Использование AI-инструментов для повышения качества научных публикаций через автоматизированный анализ препринтов статей DOI: 10.29188/2712-9217-2025-11-3-32-37

117

ВВЕДЕНИЕ

Современная биомедицинская наука характеризуется беспрецедентным ростом объема данных. Врачи и исследователи сталкиваются с необходимостью не только постоянно анализировать новую информацию, но и оперативно публиковать результаты собственных клинических наблюдений и экспериментальных работ. Однако существующая система научной коммуникации испытывает перегрузки. Традиционный процесс рецензирования (peer-review), являясь золотым стандартом контроля качества, часто становится «узким горлышком», задерживающим распространение критически важных медицинских знаний.

Проблема длительности публикационного цикла стоит особенно остро. По данным систематических обзоров, средний срок от подачи статьи до ее принятия (acceptance) в биомедицинских журналах варьируется в широком диапазоне – от 50 до 276 дней, при этом медианные значения составляют от 21 до 248 дней [1]. Период от начала до завершения рецензирования занимает от 10 до 75 дней (медиана 29–87 дней), а коммуникация между рецензентом и автором по внесению правок требует еще от 24 до 73 дней [1, 2].

В контексте глобальных вызовов, таких как пандемия COVID-19, научное сообщество продемонстрировало способность ускорять процессы: время «от подачи до публикации» сократилось на 49% по сравнению с доковидным периодом для статей по соответствующей тематике [3]. Однако для работ по другим специальностям (кардиология, онкология, телемедицина) сроки остаются значительными.

Ключевой гипотезой данного исследования является предположение, что значительная часть задержек вызвана не отсутствием научной ценности работ, а формальными недостатками рукописей, которые могут быть устранены автоматически еще до этапа подачи в журнал.

Целью работы является описание методологии и функционала AI-инструмента (на примере разрабатываемой системы Ptolemaea), предназначенного для автоматизированного аудита научных препринтов.

Проблематика: анатомия публикационных задержек и ошибок

Анализ причин возврата рукописей авторам или их отклонения (rejection) выявляет доминирование технических и методологических недочетов над концептуальными. Согласно библиометрическим исследованиям, до 93,2% ошибок в рукописях исходят непосредственно от авторов [4]. Спектр этих ошибок варьируется от банальных опечаток до серьезных методологических нарушений.

К наиболее частотным проблемам, препятствующим быстрой публикации, относятся:

1. Несоответствие требованиям конкретного журнала (Guide for Authors), отсутствие обязательных разделов, неправильное цитирование.
2. Неверный дизайн исследования, недостаточный размер выборки, ошибки в расчете pзначений (p-hacking или технические ошибки вычислений), неясное описание методов [4, 5].
3. Расхождения между данными в абстракте и основном тексте статьи, что затрудняет первичный скрининг редактором.
4. Грамматические и стилистические ошибки, особенно актуальные для авторов, публикующихся на неродном (чаще всего английском) языке.

Факторы, влияющие на скорость публикации, многогранны. Исследования показывают корреляцию между скоростью принятия статьи и такими параметрами, как конфликт интересов (члены редакции публикуются быстрее), география авторов (авторы из развитых стран имеют преимущество) и формат публикации (Open Access часто быстрее традиционной модели) [6, 7]. Тем не менее, качество подготовки рукописи остается единственным фактором, на который автор может повлиять напрямую и гарантированно.

МАТЕРИАЛЫ И МЕТОДЫ

В основу предлагаемого решения положена научная база Data-Centric AI, наукометрии и компьютерной лингвистики. Проект, получивший название Ptolemaea, реализуется на базе Цифровой кафедры Первого МГМУ им. И.М. Сеченова [8].

Технологический стек и алгоритмы

В отличие от генеративных моделей (таких как GPT), задача которых – создание нового контента, в данном исследовании применяются NLP-модели (Natural Language Processing) для глубокого аналитического разбора текста. Подход можно охарактеризовать как «экспертная система на базе ИИ».

Процесс автоматизированного анализа препринта включает следующие этапы:

1. Парсинг и структурирование. Алгоритм декомпозирует загруженный файл (docx, pdf) на структурные элементы согласно стандарту IMRAD (Introduction, Methods, Results, and Discussion).
2. Формальная верификация. Проверка наличия всех обязательных разделов, соответствия объема аннотации, корректности оформления таблиц и рисунков, наличия ссылок на эти элементы в тексте.
3. Стилистический и лингвистический анализ. Выявление грамматических ошибок, стилистических несоответствий научному стилю, проверка уникальности текста (интеграция с базами научных статей).
4. Статистический аудит. Это наиболее инновационный модуль системы. Алгоритм сканирует раздел «Результаты» на предмет упоминания статистических критериев и p-значений, проверяя их внутреннюю согласованность и математическую возможность заявленных результатов при указанных размерах выборки.
5. Проверка библиографии. Верификация списка литературы, проверка соответствия ссылок внутри текста списку литературы, а также валидация DOI.

Валидация

Эффективность разрабатываемой модели оценивается путем сравнения результатов автоматического анализа с рецензиями экспертовлюдей. Тестовая выборка включает препринты, размещенные в открытых репозиториях (arXiv, bioRxiv, medRxiv), что позволяет обучать модель на реальных данных, содержащих типичные ошибки [9].

Внедрение системы автоматизированного анализа препринтов позволяет трансформировать процесс подготовки статьи. Технология помогает авторам заранее, до подачи в редакцию, увидеть и исправить ошибки, экономя время и повышая шансы на успешную публикацию (acceptance rate).

Сравнительный анализ функционала разрабатываемой системы Ptolemaea с существующими зарубежными аналогами (Penelope.ai (Великобритания), Stat Reviewer (США/Aries System), Manuscript Manager (США)) и отечественными решениями (НейроАссистент научного издательства, НЭИКОН) демонстрирует конкурентные преимущества предлагаемого подхода (табл. 1).

РЕЗУЛЬТАТЫ

Внедрение системы автоматизированного анализа препринтов позволяет трансформировать процесс подготовки статьи. Технология помогает авторам заранее, до подачи в редакцию, увидеть и исправить ошибки, экономя время и повышая шансы на успешную публикацию (acceptance rate).

Сравнительный анализ функционала разрабатываемой системы Ptolemaea с существующими зарубежными аналогами (Penelope.ai (Великобритания), Stat Reviewer (США/Aries System), Manuscript Manager (США)) и отечественными решениями (НейроАссистент научного издательства, НЭИКОН) демонстрирует конкурентные преимущества предлагаемого подхода (табл. 1).

Ключевым отличием системы Ptolemaea является комплексный подход, включающий проверку статистической корректности, что реализовано лишь в единичных зарубежных продуктах (Stat Reviewer), доступ к которым для российских исследователей может быть ограничен.

Для образовательных и научных учреждений внедрение подобных систем несет прямой экономический эффект. По данным статистического сборника «Индикаторы науки: 2025», в России насчитывается более 800 институтов и университетов и 338 тысяч авторов, а финансирование науки превышает 1,6 трлн рублей [10]. При этом до 30% отчетов по грантам требуют существенной доработки, что влечет административные и финансовые издержки.

Внедрение AI-анализа препринтов позволяет:

• Для ВУЗов: Повысить показатели публикационной активности (KPI), улучшить качество обучения студентов и аспирантов академическому письму, обеспечить мониторинг качества исследований.
• Для молодых ученых: Снизить порог вхождения в публикационную деятельность. Система выступает в роли ментора, указывая на ошибки, характерные для начинающих исследователей.
• Для опытных авторов: Решить проблему рутинизации, делегируя ИИ проверку форматирования и библиографии, фокусируясь на научной новизне.
• Для издательств: Обеспечить предварительную фильтрацию входящего потока статей, снижая нагрузку на рецензентов и редакторов.

Таблица 1. Сравнительный анализ функционала систем автоматической проверки научных статей
Table 1. Comparative analysis of the functionality of automatic verification systems for scientific articles

Потенциальный рынок (SAM) в России оценивается в 875 млн рублей в год с возможностью достижения выручки более 80 млн рублей к третьему году реализации проекта при охвате около 10% рынка.

ОБСУЖДЕНИЕ

Традиционная модель закрытого рецензирования подвергается критике из-за длительности, предвзятости и неспособности выявить все ошибки. В ответ на это возникают новые модели:

1. Fast-track. Ускоренное рецензирование (часто платное) [11].
2. Publish–Review–Curate. Модель, где статья сначала публикуется как препринт, затем проходит рецензирование и кураторскую оценку [12].
3. Открытый обзор. Публикация комментариев рецензентов вместе с текстом статьи.

Использование AI-инструментов гармонично вписывается в парадигму Publish–Review– Curate и развития препринт-серверов. Активность российских авторов на платформе arXiv в 2024 году выросла на 12%, что подтверждает готовность сообщества к новым форматам коммуникации. AI-валидация выступает первичным фильтром качества, гарантирующим, что препринт соответствует базовым стандартам научности перед тем, как он попадет к экспертамлюдям.

Важно подчеркнуть, что AI-инструменты, такие как Ptolemaea, не заменяют научного рецензента. Искусственный интеллект на текущем этапе развития не способен оценить истинную клиническую значимость, новизну идеи или этичность проведенного эксперимента над пациентами. Задача AI – взять на себя функцию «технического редактора» и «статистического контролера». Для врача-клинициста использование такого инструмента означает возможность сосредоточиться на медицине, а не на борьбе с требованиями к оформлению списка литературы. Это практический инструмент, снижающий риск отказа по формальным признакам, который особенно демотивирует авторов.

ЗАКЛЮЧЕНИЕ

Автоматизированный анализ препринтов с использованием технологий Data-centric AI и NLP представляет собой перспективное направление в области медицинской информатики и наукометрии. Проект Ptolemaea демонстрирует возможность создания комплексного отечественного решения, превосходящего по ряду параметров зарубежные аналоги, в частности, за счет модуля статистического аудита.

Внедрение данной технологии позволит:

1. Сократить время от написания до публикации статьи за счет устранения формальных ошибок на раннем этапе (shift-left testing).
2. Снизить нагрузку на редакции научных журналов и рецензентов.
3. Повысить общее качество биомедицинских публикаций, минимизируя количество статей с некорректным дизайном или статистикой.
4. Стимулировать публикационную активность молодых ученых и студенческих сообществ, которых в России насчитывается более 500.

Дальнейшее развитие проекта предполагает расширение датасетов для обучения моделей, интеграцию с редакционными системами российских журналов и совершенствование алгоритмов проверки семантической связности текста.

ЛИТЕРАТУРА

1. Andersen MZ, Fonnes S, Rosenberg J. Time from submission to publication varied widely for biomedical journals: a systematic review. Curr Med Res Opin 2021;37(6):985–993. https://doi.org/10.1080/03007995.2021.1905622

2. Maggio LA, Bynum WE 4th, Schreiber-Gregory DN, Durning SJ, Artino AR Jr. When will I get my paper back? A replication study of publication timelines for health professions education research. Perspect Med Educ 2020;9:253-256.

3. Horbach SPJM. Pandemic publishing: Medical journals strongly speed up their publication process for COVID-19. Quant Sci Stud 2020;1(3):1056–1067. https://doi.org/10.1162/qss_a_00076

4. Soleimanpour S, Sedghi S, Asghari H, Nemati-Anaraki L. No study is ever flawless: A scoping review of common errors in biomedical manuscripts. Account Res 2021;29(6):397–414. https://doi.org/10.1080/08989621.2021.1937604

5. Vural S, Kaya H, Coşkun F. A bibliometric study on the publication errors in emergency medicine journals from 2000 to 2020. Am J Emerg Med 2022;60:140-144. https://doi.org/10.1016/j.ajem.2022.08.001

6. Sebo P, Fournier JP, Ragot C, Gorioux P, Herrmann F, Maisonneuve H. Factors associated with publication speed in general medical journals: a retrospective study of bibliometric data. Scientometrics 2019;119:1037-1058. https://doi.org/10.1007/s11192-019-03061-8

7. Taşkхn Z, Taşkхn A, Doğan G, et al. Factors affecting time to publication in information science. Scientometrics 2022;127:7499–7515. https://doi.org/10.1007/s11192-022-04296-8

8. Жигулин Г.М., и др. Использование AI инструментов для повышения качества научных публикаций. Материалы конференции ИТМ. 2024.

9. Accelerating scientific progress with preprints. Nat Comput Sci 2024;4:311. https://doi.org/10.1038/s43588-024-00641-4

10. Гохберг Л.М., Дитковский К.А., Евневич Е.И. и др. Индикаторы науки: 2025: статистический сборник. М.: НИУ ВШЭ, 2025.

11. Teixeira da Silva JA, Yamada Y. Accelerated Peer Review and Paper Processing Models in Academic Publishing. Pub Res Q 2022;38:599–611. https://doi.org/10.1007/s12109-022-09891-4.

12. Eisen MB, Akhmanova A, Behrens TE, et al. Scientific Publishing: Peer review without gatekeeping. eLife 2022;11:e83889.