последние 2-3 года огромный процент научных работ был написан ИИ. Мы не про вычитку или редактуру, а про формат, где алгоритм собирает информацию, оформляет ее, а человек лишь печатает работу от своего лица. И это не единичные случаи, а массовый поток работ, которые граничат со званием слопа, научного, но слопа. Что мы имеем в итоге? Кризис печатного слова в науке и борьбу, которая разворачивается там, где должен греметь прогресс рода человеческого.
Работ становится все больше
Поговорим статистически – масштаб проще всего показать на данных, а слова – еще один способ усомниться в источнике. В 2024 году база Web of Science проиндексировала около 2,53 миллиона новых исследований, что на 48% больше, чем в 2015-м, а суммарный мировой научный выпуск превысил 3,26 миллиона статей в год. Удивительные данные! Наука растет и процветает, разве нет? Вопрос в том, что этот скачок подозрителен по многим причинам.
Анализ лингвистических паттернов в миллионах научных аннотаций показал, что к 2024 году больше 10% абстрактов прошли через языковую модель. Еще одно отдельное крупное исследование (на arXiv) зафиксировало рост статей аж на 72% с 2022 года. Доля работ с высокими показателями «искусственности» текста удвоилась – с 3,6 % в конце 2022-го до 6,2 % к концу 2023-го, сейчас эти проценты еще больше.
Есть и косвенные, почти анекдотические, маркеры. Лингвистический разбор столетнего массива публикаций выявил, что слова вроде «delve», «realm» и «underscore» – типичные фавориты языковых моделей – в 2023–2024 годах стали появляться вместе в десятки раз чаще, чем за весь предыдущий период наблюдения. В медицинских базах PubMed и Scopus почти все статьи, где эти слова стоят рядом, приходятся на 2023-2024 годы – около 99% случаев за всю историю с 1849 года.
Косвенно рост подтверждает и исследование Корнеллского университета – авторы, которых система пометила как пользователей языковых моделей, публиковали примерно на треть больше статей, чем те, кто ИИ не использовал.
Мы живем в эпоху гладких и бесхребетных текстов. И если для журналистики – ничего нового, то для науки – это крах, ведь такие тексты теряют любую ценность, являясь, по сути, переработанным выхлопом чужих трудов.
Две одинаковые работы – новая реальность
Языковые модели умеют переписывать существующие работы так, чтобы получились «новые» статьи, проходящие стандартные проверки на плагиат. По оценке анализа литературных баз, таких статей-двойников (в англоязычной прессе их называют copycat papers) уже опубликовано сотни. Инструменты вроде ChatGPT и Gemini берут готовое исследование, меняют формулировки, порядок предложений, синонимику – и антиплагиат не срабатывает, потому что дословных совпадений нет.
Еще нагляднее история с «фабриками статей» (paper mills). Судебный метанаучный аналитик Джеймс Хизерс обнаружил в Google Scholar около 200 работ с одними и теми же характерными ошибками – например, с искаженной фамилией математика Андрея Колмогорова, который становился Kolmogorovor (Колмогоровор), или нестандартными оборотами, которые статистически не могли возникнуть независимо друг от друга. Представьте, что вы сами пишите текст и ошибаетесь в чьей-то фамилии. Ничего смертельного, транскрибация – сложное дело. Но вообразите, что еще 200 человек ошиблись точно так же. Это почти невозможное совпадение. Отсюда вывод: все это – варианты одной и той же статьи, произведенной на поток и, вероятно, проданной «фабрикой». Особенно тревожно, что все эти работы касались данных пациентов и напрямую влияли на клиническую практику.
Параллельно разворачивается история вокруг фальшивых ссылок. Исследование 2,5 миллионов биомедицинских статей показало почти 3 000 работ с выдуманными источниками; частота сфабрикованных цитирований в 2025 году оказалась более чем в 12 раз выше, чем в 2023-м. Это по самым скромным оценкам!
ИИ пишет, ИИ рецензирует, ИИ анализирует
Что мы считаем плагиатом? Текст повторяет чужой текст? Наверняка. А что, если текст новый, но идея – старая? В январе 2025 года ИИ-исследователь из KAIST Пак Пёнджун получил письмо от двух исследователей из Индии. Те сообщили, что наткнулись на сгенерированную нейросетью рукопись, которая использовала методы из его статьи, не сославшись на источник.
Казус в том, что привычными средствами тут ничего не докажешь. Классический плагиат ловят по совпадению текста – антиплагиат ищет одинаковые формулировки. Но language-модель предложила ту же идею и тот же подход своими словами, дословных пересечений нет, и проверка молчит. Формально, работа «оригинальна». Фактически, чужой интеллектуальный вклад присвоен, а автор исходной идеи остался без упоминания. Наука столкнулась с заимствованием нового типа, для которого у нее пока нет ни четкого определения, ни инструментов обнаружения, и сообщество даже не договорилось, как такие случаи квалифицировать.
Показательно, что ИИ на этом не останавливается и добирается до самого рецензирования. Поток статей давно превысил возможности живых экспертов – по оценкам, только в 2020 году исследователи потратили около 100 миллионов часов неоплачиваемого труда на рецензии, редакции все чаще не могут найти достаточно квалифицированных референтов. Логичная на первый взгляд реакция – передать часть нагрузки алгоритмам, и журналы начинают это делать. Но тогда замыкается тревожный круг: одна и та же технология и производит статьи, и оценивает их.
Что со всем этим делать
У сообщества пока нет единого ответа. Но есть несколько идей.
Во-первых, прозрачность: если часть работы сделал ИИ, это нужно раскрывать – без признания авторства невозможно проверить, что именно и кем написано.
Во-вторых, новые инструменты обнаружения: проект Problematic Paper Screener под руководством Гийома Кабанака еще с 2020 года ловит машинно-сгенерированные и шаблонные тексты, подобные системы приходится постоянно совершенствовать. Но это гонка за технологией, где средства обнаружения всегда в роли догоняющего. Ведь модели совершенствоваются, развиваются, меняются промпты и стили.
В-третьих, пересмотр самих стимулов: пока карьера ученого измеряется числом публикаций, а не их качеством, соблазн переложить их производство на машину никуда не денется. Представьте, что вам одинаково платят за текст, который вы написали с помощью ИИ за минуты, и за исследование, которое заняло у вас два месяца. Или представьте, что ваш коллега совсем не работал, но получил столько же, потому что просто воспользовался чит кодом. Пока количество важнее качества, мы будем стоять именно на том месте, где мы сейчас. Это касается не только науки, но и общего отношения.
Технология сама по себе нейтральна. Языковые модели снимают языковой барьер для исследователей из неанглоязычных стран и ускоряют рутину. Это может быть полезным инструментом, поэтому проблема не в нем самом, а в том, что наука построена на доверии – к цифрам, ссылкам, авторству. А реальных способов отследить, что и где написано ИИ, у нас пока нет. Даже те проценты, что вы видите при вбивание текста в детекторы – догадка. Вполне возможно, что человек пишет очень похоже на машину. Но нам нужно бороться за качество и человечность и поощрять тех, кто тратит свое время и вкладывает в работу душу, а не просто изучает промпты.
