Il Futuro dell'Articolo Scientifico nell'Era dell'IA Ernesto Spinak

 

The Future of the Scientific Article in the Age of AI

July 24, 2026 10:00 , Leave a Comment , Ernesto Spinak

By Ernesto Spinak

Introduction

Image: Nathan Dumlao via Unsplash

The traditional model of the scientific article, conceived centuries ago to accelerate the exchange of results, appears to have come to an end. We are currently in its survival phase, in which the validity of the immutable PDF document as a “black box” (which some consider a “fossil”) is being questioned, since its rigidity facilitates fraud by allowing manipulated data or inserted metadata to be concealed.

A possible transition points toward science as a continuous and constantly evolving process, where knowledge is not condensed into a single product but rather into open research notebooks (such as Jupyter Noteboks). Here, code and data coexist in an auditable manner, ensuring transparency by documenting who made a decision, when it was made, and what information was used.

Current status: integrity, ghost citations, hidden references

One of the threats is the manipulation of metadata through so-called “sneaked references”. These are citations that appear neither in the body of the article nor in its visible bibliography.

The first study on the topic, published on arXiv last year, Detection of metadata manipulations: Finding sneaked references in the scholarly literature 1,demonstrates that the global scientific communication infrastructure has a vulnerability whereby “it is possible to artificially manipulate scientific impact by inserting nonexistent citations into an article’s metadata without altering the published document, thereby compromising the reliability of international citation-based evaluation systems. The results are extraordinarily revealing. An analysis of 4,077 documents identified more than 80,000 artificially inserted fraudulent citations, distributed across 2,787 manipulated articles.”

The main purpose of these phantom citations is to artificially inflate citation-based performance indicators, such as the h-index, journal Impact Factors, and Field-Weighted Citation Impact (FWCI). Since these metrics form the basis of prestigious global rankings (such as the Shanghai Ranking or Clarivate’s lists of highly cited researchers), fraud ultimately undermines the reliability of the entire academic evaluation system.

Ghost citations are inserted directly into the metadata of articles registered with agencies such as Crossref, causing them to spread across major scientometrics platforms. As a result, these frauds have forced infrastructure institutions to take drastic measures, such as permanently revoking Crossref membership and, more importantly, triggering a “confidence crisis”, s pointed out in an editorial published by ACS Nano in early 2026, Peer Review and AI: Your (Human) Opinion Is What Matters 2,which details how AI-generated evaluations are homogenizing science, destroying critical thinking, and creating “false efficiencies” that overwhelm human editors).

This phenomenon exposes an “ontological crisis” in science, in which the “publish or perish” incentive system leads publishers to prioritize volume and impact at the expense of the soundness of the discovery. (See the editorial entitled More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review 3, which analyzes the behavior of scientific journals following the mass adoption of LLMs and concludes that AI, combined with traditional incentives from funding agencies and transformative agreements, is driving academia to produce more volume rather than better research, thereby eroding standards of readability and conceptual depth.)

Consequently, the saturation of the system through the use of AI to generate fraudulent articles and citations threatens to create a “closed loop” in which some computers write and others review, stripping the scientific validation ecosystem of empirical rigor and human intervention. This makes it difficult for human researchers to distinguish between legitimate science and “sophisticated junk” based on fabricated data.

 What if we moved toward the complete automation of science?

The risk of full automation in science is not merely a technological shift but is described in the sources as a response to the ontological crisis affecting the very essence of knowledge and its validation. The main risks mentioned are as follows:

• Loss of rigor: Full automation could lead to the approval of documents lacking actual research, integrity, or minimum scientific standards.
• Lack of human intervention: By eliminating the expert intervention of human researchers, the scientific validation ecosystem is deprived of empirical content.
• Atrophy of critical thinking: The act of writing a paper is not a mere administrative formality, but a way of thinking. The struggle to articulate a discovery forces scientists to detect methodological inconsistencies and gaps in their reasoning.
• System saturation: So-called “paper mills” use AI to generate flawless synthetic images, graphics, and data, creating coherent texts at nearly zero cost that are difficult for human reviewers to identify as fraud. In Kobak et al., Delving into LLM-assisted writing in biomedical publications through excess vocabulary 4, published in Science Advances, the study analyzed more than 15 million abstracts in PubMed through the end of 2024, finding that at least 13.5% of biomedical articles exhibit unmistakable linguistic traits of having been processed or written by LLMs.
• The automation of the scientific process tends to standardize science, eliminating the diversity of epistemological concepts that enrich it.
• Complacency (sycophancy): There is a risk that evaluation algorithms will tend toward complacency, validating only ideas that fit pre-established statistical patterns and marginalizing disruptive or counterintuitive ideas.

A Radical Shift in the Global Narrative Toward Minimum Verifiable Units

The present may be paving the way for the future by proposing a radical shift in how science is evaluated. Instead of reviewing an article as an indivisible narrative block, there are platforms such as OpenEval (which propose breaking down each article into “minimum verifiable units” or concrete claims).

• Detailed evaluation: AI can automatically extract these claims and classify them according to the evidence supporting them (experimental data, previous references, or statistical inferences).
• Efficiency: In tests conducted with the journal eLife, the AI system was able to evaluate 93% of the claims in a manuscript, surpassing the 68% coverage achieved, on average, by human reviewers, as noted in the article The next unit of science: Is the scientific paper due to be replaced?.5

The Homogenization of Science by AI

While there are advantages, there is an existential risk associated with total automation. We are witnessing the emergence of a “closed loop” in which AI writes and AI reviews.

• System saturation: Tools like Google’s Paper Orchestra [5] can transform lab notes into a complete manuscript in 40 minutes. This has led to as many as 21% of peer reviews at computer science conferences being generated entirely by LLMs, as pointed out in the preprint PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing 6
• The human author is rendered invisible: The widespread use of these tools tends to homogenize language, creating a world where AI speaks “for us,” but not necessarily “like us,” eroding creativity and epistemic diversity.
• Techno-scientific reductionism: By attempting to automate evaluation through fragmentation into “minimum verifiable units,” there is a risk of adopting a reductionist approach. While useful for verifying isolated data, this method may fail to capture complex synthesis, holistic theorization, and epistemic discussion, especially in fields such as the humanities and social sciences.

One reminder—which I hope is not merely nostalgic—is the adage that “to write is to think.” The difficulty of drafting an article forces the researcher to confront gaps in their reasoning and detect inconsistencies they did not notice during the experiment. By automating the writing process, there is a risk of eliminating this “work of reflection,” which is essential for deep understanding.

OpenEval for evaluating documents and other forms of forensic analysis

There are several editorial tools available to detect and prevent many of the types of fraud mentioned. In this section, we provide details about OpenEval and will include technical details on other procedures in the Annex at the end of this post.

OpenEval proposes that scientific journals separate two functions that are currently intertwined in articles:

• Reporting of results: these should be published in a structured, machine-readable format.
• Communication of ideas: the traditional narrative (the PDF) would become simply an interpretive layer over this structured, searchable database.

Proven Effectiveness

In a large-scale test using the eLife journal corpus (approximately 16,000 articles), the system delivered remarkable results.

• Mass extraction: It identified nearly 2 million individual statements.
• Accuracy: The AI and human reviewers agreed in 81% of cases.
• Coverage: OpenEval assessed 93% of the statements in the manuscripts, significantly surpassing the 68% coverage achieved, on average, by human reviewers due to time constraints and the complexity of the texts.

“OpenEval”-type platforms propose a revolution in scientific evaluation by replacing the overall review of an article with an automated analysis of each individual statement contained in the document, demonstrating that artificial intelligence can actively participate in the validation of scientific knowledge and challenging the traditional peer-review model that has dominated science for centuries, as demonstrated in the paper Science should be machine-readable7.

The Role of Open Access and Preprint Servers

Open Access emerges in the literature as one of the most powerful tools of structural resistance for dismantling ghost citation fraud and other problems introduced by AI, as well as the oligopoly of journal publishers with article processing charges (APCs) included. The role of Open Access is not merely a form of distribution, but also one of auditing and shifting incentives.

In the traditional model, an article is reviewed by two or three reviewers, usually in a process that lacks transparency. In contrast, Open Access allows thousands of scientists to review the document simultaneously, which makes it possible to:

• Anomaly detection: Platforms such as PubPeer allow the community to publicly comment on and report fraudulent patterns, such as unexplained excessive citations or inconsistent metadata, which has proven to be far more effective than the traditional closed-review process.
• Post-publication analysis: By making the document openly available, the chances of detecting statistical manipulation or inserted references increase exponentially.

By breaking away from the “black box” model and the concept of final, immutable products—such as commercially published PDFs—the Open Access model drives the transition toward “Process Science,” in which not only the text but also the research context, code, and unprocessed data are published. Furthermore, if the process is open and auditable in real time, the point of fabricating citations or manipulating metadata disappears, since any AI algorithm or researcher can verify the traceability of the evidence.

The preprint server system for open-access articles changes the economic model and incentives, working against “paper mills”, since commercial journals that charge high article processing charges (APCs) currently have a financial incentive to accept a large volume of articles, which loosens quality filters and opens the door to industrialized fraud.

True open access (in which neither the author nor the reader pays—the Diamond model) eliminates commercial pressure for volume, allowing for stricter ethical standards and reducing the appeal of “citation gaming” tactics used to inflate market metrics.

We might also add that the traditional model rarely publishes studies with unsuccessful results, as they do not generate citations. Open Access facilitates the publication of these results, which is vital for training AI models with honest, unbiased data, thereby avoiding the need for researchers to “fudge” or inflate citations to make their findings appear more successful than they actually are.

Open Access promotes interoperability by publishing in formats such as XML-JATS, which transform the article into a computational object. This allows machine-readable knowledge networks to automatically collect and verify references, immediately detecting whether a citation in the metadata lacks a corresponding reference in the actual text.

Finally, we can observe that Open Access facilitates automated technical auditing. For forensic tools such as GROBID or cross-referencing algorithms to function, access to the full text of articles is essential.

Validation cannot be a one-time “approved/rejected” event prior to publication. Preprint platforms point the way: peer review should be a public, post-publication, community-driven, and evolving dialogue. AI can act as a front-line assistant (checking statistical consistency, formatting, and verifying the bibliography with forensic tools), but the assessment of heuristic and conceptual value must be carried out by humans and the community of stakeholders.

Conclusion

The future of the scientific article lies not only in improving fraud detection algorithms, but in a paradigm shift:

Moving from “producing text to be indexed” to “producing verifiable knowledge to be shared”

The architecture that replaces the current model must strike a balance between algorithmic efficiency and the human reflection that has defined science for centuries.

In short, the total automation of the scientific process threatens to transform the scientific article from a vehicle for discovery into a mere bureaucratic bargaining chip, where the volume of publications takes precedence over the soundness and veracity of the findings.

Finally, preprints and Open Access decentralize epistemic authority, stripping publishers of the power to decide what constitutes “valid science” based on opaque metrics, returning validation to the global scientific community, and transforming it into an exercise in real-time transparency—one capable of withstanding the pace of automation and incorporating it into Science in Progress.

Annex – Some forensic review methods

The editorial tools currently used to detect and prevent fraud are:

1. XML/PDF analyzers
2. Automated cross-referencing
3. Performing an intersection operation between sets of citations

$$\text{Anomalies} =  \text{References}_{\text{Crossref}} \setminus\text{References}_{\text{PDF}}$$

$$\text{References}_{\text{Crossref}}

it is the set of all references that actually appear at the end of the text in the article’s PDF file.

$$\text{References}_{\text{PDF}}

It is the set of all the references that actually appear at the end of the text in the article’s PDF file.

Operation ($\setminus)

The difference operator means: “Take everything in the first set and subtract what also appears in the second.” In other words, only the elements that belong to the first set but not to the second remain.

Therefore, the set $\text{Anomalies}$ yields the following result: All references that the publisher registered with Crossref but that do not physically exist in the PDF text.

In the context of scientific integrity analysis or metadata auditing, this result reveals serious discrepancies, such as:

• Ghost citations: references that have been officially indexed (which inflates the citation counts of other authors in the databases), but which the reader will never see in the actual article.
• Production errors: mistakes made by the publisher when exporting XML metadata to Crossref, or last-minute cuts to the PDF text that were not updated in the official record.
• Extraction biases: If the list on the right was obtained using text extraction software (such as GROBID or ParsCit), a result here could also indicate that the extractor failed to read certain pages of the PDF.
• If the resulting set is not empty, this means that the publisher has inserted metadata that is invisible to the reader of the article.

4. Network Analysis and Statistical Anomalies (Graphs)

To understand how fraud involving infiltrated references is detected, the process is divided into two technological phases:

• extraction and structuring of the actual content of the PDF (notably using GROBID: GeneRation Of Bibliographic Data),
• application of forensic detection algorithms that cross-reference this data with official metadata from agencies such as Crossref.

5. Extraction and Automated Classification

The system uses advanced natural language processing to automatically extract each statement from the text. Once extracted, it classifies them according to the type of evidence supporting them

• Direct experimental data.
• Previous bibliographic references.
• Statistical inferences.
• Speculative interpretations.

6. Evidence Assessment

Once classified, artificial intelligence assesses whether the evidence presented actually supports the claim made. This makes it possible to identify hidden connections; for example, the system was able to detect studies that reached complementary conclusions but did not cite one another because they belonged to different subfields.

Notes

1. BESANÇON, L.; CABANAC, G.; LABBÉ, C.; MAGAZINOV, A.; DI SCALA, J.; TKACZYK, D.; WEBER-BOER, K. Detection of metadata manipulations: Finding sneaked references in the scholarly literature. arXiv [online]. 2025 [viewed 20 July 2026]. https://doi.org/10.48550/arXiv.2501.03771. Available from: https://arxiv.org/abs/2501.03771

2. BURIAK, J. M. et al. Peer Review and AI: Your (Human) Opinion Is What Matters. ACS Nano [online]. 2026, vol. 20, no. 4, [viewed 20 July 2026]. Available from: https://pubs.acs.org/doi/10.1021/acsnano.6c00490

3. GARTENBERG, C. et al. More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science [online]. 2026, vol. 37, no. 3, pp. 795–812, ISSN: 1047-7039 [viewed 20 July 2026]. https://doi.org/10.1287/orsc.2026.ed.v37.n3. Available from: https://pubsonline.informs.org/doi/10.1287/orsc.2026.ed.v37.n3

4. KOBAK, D. Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances [online]. 2025, vol. 11, no. 27, pp. eadt3813, ISSN: 2375-2548 [viewed 20 July 2026]. https://doi.org/10.1126/sciadv.adt3813. Available from: https://www.science.org/doi/10.1126/sciadv.adt3813

5. The next unit of science: Is the scientific paper due to be replaced? [online]. The Transmitter: Neuroscience News and Perspectives. 2026 [viewed 20 July 2026]. Available from: https://www.thetransmitter.org/from-bench-to-bot/the-next-unit-of-science-is-the-scientific-paper-due-to-be-replaced/

6. SONG, Y. PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing. arXiv [online]. 2026. [viewed 20 July 2026]. https://doi.org/10.48550/arXiv.2604.05018. Available from: https://arxiv.org/abs/2604.05018

7. BOOESHAGHI, A. S. Science should be machine-readable. bioRxiv [online]. 2026. [viewed 20 July 2026]. https://doi.org/10.64898/2026.01.30.702911. Available from: https://www.biorxiv.org/content/10.64898/2026.01.30.702911v1.full

References

BESANÇON, L.; CABANAC, G.; LABBÉ, C.; MAGAZINOV, A.; DI SCALA, J.; TKACZYK, D.; WEBER-BOER, K. Detection of metadata manipulations: Finding sneaked references in the scholarly literature. arXiv [online]. 2025 [viewed 20 July 2026]. https://doi.org/10.48550/arXiv.2501.03771. Available from: https://arxiv.org/abs/2501.03771

BOOESHAGHI, A. S. Science should be machine-readable. bioRxiv [online]. 2026. [viewed 20 July 2026]. https://doi.org/10.64898/2026.01.30.702911. Available from: https://www.biorxiv.org/content/10.64898/2026.01.30.702911v1.full

BURIAK, J. M. et al. Peer Review and AI: Your (Human) Opinion Is What Matters. ACS Nano [online]. 2026, vol. 20, no. 4, [viewed 20 July 2026].Available from: https://pubs.acs.org/doi/10.1021/acsnano.6c00490

GARTENBERG, C. et al. More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science [online]. 2026, vol. 37, no. 3, pp. 795–812, ISSN: 1047-7039 [viewed 20 July 2026]. https://doi.org/10.1287/orsc.2026.ed.v37.n3. Available from: https://pubsonline.informs.org/doi/10.1287/orsc.2026.ed.v37.n3

KOBAK, D. Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances [online]. 2025, vol. 11, no. 27, pp. eadt3813, ISSN: 2375-2548 [viewed 20 July 2026]. https://doi.org/10.1126/sciadv.adt3813. Available from: https://www.science.org/doi/10.1126/sciadv.adt3813

SONG, Y. PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing. arXiv [online]. 2026. [viewed 20 July 2026]. https://doi.org/10.48550/arXiv.2604.05018. Available from: https://arxiv.org/abs/2604.05018

The next unit of science: Is the scientific paper due to be replaced? [online]. The Transmitter: Neuroscience News and Perspectives. 2026 [viewed 20 July 2026]. Available from: https://www.thetransmitter.org/from-bench-to-bot/the-next-unit-of-science-is-the-scientific-paper-due-to-be-replaced/

This post was prepared with the assistance of Gemini 3.1, Perplixity, and NotebokLM

 

About Ernesto Spinak

SciELO collaborator, Systems Engineer and Librarian, holding a Diploma of Advanced Studies and a Master’s degree in Information Society from the Universitat Oberta de Catalunya, Barcelona, Spain. He currently runs a consulting company that serves 14 government institutions and universities in Uruguay with information projects.

 

TRADUZIONE BY DEEPSEEK 5-8-26

Il Futuro dell'Articolo Scientifico nell'Era dell'IA

24 Luglio 2026 10:00 , Lascia un Commento , di Ernesto Spinak

Introduzione
Fotografia in bianco e nero di fogli di carta arrotolati e impilati.
Immagine: Nathan Dumlao via Unsplash

Il modello tradizionale dell'articolo scientifico, concepito secoli fa per accelerare lo scambio di risultati, sembra essere giunto al termine. Attualmente ci troviamo nella sua fase di sopravvivenza, in cui viene messa in discussione la validità del documento PDF immutabile come "scatola nera" (che alcuni considerano un "fossile"), poiché la sua rigidità facilita le frodi consentendo di nascondere dati manipolati o metadati inseriti.

Una possibile transizione punta verso una scienza intesa come processo continuo e in costante evoluzione, dove la conoscenza non è condensata in un unico prodotto, ma piuttosto in quaderni di ricerca aperti (come i Jupyter Notebooks). Qui, codice e dati coesistono in modo verificabile, garantendo trasparenza documentando chi ha preso una decisione, quando è stata presa e quali informazioni sono state utilizzate.

Stato attuale: integrità, citazioni fantasma, riferimenti nascosti
Una delle minacce è la manipolazione dei metadati attraverso le cosiddette "sneaked references" (riferimenti infiltrati). Si tratta di citazioni che non appaiono né nel corpo dell'articolo né nella sua bibliografia visibile.

Il primo studio sull'argomento, pubblicato su arXiv lo scorso anno, Detection of metadata manipulations: Finding sneaked references in the scholarly literature¹, dimostra che l'infrastruttura globale della comunicazione scientifica presenta una vulnerabilità per cui "è possibile manipolare artificialmente l'impatto scientifico inserendo citazioni inesistenti nei metadati di un articolo senza alterare il documento pubblicato, compromettendo così l'affidabilità dei sistemi di valutazione internazionali basati sulle citazioni. I risultati sono straordinariamente rivelatori. Un'analisi di 4.077 documenti ha identificato più di 80.000 citazioni fraudolente inserite artificialmente, distribuite in 2.787 articoli manipolati."

Lo scopo principale di queste citazioni fantasma è gonfiare artificialmente gli indicatori di performance basati sulle citazioni, come l'h-index, i fattori di impatto delle riviste e il Field-Weighted Citation Impact (FWCI). Poiché queste metriche costituiscono la base di prestigiosi ranking globali (come lo Shanghai Ranking o le liste di Clarivate dei ricercatori più citati), la frode mina in ultima analisi l'affidabilità dell'intero sistema di valutazione accademica.

Le citazioni fantasma vengono inserite direttamente nei metadati degli articoli registrati presso agenzie come Crossref, diffondendosi così sulle principali piattaforme scientometriche. Di conseguenza, queste frodi hanno costretto le istituzioni infrastrutturali ad adottare misure drastiche, come la revoca permanente dell'adesione a Crossref e, cosa più importante, innescando una "crisi di fiducia", come sottolineato in un editoriale pubblicato da ACS Nano all'inizio del 2026, Peer Review and AI: Your (Human) Opinion Is What Matters², che descrive in dettaglio come le valutazioni generate dall'IA stiano omologando la scienza, distruggendo il pensiero critico e creando "false efficienze" che sopraffanno gli editori umani).

Questo fenomeno espone una "crisi ontologica" nella scienza, in cui il sistema di incentivi "pubblica o perisci" porta gli editori a privilegiare il volume e l'impatto a scapito della solidità della scoperta. (Si veda l'editoriale intitolato More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review³, che analizza il comportamento delle riviste scientifiche dopo l'adozione di massa dei modelli linguistici di grandi dimensioni (LLM) e conclude che l'IA, combinata con gli incentivi tradizionali delle agenzie di finanziamento e degli accordi trasformativi, sta spingendo il mondo accademico a produrre più volume piuttosto che ricerca migliore, erodendo così gli standard di leggibilità e profondità concettuale.)

Di conseguenza, la saturazione del sistema attraverso l'uso dell'IA per generare articoli e citazioni fraudolenti minaccia di creare un "circolo chiuso" in cui alcuni computer scrivono e altri revisionano, privando l'ecosistema di convalida scientifica del rigore empirico e dell'intervento umano. Questo rende difficile per i ricercatori umani distinguere tra scienza legittima e "spazzatura sofisticata" basata su dati fabbricati.

E se ci muovessimo verso l'automazione completa della scienza?
Il rischio dell'automazione totale nella scienza non è semplicemente un cambiamento tecnologico, ma viene descritto nelle fonti come una risposta alla crisi ontologica che colpisce l'essenza stessa della conoscenza e della sua convalida. I principali rischi menzionati sono i seguenti:

• Perdita di rigore: L'automazione totale potrebbe portare all'approvazione di documenti privi di ricerca effettiva, integrità o standard scientifici minimi.

• Mancanza di intervento umano: Eliminando l'intervento esperto dei ricercatori umani, l'ecosistema di convalida scientifica viene privato del suo contenuto empirico.

• Atrofia del pensiero critico: L'atto di scrivere un articolo non è una mera formalità amministrativa, ma un modo di pensare. La lotta per articolare una scoperta costringe gli scienziati a individuare incoerenze metodologiche e lacune nel loro ragionamento.

• Saturazione del sistema: Le cosiddette "cartiere" (paper mills) utilizzano l'IA per generare immagini sintetiche, grafici e dati impeccabili, creando testi coerenti a costo quasi zero che sono difficili da identificare come frodi per i revisori umani. In Kobak et al., Delving into LLM-assisted writing in biomedical publications through excess vocabulary⁴, pubblicato su Science Advances, lo studio ha analizzato oltre 15 milioni di abstract in PubMed fino alla fine del 2024, scoprendo che almeno il 13,5% degli articoli biomedici presenta tratti linguistici inequivocabili di essere stati elaborati o scritti da LLM.

• L'automazione del processo scientifico tende a standardizzare la scienza, eliminando la diversità di concetti epistemologici che la arricchiscono.

• Compiacenza (sycophancy): Esiste il rischio che gli algoritmi di valutazione tendano verso la compiacenza, convalidando solo idee che si adattano a modelli statistici predefiniti ed emarginando idee dirompenti o controintuitive.

Un Cambiamento Radicale nella Narrazione Globale Verso Unità Minime Verificabili
Il presente potrebbe aprire la strada al futuro proponendo un cambiamento radicale nel modo in cui la scienza viene valutata. Invece di rivedere un articolo come un blocco narrativo indivisibile, esistono piattaforme come OpenEval (che propongono di scomporre ogni articolo in "unità minime verificabili" o affermazioni concrete).

• Valutazione dettagliata: L'IA può estrarre automaticamente queste affermazioni e classificarle in base alle prove che le supportano (dati sperimentali, riferimenti precedenti o inferenze statistiche).

• Efficienza: Nei test condotti con la rivista eLife, il sistema di IA è stato in grado di valutare il 93% delle affermazioni in un manoscritto, superando la copertura del 68% raggiunta, in media, dai revisori umani, come notato nell'articolo The next unit of science: Is the scientific paper due to be replaced?⁵.

L'Omologazione della Scienza da Parte dell'IA
Sebbene ci siano vantaggi, esiste un rischio esistenziale associato all'automazione totale. Stiamo assistendo all'emergere di un "circolo chiuso" in cui l'IA scrive e l'IA revisiona.

• Saturazione del sistema: Strumenti come PaperOrchestra di Google [6] possono trasformare gli appunti di laboratorio in un manoscritto completo in 40 minuti. Questo ha portato a far sì che fino al 21% delle revisioni tra pari nelle conferenze di informatica siano generate interamente da LLM, come sottolineato nel preprint PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing⁶.

• L'autore umano viene reso invisibile: L'uso diffuso di questi strumenti tende a omologare il linguaggio, creando un mondo in cui l'IA parla "per noi", ma non necessariamente "come noi", erodendo la creatività e la diversità epistemica.

• Riduzionismo tecnico-scientifico: Tentando di automatizzare la valutazione attraverso la frammentazione in "unità minime verificabili", si corre il rischio di adottare un approccio riduzionista. Sebbene utile per verificare dati isolati, questo metodo potrebbe non riuscire a cogliere la sintesi complessa, la teorizzazione olistica e la discussione epistemica, specialmente in campi come le scienze umane e sociali.

Un monito—che spero non sia solo nostalgico—è l'adagio secondo cui "scrivere è pensare". La difficoltà di stendere un articolo costringe il ricercatore a confrontarsi con le lacune del proprio ragionamento e a rilevare incongruenze che non aveva notato durante l'esperimento. Automatizzando il processo di scrittura, si corre il rischio di eliminare questo "lavoro di riflessione", essenziale per una comprensione profonda.

OpenEval per la valutazione dei documenti e altre forme di analisi forense
Esistono diversi strumenti editoriali disponibili per rilevare e prevenire molti dei tipi di frode menzionati. In questa sezione, forniamo dettagli su OpenEval e includeremo dettagli tecnici su altre procedure nell'Appendice alla fine di questo post.

OpenEval propone che le riviste scientifiche separino due funzioni attualmente intrecciate negli articoli:

1. Resoconto dei risultati: questi dovrebbero essere pubblicati in un formato strutturato e leggibile dalla macchina.

2. Comunicazione delle idee: la narrazione tradizionale (il PDF) diventerebbe semplicemente un livello interpretativo sovrapposto a questo database strutturato e ricercabile.

Efficacia Provata

In un test su larga scala utilizzando il corpus della rivista eLife (circa 16.000 articoli), il sistema ha fornito risultati notevoli.

• Estrazione di massa: Ha identificato quasi 2 milioni di affermazioni individuali.

• Accuratezza: L'IA e i revisori umani hanno concordato nell'81% dei casi.

• Copertura: OpenEval ha valutato il 93% delle affermazioni nei manoscritti, superando significativamente la copertura del 68% raggiunta, in media, dai revisori umani a causa dei vincoli di tempo e della complessità dei testi.

Le piattaforme di tipo "OpenEval" propongono una rivoluzione nella valutazione scientifica sostituendo la revisione complessiva di un articolo con un'analisi automatizzata di ogni singola affermazione contenuta nel documento, dimostrando che l'intelligenza artificiale può partecipare attivamente alla convalida della conoscenza scientifica e sfidando il modello tradizionale di peer-review che ha dominato la scienza per secoli, come dimostrato nel lavoro Science should be machine-readable⁷.

Il Ruolo dell'Accesso Aperto e dei Server di Preprint
L'Accesso Aperto emerge nella letteratura come uno degli strumenti di resistenza strutturale più potenti per smantellare le frodi delle citazioni fantasma e altri problemi introdotti dall'IA, nonché l'oligopolio degli editori di riviste con le relative tariffe di elaborazione degli articoli (APC). Il ruolo dell'Accesso Aperto non è meramente una forma di distribuzione, ma anche di revisione e di cambiamento degli incentivi.

Nel modello tradizionale, un articolo viene revisionato da due o tre revisori, di solito in un processo che manca di trasparenza. Al contrario, l'Accesso Aperto consente a migliaia di scienziati di revisionare il documento simultaneamente, il che rende possibile:

• Rilevamento di anomalie: Piattaforme come PubPeer permettono alla comunità di commentare pubblicamente e segnalare modelli fraudolenti, come citazioni eccessive inspiegabili o metadati incoerenti, il che si è rivelato molto più efficace del tradizionale processo di revisione chiusa.

• Analisi post-pubblicazione: Rendendo il documento apertamente disponibile, le probabilità di rilevare manipolazioni statistiche o riferimenti inseriti aumentano esponenzialmente.

Allontanandosi dal modello della "scatola nera" e dal concetto di prodotti finali e immutabili—come i PDF pubblicati commercialmente—il modello dell'Accesso Aperto guida la transizione verso la "Scienza del Processo", in cui non viene pubblicato solo il testo, ma anche il contesto della ricerca, il codice e i dati grezzi. Inoltre, se il processo è aperto e verificabile in tempo reale, il punto di fabbricare citazioni o manipolare metadati scompare, poiché qualsiasi algoritmo di IA o ricercatore può verificare la tracciabilità delle prove.

Il sistema dei server di preprint per gli articoli in accesso aperto cambia il modello economico e gli incentivi, lavorando contro le "cartiere", poiché le riviste commerciali che applicano alte tariffe di elaborazione degli articoli (APC) hanno attualmente un incentivo finanziario ad accettare un grande volume di articoli, il che allenta i filtri di qualità e apre la porta a frodi industrializzate.

Il vero accesso aperto (in cui né l'autore né il lettore pagano—il modello Diamond) elimina la pressione commerciale per il volume, consentendo standard etici più rigorosi e riducendo l'attrattiva delle tattiche di "gioco delle citazioni" utilizzate per gonfiare le metriche di mercato.

Potremmo anche aggiungere che il modello tradizionale raramente pubblica studi con risultati negativi, poiché non generano citazioni. L'Accesso Aperto facilita la pubblicazione di questi risultati, il che è vitale per addestrare i modelli di IA con dati onesti e imparziali, evitando così che i ricercatori debbano "aggiustare" o gonfiare le citazioni per far sembrare i loro risultati più di successo di quanto non siano in realtà.

L'Accesso Aperto promuove l'interoperabilità pubblicando in formati come XML-JATS, che trasformano l'articolo in un oggetto computazionale. Ciò consente a reti di conoscenza leggibili dalle macchine di raccogliere e verificare automaticamente i riferimenti, rilevando immediatamente se una citazione nei metadati manca di un riferimento corrispondente nel testo effettivo.

Infine, possiamo osservare che l'Accesso Aperto facilita la revisione tecnica automatizzata. Affinché strumenti forensi come GROBID o algoritmi di incrocio dei riferimenti funzionino, è essenziale l'accesso al testo completo degli articoli.

La convalida non può essere un evento "approvato/rifiutato" una tantum prima della pubblicazione. Le piattaforme di preprint indicano la strada: la peer-review dovrebbe essere un dialogo pubblico, post-pubblicazione, guidato dalla comunità e in evoluzione. L'IA può agire come assistente di prima linea (verificando la coerenza statistica, la formattazione e la bibliografia con strumenti forensi), ma la valutazione del valore euristico e concettuale deve essere effettuata dagli esseri umani e dalla comunità degli stakeholder.

Conclusione
Il futuro dell'articolo scientifico non risiede solo nel miglioramento degli algoritmi per la rilevazione delle frodi, ma in un cambiamento di paradigma:

• Passare dal "produrre testo da indicizzare" al "produrre conoscenza verificabile da condividere"

L'architettura che sostituirà il modello attuale deve trovare un equilibrio tra l'efficienza algoritmica e la riflessione umana che ha definito la scienza per secoli.

In breve, l'automazione totale del processo scientifico minaccia di trasformare l'articolo scientifico da veicolo di scoperta in una mera pedina burocratica, dove il volume delle pubblicazioni ha la precedenza sulla solidità e veridicità dei risultati.

Infine, i preprint e l'Accesso Aperto decentralizzano l'autorità epistemica, sottraendo agli editori il potere di decidere cosa costituisce "scienza valida" basandosi su metriche opache, restituendo la convalida alla comunità scientifica globale e trasformandola in un esercizio di trasparenza in tempo reale—uno capace di resistere al ritmo dell'automazione e di incorporarla nella Scienza in Divenire.

Appendice – Alcuni metodi di revisione forense
Gli strumenti editoriali attualmente utilizzati per rilevare e prevenire le frodi sono:

• Analizzatori XML/PDF

• Incrocio automatico dei riferimenti

Eseguendo un'operazione di intersezione tra insiemi di citazioni:
$\text{Anomalie}={\text{Riferimenti}}_{\text{Crossref}}\setminus {\text{Riferimenti}}_{\text{PDF}}$

Dove:

• ${\text{Riferimenti}}_{\text{Crossref}}$ è l'insieme di tutti i riferimenti che l'editore ha registrato presso Crossref per quell'articolo.

• ${\text{Riferimenti}}_{\text{PDF}}$ è l'insieme di tutti i riferimenti che appaiono effettivamente alla fine del testo nel file PDF dell'articolo.

Operazione ($\setminus$): L'operatore di differenza significa: "Prendi tutto dal primo insieme e sottrai ciò che appare anche nel secondo." In altre parole, rimangono solo gli elementi che appartengono al primo insieme ma non al secondo.

Pertanto, l'insieme $\text{Anomalie}$ produce il seguente risultato: Tutti i riferimenti che l'editore ha registrato con Crossref ma che non esistono fisicamente nel testo del PDF.

Nel contesto dell'analisi dell'integrità scientifica o della verifica dei metadati, questo risultato rivela gravi discrepanze, come:

• Citazioni fantasma: riferimenti che sono stati indicizzati ufficialmente (il che gonfia i conteggi delle citazioni di altri autori nei database), ma che il lettore non vedrà mai nell'articolo effettivo.

• Errori di produzione: errori commessi dall'editore durante l'esportazione dei metadati XML verso Crossref, o tagli dell'ultimo minuto nel testo del PDF che non sono stati aggiornati nella registrazione ufficiale.

• Distorsioni di estrazione: Se l'elenco di destra è stato ottenuto utilizzando software di estrazione del testo (come GROBID o ParsCit), un risultato qui potrebbe anche indicare che l'estrattore non è riuscito a leggere determinate pagine del PDF.

Se l'insieme risultante non è vuoto, significa che l'editore ha inserito metadati invisibili al lettore dell'articolo.

Analisi di Rete e Anomalie Statistiche (Grafici)
Per comprendere come viene rilevata la frode che coinvolge i riferimenti infiltrati, il processo si divide in due fasi tecnologiche:

1. Estrazione e strutturazione del contenuto effettivo del PDF (notoriamente utilizzando GROBID: GeneRation Of Bibliographic Data),

2. Applicazione di algoritmi di rilevamento forense che incrociano questi dati con i metadati ufficiali di agenzie come Crossref.

Estrazione e Classificazione Automatica
Il sistema utilizza l'elaborazione avanzata del linguaggio naturale per estrarre automaticamente ogni affermazione dal testo. Una volta estratta, le classifica in base al tipo di prova che la supporta:

• Dati sperimentali diretti.

• Riferimenti bibliografici precedenti.

• Inferenze statistiche.

• Interpretazioni speculative.

Valutazione delle Prove
Una volta classificata, l'intelligenza artificiale valuta se le prove presentate supportano effettivamente l'affermazione fatta. Ciò consente di identificare connessioni nascoste; ad esempio, il sistema è stato in grado di rilevare studi che giungevano a conclusioni complementari ma non si citavano a vicenda perché appartenevano a sottocampi diversi.

Note

1. BESANÇON, L.; CABANAC, G.; LABBÉ, C.; MAGAZINOV, A.; DI SCALA, J.; TKACZYK, D.; WEBER-BOER, K. Detection of metadata manipulations: Finding sneaked references in the scholarly literature. arXiv [online]. 2025 [consultato il 20 Luglio 2026]. https://doi.org/10.48550/arXiv.2501.03771. Disponibile su: https://arxiv.org/abs/2501.03771 ↩

2. BURIAK, J. M. et al. Peer Review and AI: Your (Human) Opinion Is What Matters. ACS Nano [online]. 2026, vol. 20, no. 4, [consultato il 20 Luglio 2026]. Disponibile su: https://pubs.acs.org/doi/10.1021/acsnano.6c00490 ↩

3. GARTENBERG, C. et al. More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science [online]. 2026, vol. 37, no. 3, pp. 795–812, ISSN: 1047-7039 [consultato il 20 Luglio 2026]. https://doi.org/10.1287/orsc.2026.ed.v37.n3. Disponibile su: https://pubsonline.informs.org/doi/10.1287/orsc.2026.ed.v37.n3 ↩

4. KOBAK, D. Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances [online]. 2025, vol. 11, no. 27, pp. eadt3813, ISSN: 2375-2548 [consultato il 20 Luglio 2026]. https://doi.org/10.1126/sciadv.adt3813. Disponibile su: https://www.science.org/doi/10.1126/sciadv.adt3813 ↩

5. The next unit of science: Is the scientific paper due to be replaced? [online]. The Transmitter: Neuroscience News and Perspectives. 2026 [consultato il 20 Luglio 2026]. Disponibile su: https://www.thetransmitter.org/from-bench-to-bot/the-next-unit-of-science-is-the-scientific-paper-due-to-be-replaced/ ↩

6. SONG, Y. PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing. arXiv [online]. 2026. [consultato il 20 Luglio 2026]. https://doi.org/10.48550/arXiv.2604.05018. Disponibile su: https://arxiv.org/abs/2604.05018 ↩

7. BOOESHAGHI, A. S. Science should be machine-readable. bioRxiv [online]. 2026. [consultato il 20 Luglio 2026]. https://doi.org/10.64898/2026.01.30.702911. Disponibile su: https://www.biorxiv.org/content/10.64898/2026.01.30.702911v1.full ↩

Riferimenti Bibliografici
BESANÇON, L.; CABANAC, G.; LABBÉ, C.; MAGAZINOV, A.; DI SCALA, J.; TKACZYK, D.; WEBER-BOER, K. Detection of metadata manipulations: Finding sneaked references in the scholarly literature. arXiv [online]. 2025 [consultato il 20 Luglio 2026]. https://doi.org/10.48550/arXiv.2501.03771. Disponibile su: https://arxiv.org/abs/2501.03771

BOOESHAGHI, A. S. Science should be machine-readable. bioRxiv [online]. 2026. [consultato il 20 Luglio 2026]. https://doi.org/10.64898/2026.01.30.702911. Disponibile su: https://www.biorxiv.org/content/10.64898/2026.01.30.702911v1.full

BURIAK, J. M. et al. Peer Review and AI: Your (Human) Opinion Is What Matters. ACS Nano [online]. 2026, vol. 20, no. 4, [consultato il 20 Luglio 2026]. Disponibile su: https://pubs.acs.org/doi/10.1021/acsnano.6c00490

GARTENBERG, C. et al. More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science [online]. 2026, vol. 37, no. 3, pp. 795–812, ISSN: 1047-7039 [consultato il 20 Luglio 2026]. https://doi.org/10.1287/orsc.2026.ed.v37.n3. Disponibile su: https://pubsonline.informs.org/doi/10.1287/orsc.2026.ed.v37.n3

KOBAK, D. Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances [online]. 2025, vol. 11, no. 27, pp. eadt3813, ISSN: 2375-2548 [consultato il 20 Luglio 2026]. https://doi.org/10.1126/sciadv.adt3813. Disponibile su: https://www.science.org/doi/10.1126/sciadv.adt3813

SONG, Y. PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing. arXiv [online]. 2026. [consultato il 20 Luglio 2026]. https://doi.org/10.48550/arXiv.2604.05018. Disponibile su: https://arxiv.org/abs/2604.05018

The next unit of science: Is the scientific paper due to be replaced? [online]. The Transmitter: Neuroscience News and Perspectives. 2026 [consultato il 20 Luglio 2026]. Disponibile su: https://www.thetransmitter.org/from-bench-to-bot/the-next-unit-of-science-is-the-scientific-paper-due-to-be-replaced/

Questo post è stato preparato con l'assistenza di Gemini 3.1, Perplixity e NotebookLM.

---

Informazioni su Ernesto Spinak
Fotografia di Ernesto Spinak

Collaboratore di SciELO, Ingegnere dei Sistemi e Bibliotecario, in possesso di un Diploma di Studi Avanzati e di un Master in Società dell'Informazione presso l'Universitat Oberta de Catalunya, Barcellona, Spagna. Attualmente dirige una società di consulenza che serve 14 istituzioni governative e università in Uruguay con progetti informativi.

===========================

ANALISI CRITICA E SINTESI BY CLAUDE 6-8-26

Scheda bibliografica

Autore: Ernesto Spinak Titolo: The Future of the Scientific Article in the Age of AI Fonte: Blog SciELO (post personale dell'autore, collaboratore SciELO) Data: 24 luglio 2026 Nota sull'autore: Ingegnere dei sistemi e bibliotecario, Diploma di Studi Avanzati e Master in Società dell'Informazione (Universitat Oberta de Catalunya); collaboratore SciELO; gestisce una società di consulenza per 14 istituzioni pubbliche e università uruguaiane su progetti di gestione dell'informazione. Tipo di testo: Post di blog divulgativo-argomentativo su editoria scientifica, integrità della ricerca e impatto dell'IA, con apparato bibliografico esteso (7 fonti primarie citate) e appendice tecnico-metodologica.

The Future of the Scientific Article in the Age of AI | SciELO in Perspective

---

Elenco punti focali

• La crisi del PDF come "scatola nera" immutabile e la proposta di un modello di "scienza in processo" (research notebook aperti, tipo Jupyter)
• Il fenomeno delle "sneaked references" (citazioni fantasma inserite nei metadati Crossref senza comparire nel testo pubblicato) e il suo impatto sugli indicatori bibliometrici (h-index, Impact Factor, FWCI)
• La "crisi ontologica" della scienza generata dal sistema "publish or perish" combinato con l'uso di LLM nella scrittura e nella revisione
• I rischi della piena automazione: perdita di rigore, assenza di intervento umano, atrofia del pensiero critico, saturazione da "paper mills", omogeneizzazione epistemica, compiacenza algoritmica (sycophancy)
• La proposta OpenEval: scomposizione dell'articolo in "unità minime verificabili" (claim) valutabili singolarmente dall'IA, con dati di efficacia sul corpus di eLife (93% di copertura IA vs 68% dei revisori umani)
• Il rischio del "circuito chiuso" IA-scrive/IA-revisiona (es. Paper Orchestra di Google; il 21% delle peer review in conferenze di informatica generate interamente da LLM)
• L'Open Access (in particolare il modello Diamond) come strumento strutturale di resistenza contro le frodi citazionali e contro l'incentivo economico al volume delle APC
• Gli strumenti forensi di rilevamento: analizzatori XML/PDF, cross-referencing automatizzato (GROBID), l'operazione insiemistica Crossref \ PDF per individuare citazioni fantasma
• La proposta finale: passare da "produrre testo da indicizzare" a "produrre conoscenza verificabile da condividere", con validazione post-pubblicazione, pubblica e continua

---

Abstract

Spinak sostiene che il modello tradizionale dell'articolo scientifico — il PDF come prodotto finale, immutabile e opaco — sia giunto a un punto di crisi, minacciato sia dalla manipolazione fraudolenta dei metadati sia dall'uso pervasivo dei modelli linguistici nella scrittura e nella revisione. Il fenomeno delle "citazioni fantasma", documentato da uno studio su arXiv che ha individuato oltre 80.000 citazioni fraudolente in quasi 2.800 articoli, mostra come sia possibile gonfiare artificialmente indicatori bibliometrici (h-index, Impact Factor) senza toccare il testo visibile, minando l'intero sistema di valutazione accademica basato sulle citazioni. L'autore analizza i rischi di una piena automazione della scienza — perdita di rigore, atrofia del pensiero critico, saturazione da "paper mills", omogeneizzazione del linguaggio e delle idee, compiacenza algoritmica — mettendo in guardia contro un "circuito chiuso" in cui l'IA scrive e l'IA valuta, senza intervento umano sostanziale. Presenta quindi la proposta OpenEval, che scompone ogni articolo in "unità minime verificabili" valutabili singolarmente dall'IA, con risultati sperimentali promettenti sul corpus della rivista eLife, pur segnalandone il rischio di riduzionismo per le discipline umanistiche. La parte conclusiva individua nell'Open Access — in particolare nel modello Diamond, senza costi né per autori né per lettori — lo strumento strutturale più efficace per contrastare le frodi e ridurre gli incentivi economici al volume di pubblicazione, proponendo un passaggio verso una validazione scientifica continua, pubblica e post-pubblicazione, in cui l'IA assiste ma la valutazione concettuale resta umana.

---

Descrizione per punti

1. Introduzione — la fine del modello PDF L'autore apre dichiarando "conclusa" la validità del PDF come formato-contenitore immutabile della scienza, proponendo come alternativa la nozione di "scienza in processo": quaderni di ricerca aperti (tipo Jupyter Notebook) in cui codice, dati e decisioni restano tracciabili e auditabili nel tempo.

2. Integrità, citazioni fantasma, riferimenti nascosti Sezione centrale sulla frode citazionale: descrive lo studio Besançon et al. (2025, arXiv) sulle "sneaked references" — citazioni inserite nei metadati Crossref ma assenti dal testo pubblicato — con i dati quantitativi (80.000+ citazioni fraudolente, 2.787 articoli manipolati). Collega il fenomeno alla "crisi di fiducia" nella peer review discussa in un editoriale ACS Nano e alla dinamica "publish or perish" analizzata in un secondo editoriale (Gartenberg et al.) sulla proliferazione quantitativa a scapito della qualità concettuale.

3. Rischi della piena automazione Elenca sistematicamente le conseguenze di un'automazione totale del processo scientifico: perdita di rigore, assenza di intervento umano esperto, atrofia del pensiero critico (con riferimento allo studio Kobak et al. su Science Advances, che rileva tratti linguistici da LLM nel 13,5% degli abstract biomedici su PubMed), saturazione da "paper mills", standardizzazione epistemica, rischio di compiacenza algoritmica verso idee statisticamente prevedibili.

4. Le "unità minime verificabili" — OpenEval Presenta la proposta di scomporre ogni articolo in claim atomici classificabili per tipo di evidenza (dati sperimentali, riferimenti bibliografici, inferenze statistiche), con dati di efficacia dai test su eLife (93% di copertura IA contro 68% dei revisori umani, 81% di accordo IA-umano).

5. L'omogeneizzazione della scienza a opera dell'IA Approfondisce il rischio del "circuito chiuso" IA-scrive/IA-valuta, con l'esempio di Paper Orchestra (Google) e il dato sul 21% delle peer review generate da LLM in conferenze di informatica; segnala il rischio di rendere "invisibile" l'autore umano e di ridurre la diversità epistemica, oltre al rischio di riduzionismo tecno-scientifico nelle discipline umanistiche.

6. Strumenti editoriali — OpenEval e l'analisi forense Descrive più in dettaglio la proposta OpenEval di separare il "reporting dei risultati" (formato strutturato machine-readable) dalla "comunicazione delle idee" (il testo narrativo come semplice strato interpretativo), con i risultati del test su ~16.000 articoli eLife.

7. Il ruolo dell'Open Access e dei preprint Sezione argomentativa forte: l'Open Access viene presentato come strumento strutturale — non solo distributivo — di audit e cambio di incentivi, capace di abilitare la revisione simultanea da parte di migliaia di scienziati (es. PubPeer), l'analisi post-pubblicazione, e — nel modello Diamond — l'eliminazione della pressione commerciale al volume che alimenta le "paper mills". Sottolinea anche il valore epistemico della pubblicazione dei risultati negativi, oggi sistematicamente esclusi dal modello tradizionale.

8. Conclusione Ribadisce il passaggio auspicato "da produrre testo da indicizzare a produrre conoscenza verificabile da condividere", con un'architettura che bilanci efficienza algoritmica e riflessione umana; chiude affermando che Open Access e preprint decentralizzano l'autorità epistemica, sottraendo agli editori il potere di definire cosa sia "scienza valida" tramite metriche opache.

9. Appendice — metodi forensi Sezione tecnica: descrive gli analizzatori XML/PDF, l'operazione insiemistica Crossref \ PDF per individuare citazioni fantasma, il ruolo di GROBID nell'estrazione strutturata del testo, e la classificazione automatica delle affermazioni per tipo di evidenza.

---

Conclusione critica

Il testo di Spinak si colloca in un genere distinto rispetto ai saggi di economia politica finora schedati: è un pezzo di divulgazione tecnico-editoriale su meta-scienza (come si produce, valuta e falsifica la conoscenza scientifica), non un'analisi di rapporti di produzione o di classe — un utile promemoria che il metodo di lettura strutturale applicato ai testi di economia politica (causalità di classe vs. correzione tecnica) qui va sostituito con un criterio diverso: la qualità delle fonti citate e la solidità del nesso fra dati empirici e conclusioni normative.

Il pregio principale del pezzo è la sua concretezza empirica: a differenza di molta pubblicistica allarmistica sull'IA e la scienza, Spinak àncora quasi ogni affermazione a uno studio verificabile con DOI (Besançon et al. su arXiv, Kobak et al. su Science Advances, i test OpenEval su eLife), rendendo il testo un buon punto di ingresso bibliografico al tema, più che un'analisi originale. La sezione sull'Open Access come "diamond model" contro l'incentivo economico alle APC è la più politicamente pungente del pezzo, e individua correttamente un nesso strutturale (chi paga, chi ha interesse al volume) spesso assente nel dibattito più tecnico sulla "integrità della ricerca".

Il limite più evidente è la tensione irrisolta tra due tesi che il testo fatica a conciliare esplicitamente: da un lato l'esaltazione di OpenEval e della scomposizione in "unità minime verificabili" come soluzione efficiente (con dati di copertura superiori ai revisori umani); dall'altro l'avvertimento, nello stesso pezzo, sul rischio di "riduzionismo tecno-scientifico" e di eliminazione del "lavoro di riflessione" che la scrittura comporta. Spinak segnala entrambe le posizioni ma non le mette esplicitamente a confronto né prende una posizione argomentata su dove tracciare il limite tra automazione utile e automazione dannosa — un limite condiviso con buona parte della letteratura divulgativa su questo tema, che tende a elencare rischi e benefici in parallelo senza una sintesi valutativa propria.

Va inoltre segnalato, per trasparenza redazionale, che il post dichiara esplicitamente in calce di essere stato "preparato con l'assistenza di Gemini 3.1, Perplexity e NotebookLM" — un dato rilevante data la tematica dell'articolo stesso (autenticità e provenienza del testo scientifico), che meriterebbe di essere esplicitato più in evidenza, non solo in fondo al pezzo, vista l'ironia intrinseca della cosa rispetto al contenuto trattato.

Como citar este post [ISO 690/2010]:

SPINAK, E. The Future of the Scientific Article in the Age of AI [online]. SciELO in Perspective, 2026 [viewed 05 August 2026]. Available from: https://blog.scielo.org/en/2026/07/24/the-future-of-the-scientific-article-in-the-age-of-ai/