Трансформация научного авторитета и публикационной активности в условиях развития нейросетевых технологий

Введение

В классических работах Р. Мертона [23] научный авторитет рассматривался как институционально закрепленная форма признания, основанная на вкладе в общее знание и соблюдении нормативных принципов — коммунизма, универсализма, бескорыстности и организованного скептицизма. П. Бурдье [14] дополнил эту картину, введя понятие научного поля как пространства конкурентной борьбы за символический капитал, где авторитет выступает ресурсом, конвертируемым в доступ к лабораториям, грантам и престижным публикациям. Однако обе эти модели предполагают, что авторитет накапливается в результате длительной академической карьеры и фиксируется через формальные индикаторы: число публикаций, индекс цитирования, историю успешных грантов.

В последние годы активно исследуется влияние научного статуса на готовность авторов использовать искусственный интеллект. Так, И.Н. Бенсон и К.И. Лукина в своей публикации отметили «более высокую активность среди молодых исследователей и аспирантов .... Имеются основания полагать, ученые, обладающие высоким академическим статусом, также активно используют ИИ-инструменты, однако по ряду причин предпочитают не декларировать данный факт» [1, с. 263]. О.В. Недолужко с соавторами [10] выявили, что цифровые технологии анализа литературы существенно ускоряют подготовку обзоров, однако повышают риски некритического заимствования. В свою очередь, В.А. Зорина [7] на примере журналистики продемонстрировала, что библиометрические показатели не отражают меру вовлеченности нейросетей в генерацию контента. Правовые аспекты регулирования нейросетевых технологий в контексте цифровой трансформации рассматривает М.С. Коркин [8], указывая на пробелы в ответственности за результаты ИИ-генерации. Перспективы применения нейронных сетей анализируют В.Н. Галицких, Д.В. Преснякова и Л.С. Литвиненко [3], подчеркивая, что развитие технологий опережает формирование нормативных границ. С.В. Тихонова и Д.С. Артамонов [11] характеризуют нейросеть как нового субъекта познавательных процессов («социально-эпистемического актора»), что порождает этическую проблему распределенной ответственности за результаты ее работы. И.М. Зашихина ставит вопрос о том, способны ли большие языковые модели адекватно интерпретировать специфику российской науки. Согласно утверждению автора «лингвистический империализм больших языковых моделей, наложенный на риторические традиции русскоязычного письма, может оставить тексты российских ученых вне пула данных, на которых обучаются современные популярные нейросети. Такая ситуация опасна для национальной науки как части мировой науки» [6, с.40]. Д.В. Маляревич [9] анализирует практики взаимодействия научного сообщества и ChatGPT, фиксируя нарастающий разрыв между публикационной активностью и качеством верификации. Влияние нейросетей на экономику, бизнес и образование исследуют Д.Н. Егорычев и А.Д. Егорычев [5], отмечая, что аналогичные вызовы характерны и для научной сферы. Комплексный наукометрический анализ достижений в области нейротехнологий и ИИ в РФ проводят В.А. Благинин, Е.В. Соколова и М.И. Адакава [2], выявляя дисбаланс между ростом публикаций и воспроизводимостью. О.П. Чигишева связывает показатели научной результативности с глобальной конкуренцией, подчеркивая, что давление на ученых стимулирует недокументированное использование ИИ - «Индекс Хирша и ориентация на него, простая "гонка за показателями" приводит к появлению большого количества посредственных публикаций и сокращению времени на решение сложных научных задач» [12, с. 1053]. Наконец, С.А. Дятлов [4] в рамках концепции цифровой нейро-сетевой экономики обосновывает неизбежность перехода к новым моделям оценки авторитета.

С развитием генеративных нейросетевых моделей (ChatGPT, GPT-4 и их аналогов) в научный оборот входят системы, способные не только обрабатывать данные, но и генерировать гипотезы, структурировать аргументацию и формулировать выводы. Э. Хатчинс [19, 20] предлагает рассматривать мышление не как сугубо внутренний процесс, а как командную игру, в которой участвуют и люди, и окружающие их инструменты — вплоть до алгоритмов. Такой подход он называет распределенным когнитивным партнерством. Применительно к автоматизации научного труда это означает, что нейросети выступают не просто инструментами (как статистические пакеты или электронные таблицы), а когнитивными агентами, которые берут на себя часть мыслительной работы: формулировку гипотез, отбор литературы, интерпретацию результатов, написание текста. Такое перераспределение ставит под вопрос традиционное представление об авторстве и требует разработки новых индикаторов, которые могли бы зафиксировать меру человеческого контроля и машинного вклада.

Т. Парсонс [25, 26] в своей модели процедурной легитимности показал, что стабильность социальных институтов (в том числе науки) поддерживается не только содержательными результатами, но и соблюдением формальных и неформальных правил, регулирующих взаимодействия. В контексте научной коммуникации легитимность автора воспроизводится через процедуры рецензирования, верификации данных, декларирования конфликта интересов и — что становится актуальным — через явное указание вклада нейросетевых агентов. Как отмечает С. Фуллер [16], легитимность в науке есть не столько свойство личности, сколько результат доверия, которое аудитория (редакторы, рецензенты, читатели) готова оказать автору, полагаясь на отлаженные процедуры проверки. Отсюда следует, что кризис доверия, вызванный недокументированным использованием нейросетей, может быть преодолен не ужесточением количественных метрик, а усилением процедурных механизмов: требованием декларировать вклад ИИ, обеспечением воспроизводимости, фиксацией ретракций.

На основе синтеза трех перечисленных подходов в настоящем исследовании вводится различие между накопительной и процессуальной моделями научного авторитета. Накопительная модель опирается на объем публикаций, индекс Хирша, историю успешных грантов и другие показатели, суммирующие прошлые достижения автора. Эта модель доминирует в текущей наукометрии и лежит в основе рейтингов университетов, распределения грантов и решений о найме. Однако она предполагает, что количественные индикаторы коррелируют с реальной компетентностью и добросовестностью автора, что в условиях нейросетевой генерации становится проблематичным. Процессуальная модель, напротив, фокусируется на прозрачности методологии, воспроизводимости результатов, соблюдении этических стандартов декларирования вкладов (в том числе нейросетевого). В этой модели авторитет не накапливается раз и навсегда, а каждый раз подтверждается через процедуры верификации, открытость данных и готовность к независимому воспроизведению.

В основе исследования лежит предположение, что широкое распространение нейросетей в науке знаменует смену накопительной модели авторитета на процессуальную. Данный сдвиг на эмпирическом уровне выражается в двух основных тенденциях. Первая — потеря прогностической ценности классических метрик (индекс Хирша, общее число работ): их рост более не гарантирует высокой воспроизводимости и методологической строгости, так как может быть искусственно достигнут за счет генерации текстов. Вторая — усиление роли процедурных показателей, включая количество независимых воспроизведений, частоту ретракций и уровень доверия со стороны рецензентов (особенно при условии явного указания на использование ИИ). Существующие исследования в области этики ИИ и наукометрии преимущественно концентрировались на трех аспектах: критике количественных показателей [13], обнаружении текстов, сгенерированных искусственным интеллектом [21], или разработке стандартов отчетности [27]. Вопрос же о том, каким образом нейросети перестраивают саму систему научного авторитета (какие критерии устаревают, какие актуализируются, как должна измениться редакционная политика и оценка ученых), оставался за рамками этих работ. Настоящая работа восполняет этот пробел, предлагая интегральную теоретико-методологическую основу и эмпирически проверяя гипотезу о переходе от накопительной к процессуальной модели авторитета в условиях нейросетевой генерации.

Методы и материалы

Информационными источниками исследования послужили данные реферативной базы Scopus за 2020–2024 гг. Выборка формировалась из рецензируемых журналов квартилей Q1–Q2 по компьютерным и социальным наукам, публикующих не менее 60 статей в год. Для обнаружения недокументированного использования нейросетей применялся комбинированный алгоритм, включавший классификатор на основе дообученной модели RoBERTa и статистический анализ распределения частот токенов с опорой на закон Ципфа [28], а порог принятия решения оптимизировался по максимуму F1-меры. Дополнительно проводилась выборочная ручная верификация статей двумя независимыми экспертами с расчетом каппы Коэна [15]. Идентификация уникальных исследователей осуществлялась на основе аффилиации, ORCID и паттерна соавторства с использованием коэффициента Жаккара. Индекс продуктивности автора рассчитывался как среднее число статей одного исследователя за календарный год. Для количественной оценки трансформации научного авторитета методом стратифицированной случайной выборки были сформированы три модельные группы авторов, сбалансированные по исходному индексу Хирша и числу публикаций, с разделением по характеру использования нейросетей. Для интегральной оценки авторитета разработан индекс доверия к автору (ИДА), учитывающий индекс Хирша без самоцитирований, среднее число авторов в статьях, число верифицированных внешних воспроизведений результатов и количество ретракций по базе Retraction Watch Database [29]. Достоверность различий между группами оценивалась с помощью t-критерия Стьюдента с расчетом размера эффекта, критерия χ² Пирсона с отношением шансов, а также непараметрического критерия Краскела–Уоллиса. Практическая эффективность модели разделения вкладов оценивалась на пилотных журналах, перешедших на стандарт декларирования STARD-AI [27], путем сравнения показателей до и после внедрения. Все расчеты выполнены в среде R, а отдельные компоненты анализа соответствуют уровням Transparency and Openness Promotion (TOP) Guidelines [24].

Результаты

Для анализа использована выборка из 12 рецензируемых журналов, отобранных по критериям, описанным выше. Объем выборки после стандартных фильтров составил 712 статей; для анализа публикационной активности за 2024 год использованы 980 статей из тех же журналов.

Для обнаружения недокументированного использования нейросетей применялся комбинированный алгоритм, включавший классификатор на основе модели RoBERTa, дообученной на корпусе из 5000 аннотаций научных статей (с балансировкой человеческими и AI-сгенерированными текстами). Выбор архитектуры RoBERTa обусловлен ее высокой эффективностью в задачах классификации текстов [22]. Порог классификации был оптимизирован по максимуму F1-меры на валидационной выборке и составил 0,87. Это означает, что статья относилась к классу «сгенерированных нейросетью», если вероятность AI-генерации превышала 87%. Дополнительно использовался статистический анализ распределения частот токенов, основанный на законе Ципфа [28], который описывает эталонную структуру человеческих текстов, а также исследования Кудрявцевой и Ковалевского, согласно которым AI-сгенерированные тексты демонстрируют значимо меньшее лексическое разнообразие и систематические отклонения от эталонного частотного распределения [21]. Отклонение эмпирического распределения от распределения Ципфа считалось значимым при p < 0,01 после поправки Бонферрони. Выборочная ручная верификация 15% статей двумя независимыми экспертами показала существенный уровень согласия (каппа Коэна κ = 0,76) [15].

Полученные временные ряды свидетельствуют об устойчивом ускоряющемся росте вовлеченности нейросетей в подготовку научных текстов (Таблица 1).

Таблица 1 — Динамика доли статей с использованием нейросетевых технологий на этапе подготовки текста (по данным 12 журналов)

Примечание: SE — стандартная ошибка доли; M — среднее арифметическое; SD — стандартное отклонение; 95% ДИ — 95% доверительный интервал.

Суммарная доля статей с использованием нейросетей увеличилась с 2,7% в 2020 г. до 50,8% в 2024 г. (темп прироста в 2024 г. относительно 2023 г. составил 51,6%). Аппроксимация временного ряда экспоненциальной функцией дает коэффициент детерминации R² = 0,994, что позволяет заключить, что при сохранении текущей динамики к 2026 г. более 70% подаваемых рукописей будут созданы или модифицированы с помощью генеративных моделей. Доля недокументированного использования неуклонно растет (с 0,9% до 12,6%), что свидетельствует о системном кризисе доверия между авторами и редакциями.

Для расчета публикационной активности идентификация уникальных исследователей проводилась на основе аффилиации, ORCID и паттерна соавторства (коэффициент Жаккара с порогом 0,92). Это позволило корректно рассчитать индекс продуктивности автора как среднее число статей одного исследователя за календарный год. Достоверность различий по продуктивности между авторами, использовавшими и не использовавшими нейросети, оценивалась с помощью t-критерия Стьюдента с расчетом размера эффекта (d Коэна). Для попарного сравнения долей ретракций между группами авторов, использовавших и не использовавших нейросети, применялся критерий χ² Пирсона с расчетом отношения шансов (OR) и 95% доверительного интервала.

Анализ публикационной активности в зависимости от формата авторского коллектива (Таблица 2) выявил три закономерности. Первая закономерность: присутствие нейросетей повышает среднюю продуктивность автора почти на 30% по сравнению с коллективами сопоставимой численности без ИИ (Δ=0,22, t=4,31, p<0,001, d=0,48). Вторая: одиночные авторы, применяющие нейросети, достигают продуктивности, сопоставимой с коллективами из четырех и более человек без ИИ (Δ=0,15, p=0,063). Третья: в группах с нейросетями доля ретракций значимо выше (χ²=5,84, p=0,016; OR=2,31; 95% ДИ [1,18–4,52]). Таким образом, количественный рост публикационной активности, обеспечиваемый нейросетями, сопровождается двукратным увеличением частоты ретракций.

Таблица 2 — Показатели публикационной активности в зависимости от формата авторского коллектива (2024 г., n=980 статей)

Примечание: SE — стандартная ошибка доли; M — среднее арифметическое; SD — стандартное отклонение; 95% ДИ — 95% доверительный интервал.

Для количественной оценки трансформации научного авторитета из общей совокупности авторов методом стратифицированной случайной выборки были сформированы три модельные группы (n=240), сбалансированные по исходному индексу Хирша (8–15 на начало 2024 г.) и числу публикаций за предшествующие три года (не менее пяти статей). Группа A (n=80) — традиционные авторы, не применявшие нейросети. Группа B (n=80) — авторы, использовавшие нейросети исключительно для обработки данных (кластеризация, регрессионный анализ, визуализация) при сохранении авторского контроля над генерацией гипотез и написанием текста. Группа C (n=80) — авторы, делегировавшие нейросетям генерацию гипотез и текста (когнитивное партнерство). Классификация осуществлялась на основе самоотчета и результатов автоматической детекции.

Для интегральной оценки научного авторитета разработан индекс доверия к автору (ИДА):

где h — индекс Хирша за 2020–2024 гг. (без самоцитирований), ā — среднее число авторов в статьях исследователя за тот же период, V — число верифицированных внешних воспроизведений результатов (независимое подтверждение ключевых выводов другой лабораторией, зарегистрированное в Open Science Framework), R — число ретракций статей автора за пять лет по данным Retraction Watch Database [29]. Данные для расчета ИДА извлечены по состоянию на 1 февраля 2025 г.

Для оценки достоверности различий между группами A, B и C применялся t-критерий Стьюдента с расчетом размера эффекта (d Коэна) — для показателей, имеющих нормальное распределение (индекс Хирша, число авторов на статью, индекс доверия ИДА). Для сравнения долей ретракций и числа верифицированных воспроизведений (распределение которых отличалось от нормального) использовались критерий χ² Пирсона с расчетом отношения шансов (OR) и 95% доверительного интервала, а также непараметрический критерий Краскела–Уоллиса (H).

Сравнение трех модельных групп (Таблица 3) обнаруживает парадоксальную картину: наиболее высокий средний индекс Хирша демонстрируют авторы, активно делегирующие нейросетям генерацию гипотез и текста, однако их интегральный индекс доверия оказывается наименьшим.

Таблица 3 — Показатели трех модельных групп авторов (n=240, 2024 г.)

Группа C демонстрирует наиболее высокий средний индекс Хирша (13,4 против 11,2 в группе A, p=0,008), но ее показатель ИДА оказывается в три с лишним раза ниже (2,0 против 6,2). Различия между группой C и группой A (d=1,89; 95% ДИ [1,51–2,27]), а также между группой C и группой B (d=1,43; 95% ДИ [1,08–1,78]) статистически значимы. Следовательно, традиционный индекс Хирша утрачивает валидность как маркер научного авторитета в условиях нейросетевой генерации: он наращивается за счет объема публикаций, но не отражает способности автора обеспечивать воспроизводимость и прозрачность исследований. Фиксируется переход от накопительной модели авторитета (на основе цитирования) к процессуальной (на основе надежности и открытости процедур).

Наконец, практическая эффективность модели разделения вкладов («авторский» — «редакторский» — «нейросетевой») была оценена на трех пилотных журналах, перешедших на стандарт декларирования STARD-AI [27]. Для оценки результативности внедрения стандарта сравнивались данные 2023 (350 статей, до внедрения) и 2024 годов (370 статей, после внедрения) по следующим показателям: доля незадекларированного использования нейросетей, длительность рецензии, частота ретракций в течение 6 месяцев после публикации и средняя оценка доверия рецензентов (по 5‑балльной шкале). Статистическую значимость различий определяли с помощью χ² для долей и t‑теста Стьюдента для средних. Однородность эффекта между журналами проверялась расчетом индекса гетерогенности I² [17,18], который оценивает долю вариации эффекта, связанную не со случайной ошибкой, а с истинными различиями между журналами. Интерпретация I² стандартна: значения до 40% указывают на незначительную гетерогенность, 30–60% — умеренную, 50–90% — существенную, 75–100% — высокую. Низкие значения индекса позволяют объединять данные журналов, высокие требуют их раздельного анализа.

Результаты внедрения обязательного декларирования нейросетевого вклада (Таблица 4) демонстрируют, что формализация учета нейросетевого участия приводит к снижению доли скрытого использования и повышению доверия со стороны рецензентов.

Таблица 4 — Изменение показателей рецензирования и ретракций после внедрения обязательного декларирования нейросетевого вклада (пилотные журналы)

Внедрение процедурной модели разделения вкладов способствует снижению доли ретракций (на 43,8%, p=0,073) и значимо повышает доверие рецензентов на 28% (p<0,0001). Раздельный анализ по каждому журналу не выявил различий в эффектах: индекс гетерогенности I² составил 0%. Иными словами, снижение доли скрытого использования нейросетей и повышение доверия рецензентов происходит одинаково во всех трех журналах, что позволяет исключить влияние специфики редакционной политики на полученные результаты. Формализация учета нейросетевого вклада повышает прозрачность и улучшает качественные характеристики публикационного потока, хотя и ценой некоторого увеличения времени рецензирования (на 11%, p=0,003). Обобщение эффектов позволяет выявить феномен «авторитетной децентрации»: снижение роли формальных регалий сопровождается ростом значимости открытого рецензирования и верификации данных. Ни один автор из группы C не вошел в топ-10% по ИДА (0 из 80), тогда как в группе A доля таких авторов составила 35,0% (28 из 80; 95% ДИ [24,7–46,5]). Нейросетевые технологии не отменяют авторитет как регуляторный механизм науки, но переводят его из накопительной в процессуальную форму существования.

Обсуждение

Полученные результаты вносят вклад в дискуссию о том, как внедрение технологий искусственного интеллекта трансформирует процессы получения и обоснования научного знания. Во-первых, исследование эмпирически подтверждает гипотезу о переходе от накопительной к процессуальной модели авторитета: индекс Хирша утрачивает способность служить достоверным индикатором того, насколько автору можно доверять. Данные выводы перекликаются с ранее высказанной критикой количественных метрик [13], однако вносят в нее важное уточнение. Автоматическая генерация контента с помощью ИИ порождает феномен «цитатного пузыря»: цитируемость работ возрастает, не сопровождаясь адекватным повышением их воспроизводимости.

Второе ключевое наблюдение касается противоречия между количеством публикаций и их надежностью: двукратный рост числа отозванных статей на фоне общего увеличения публикационной активности настоятельно диктует необходимость корректировки редакционной политики. Традиционные инструменты контроля (проверка на плагиат, экспертное рецензирование, декларация об отсутствии конфликта интересов) оказываются бессильны против скрытого использования нейросетей. Внедрение предлагаемой модели разделения вкладов (STARD-AI) позволяет существенно (более чем наполовину) сократить долю незадекларированного применения ИИ (см. таблицу 4), при этом увеличивая длительность рецензирования на 11%. Такое замедление представляется оправданным, поскольку оно сопровождается ростом доверия со стороны рецензентов на 28%.

В-третьих, индекс доверия к автору (ИДА), несмотря на трудоемкость его расчета (требует учета ретракций и подтвержденных воспроизведений), уверенно различает три исследуемые группы (A, B и C). Внедрение этого индекса в существующие научные профили (например, ORCID или ResearchGate) способно перенаправить стимулы исследователей с простого наращивания числа публикаций в сторону обеспечения их научной добросовестности — то есть воспроизводимости, прозрачности методологии и минимизации риска отзыва статей. Однако следует признать ограничения: ИДА не учитывает дисциплинарные различия (в физике высоких энергий число авторов на статью заведомо выше, чем в социологии), а данные о воспроизведениях остаются крайне разреженными.

Наконец, феномен «авторитетной децентрации» требует дальнейшего изучения. Если раньше авторитет концентрировался в университетах с высоким рейтингом и у профессоров с большим h-индексом, то сейчас он распределяется между автором, рецензентами, редакцией и даже нейросетевым агентом. Возникает вопрос: кто несет ответственность за ошибку в статье, сгенерированной ChatGPT? Ответ, вероятно, лежит в области процессуальной этики: ответственность распределяется пропорционально вкладу и степени контроля.

В целом, исследование показывает, что нейросети не разрушают научный авторитет, а вынуждают его переопределиться — от товарной ценности публикаций к процедурной надежности всего цикла производства знания.

Заключение

Проведенное исследование позволяет сформулировать три основных вывода. Во-первых, экспоненциальный рост использования нейросетей в научных публикациях (с 2,7% в 2020 г. до 50,8% в 2024 г.) сопровождается системным кризисом доверия, выраженным в росте недокументированного применения (до 12,6%) и двукратном увеличении частоты ретракций. Во-вторых, традиционные метрики научного авторитета (индекс Хирша, продуктивность) утрачивают свою обоснованность: их можно увеличивать, не заботясь о воспроизводимости результатов. В-третьих, внедрение процедурной модели разделения вкладов и индекса доверия (ИДА) позволяет снизить долю скрытого использования нейросетей на 56,6% и повысить доверие рецензентов на 28%, что свидетельствует о переходе от накопительной к процессуальной форме авторитета.

Практическая значимость работы заключается в разработке инструментов для редакций журналов (стандарт STARD-AI, алгоритм детекции, индекс ИДА). Теоретическая — в уточнении понятия авторитета в условиях распределенного познания (человек + ИИ) как транзакционной надежности, а не как персонального качества или суммы цитирований. Ограничения исследования связаны с фокусом на журналах Q1–Q2 (результаты могут не распространятся на менее престижные издания) и использованием англоязычных источников. Дальнейшие исследования могут быть направлены на: кросс-дисциплинарный анализ (сравнение естественных и гуманитарных наук); длительное наблюдение за одними и теми же авторами (продольный дизайн), чтобы оценить, как ИИ влияет на их карьеру в перспективе нескольких лет; качественные интервью с авторами, которые доверяют нейросетям генерацию гипотез.