根據arXiv的正式規定,使用ChatGPT等工具作為作者是不被允許的
ChatGPT,這款近期發布的文本生成工具,已經在研究界引起了熱烈的討論。它能寫出學生作文、總結研究論文、回答問題、產生可用的電腦程式碼,甚至足以通過醫學考試、MBA 考試、司法考試……
其中一個關鍵的問題是:ChatGPT 可以被命名為研究論文的作者嗎?
現在,來自全球最大預印本發布平台 arXiv 官方的明確回答是:「不能」。
AI 沒有署名權
在ChatGPT 之前,研究者們早就在使用聊天機器人作為研究助手,幫助組織自己的思維,產生對自身工作的回饋,協助編寫程式碼以及對研究文獻進行摘要。
這些輔助工作似乎可以被認可,但說到「署名」,又完全是另外一回事。 「顯然,一個電腦程式不能為一篇論文的內容負責。它也不能同意arXiv 的條款和條件。」
有一些預印本和已發表的文章已經將正式的作者身分賦予ChatGPT。為了解決這個問題,arXiv 為作者採用了一項關於使用生成式 AI 語言工具的新政策。
官方聲明如下:
arXiv 認識到,科學工作者使用各種工具來進行他們所報告的科學工作以及準備報告本身,包括從簡單的工具到非常複雜的工具。
社群對這些工具的適當性的看法可能是不同的,而且不斷變化;人工智慧驅動的語言工具引發了重點的辯論。我們注意到,工具可能會產生有用和有幫助的結果,但也可能產生錯誤或誤導性的結果;因此,了解使用了哪些工具與評估和解釋科學作品有關。
基於此,arXiv 決定:
1. 繼續要求作者在他們的工作中報告任何複雜工具的使用情況,如儀器和軟體;我們現在特別將「文本到文本的生成式人工智慧」納入應報告的符合方法論主題標準的工具中。
2. 提醒所有同事,只要在論文中籤上自己的名字,他們每個人都要對論文的所有內容承擔全部責任,無論這些內容是如何產生的。如果生成式人工智慧語言工具產生了不恰當的語言、抄襲的內容、錯誤的內容、不正確的參考文獻或誤導性的內容,並且該輸出被納入科學成果中,這就是作者的責任。
3. 生成式人工智慧語言工具不應該被列為作者,可參考 1。
「規則」的意義
幾天前,《自然》雜誌就公開表示,已經與所有Springer Nature 期刊共同製定了兩條原則,並且這些原則已被添加到現有的作者指南中:
首先,任何大型語言模型工具都不會被接受為研究論文的署名作者。這是因為任何作者的歸屬權都伴隨著對工作的責任,而 AI 工具不能承擔這種責任。
第二,使用大型語言模型工具的研究人員應該在方法或致謝部分記錄這種使用。如果論文不包括這些部分,可以用引言或其他適當的部分來記錄對大型語言模型的使用。
這些規定和 arXiv 最新發布的原則十分相似,看起來,學術出版領域的組織們似乎達成了某種共識。
ChatGPT 的能力縱然強大,但其在學校作業、論文發表等領域的濫用引發了人們廣泛的擔憂。
機器學習會議ICML 就表示過:「ChatGPT 接受公共資料的訓練,這些資料通常是在未經同意的情況下收集的,這會帶來一系列的責任歸屬問題。”
因此,學界開始探索偵測 ChatGPT 等大型語言模型(LLM)產生文字的方法和工具。未來,偵測內容是否由 AI 產生或許將成為「審稿中的重要一環」。
以上是根據arXiv的正式規定,使用ChatGPT等工具作為作者是不被允許的的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

想像一下,一個人工智慧模型,不僅擁有超越傳統運算的能力,還能以更低的成本實現更有效率的效能。這不是科幻,DeepSeek-V2[1],全球最強開源MoE模型來了。 DeepSeek-V2是一個強大的專家混合(MoE)語言模型,具有訓練經濟、推理高效的特點。它由236B個參數組成,其中21B個參數用於啟動每個標記。與DeepSeek67B相比,DeepSeek-V2效能更強,同時節省了42.5%的訓練成本,減少了93.3%的KV緩存,最大生成吞吐量提高到5.76倍。 DeepSeek是一家探索通用人工智

AI,的確正在改變數學。最近,一直十分關注這個議題的陶哲軒,轉發了最近一期的《美國數學學會通報》(BulletinoftheAmericanMathematicalSociety)。圍繞著「機器會改變數學嗎?」這個話題,許多數學家發表了自己的觀點,全程火花四射,內容硬核,精彩紛呈。作者陣容強大,包括菲爾茲獎得主AkshayVenkatesh、華裔數學家鄭樂雋、紐大電腦科學家ErnestDavis等多位業界知名學者。 AI的世界已經發生了天翻地覆的變化,要知道,其中許多文章是在一年前提交的,而在這一

谷歌力推的JAX在最近的基準測試中表現已經超過Pytorch和TensorFlow,7項指標排名第一。而且測試並不是JAX性能表現最好的TPU上完成的。雖然現在在開發者中,Pytorch依然比Tensorflow更受歡迎。但未來,也許有更多的大型模型會基於JAX平台進行訓練和運行。模型最近,Keras團隊為三個後端(TensorFlow、JAX、PyTorch)與原生PyTorch實作以及搭配TensorFlow的Keras2進行了基準測試。首先,他們為生成式和非生成式人工智慧任務選擇了一組主流

波士頓動力Atlas,正式進入電動機器人時代!昨天,液壓Atlas剛「含淚」退出歷史舞台,今天波士頓動力就宣布:電動Atlas上崗。看來,在商用人形機器人領域,波士頓動力是下定決心要跟特斯拉硬剛一把了。新影片放出後,短短十幾小時內,就已經有一百多萬觀看。舊人離去,新角色登場,這是歷史的必然。毫無疑問,今年是人形機器人的爆發年。網友銳評:機器人的進步,讓今年看起來像人類的開幕式動作、自由度遠超人類,但這真不是恐怖片?影片一開始,Atlas平靜地躺在地上,看起來應該是仰面朝天。接下來,讓人驚掉下巴

本月初,來自MIT等機構的研究者提出了一種非常有潛力的MLP替代方法—KAN。 KAN在準確性和可解釋性方面表現優於MLP。而且它能以非常少的參數量勝過以更大參數量運行的MLP。例如,作者表示,他們用KAN以更小的網路和更高的自動化程度重現了DeepMind的結果。具體來說,DeepMind的MLP有大約300,000個參數,而KAN只有約200個參數。 KAN與MLP一樣具有強大的數學基礎,MLP基於通用逼近定理,而KAN基於Kolmogorov-Arnold表示定理。如下圖所示,KAN在邊上具

今天我想分享一個最新的研究工作,這項研究來自康乃狄克大學,提出了一種將時間序列資料與自然語言處理(NLP)大模型在隱空間上對齊的方法,以提高時間序列預測的效果。此方法的關鍵在於利用隱空間提示(prompt)來增強時間序列預測的準確性。論文標題:S2IP-LLM:SemanticSpaceInformedPromptLearningwithLLMforTimeSeriesForecasting下載網址:https://arxiv.org/pdf/2403.05798v1.pdf1、問題背景大模型

特斯拉機器人Optimus最新影片出爐,已經可以在工廠裡打工了。正常速度下,它分揀電池(特斯拉的4680電池)是這樣的:官方還放出了20倍速下的樣子——在小小的「工位」上,揀啊揀啊揀:這次放出的影片亮點之一在於Optimus在廠子裡完成這項工作,是完全自主的,全程沒有人為的干預。而且在Optimus的視角之下,它還可以把放歪了的電池重新撿起來放置,主打一個自動糾錯:對於Optimus的手,英偉達科學家JimFan給出了高度的評價:Optimus的手是全球五指機器人裡最靈巧的之一。它的手不僅有觸覺

目標偵測在自動駕駛系統當中是一個比較成熟的問題,其中行人偵測是最早得以部署演算法之一。在多數論文當中已經進行了非常全面的研究。然而,利用魚眼相機進行環視的距離感知相對來說研究較少。由於徑向畸變大,標準的邊界框表示在魚眼相機當中很難實施。為了緩解上述描述,我們探索了擴展邊界框、橢圓、通用多邊形設計為極座標/角度表示,並定義一個實例分割mIOU度量來分析這些表示。所提出的具有多邊形形狀的模型fisheyeDetNet優於其他模型,並同時在用於自動駕駛的Valeo魚眼相機資料集上實現了49.5%的mAP
