доцент Высшей школы цифровой экономики, кандидат экономических наук, доцент
Amid the active introduction of generative neural networks into scientific communication, traditional metrics for evaluating scientists (the Hirsch index, the number of publications) are losing their reliability, since they can be easily increased without ensuring reproducibility of the results. Based on the synthesis of the sociology of science, the concept of distributed cognitive partnership, and the model of procedural legitimacy, the article introduces a distinction between cumulative and procedural models of scientific authority. The empirical base consists of data from the Scopus abstract database for 2020-2024 for twelve journals of the first and second quartiles. Using a combined algorithm (the RoBERTa model and token frequency analysis), the article reveals a steady increase in the proportion of articles prepared with neural networks (from 2.7% to 50.8%), as well as an increase in the proportion of undocumented use and the frequency of retractions. The developed author confidence index, which takes into account the normalized Hirsch index, the number of verified reproductions and the number of retractions, showed a high discriminating ability between traditional authors, users of neural networks for data processing and authors delegating hypothesis generation and text writing to neural networks. The introduction of mandatory declaration of neural network contributions in three pilot journals reduced the share of hidden use of neural networks by 56.6% and increased the trust of reviewers by 28% with a moderate increase in review time (by 11%). The results obtained indicate the transition from a cumulative model of authority to a procedural one, where transparency of methodology, reproducibility and compliance with ethical standards become key.
В условиях активного внедрения генеративных нейросетей в научную коммуникацию традиционные метрики оценки ученых (индекс Хирша, количество публикаций) утрачивают свою надежность, поскольку их можно легко увеличить без обеспечения воспроизводимости результатов. В работе на основе синтеза социологии науки, концепции распределенного когнитивного партнерства и модели процедурной легитимности вводится различие между накопительной и процессуальной моделями научного авторитета. Эмпирическую базу составили данные реферативной базы Scopus за 2020–2024 годы по двенадцати журналам первого и второго квартилей. С использованием комбинированного алгоритма (модель RoBERTa и анализ частот токенов) выявлен устойчивый рост доли статей, подготовленных с участием нейросетей (с 2,7 до 50,8 %), а также рост доли недокументированного использования и частоты ретракций. Разработанный индекс доверия к автору (ИДА), учитывающий нормированный индекс Хирша, число верифицированных воспроизведений и количество ретракций, показал высокую различительную способность между традиционными авторами, пользователями нейросетей для обработки данных и авторами, делегирующим нейросетям генерацию гипотез и написание текста. Внедрение обязательного декларирования нейросетевого вклада в трех пилотных журналах снизило долю скрытого использования нейросетей на 56,6 % и повысило доверие рецензентов на 28 % при умеренном увеличении времени рецензирования (на 11 %). Полученные результаты свидетельствуют о переходе от накопительной модели авторитета к процессуальной, где ключевыми становятся прозрачность методологии, воспроизводимость и соблюдение этических норм