بصفتها منصة ما قبل النشر التي يستخدمها باحثون في جميع أنحاء العالم على نطاق واسع، قامت arXiv مؤخرًا بتشديد سياسات إدارة الأبحاث المنشورة باستخدام الذكاء الاصطناعي. لطالما كانت هذه المنصة قناة رئيسية لنشر الأوراق البحثية في مجالات مثل علوم الكمبيوتر والرياضيات؛ ورغم أن المقالات لا تخضع لمراجعة الأقران عند رفعها، فإن محتواها يؤثر بسرعة في النقاش الأكاديمي واتجاهات البحث. سبق لـ ArXiv اتخاذ إجراءات للتعامل مع تزايد عدد أوراق بحث منخفضة الجودة مولّدة بالذكاء الاصطناعي. فعلى سبيل المثال، يحتاج المستخدمون الجدد إلى توصية من باحثين ذوي خبرة عند تقديم أول ورقة لهم. علاوةً على ذلك، وبعد أكثر من عشرين عامًا تحت إدارتها جامعة كورنيل (Cornell University)، تعمل ArXiv حاليًا على التحول إلى مؤسسة غير ربحية مستقلة لجذب مزيد من التمويل لمعالجة قضايا سوء استخدام الذكاء الاصطناعي وغيرها. أعلن توماس ديتيريش (Thomas Dietterich)، مسؤول قسم علوم الحاسوب في ArXiv، عن القواعد الجديدة. وقال إن ظهور "دليل واضح" يشير إلى عدم تحقق المؤلف من نتائج النماذج الكبيرة سيؤدي إلى التشكيك في مصداقية الورقة بأكملها. وتشمل هذه الأدلة "المراجع الوهمية"، أو بقايا صريحة لأوامر الذكاء الاصطناعي المستخدمة، أو محتوى محادثات مع النموذج الكبير نفسه. وفقًا للقوانين الجديدة، بمجرد التأكد من وجود المشكلات المذكورة أعلاه، سيتم منع المؤلف من التقديم على ArXiv لمدة عام واحد. بعد ذلك، يجب قبول ورقته اللاحقة أولاً في مجلة أو مؤتمر يخضع لمراجعة أقران رسمية قبل إعادة رفعه إلى ArXiv. ومع ذلك، فهذا لا يعني حظرًا شاملًا لاستخدام النماذج الكبيرة على المنصة. وتؤكد ArXiv أنه يمكن للباحثين الاستمرار في استخدام نماذج اللغة الكبيرة (LLM) للمساعدة في الكتابة، لكن عليهم تحمل "مسؤولية كاملة" تجاه محتوى الورقة، سواء كان قد تم توليده بواسطة الذكاء الاصطناعي أم لا. وقال توماس ديتيريش في مقابلة إعلامية إن هذا سيكون قاعدة عقابية تُطبق فور وقوع المخالفة الأولى ("مخالفة واحدة وعقوبة فورية")، إلا أنها ستخضع قبل التنفيذ لعملية تحديد من المشرفين ثم تأكيد من المسؤول عن القسم، كما يحق للمؤلف الطعن في القرار. في السنوات الأخيرة، تصاعدت مخاوف المجتمع العلمي بشأن ظاهرة "هلوسة الذكاء الاصطناعي". وقد أظهرت دراسات خضعت لمراجعة الأقران زيادة في أعداد "الاقتباسات الوهمية" ضمن مجال العلوم الطبية الحيوية، ويُعد النموذج الكبير أحد الأسباب الرئيسية وراء ذلك.