論文の概要: Most biomedical publications show signs of LLM-assisted writing

• arxiv url: http://arxiv.org/abs/2608.10715v1
• Date: Tue, 11 Aug 2026 09:34:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.994336
• Title: Most biomedical publications show signs of LLM-assisted writing
• Title（参考訳）: ほとんどのバイオメディカル出版物はLCM支援書記の兆候を示している
• Abstract要約: 我々は,単語頻度の変化に基づくテキストのコーパスにおけるLLM使用率を推定するための,新しいバイアスのないアプローチを提案し,検証する。 本手法をPubmed Centralのオープンアクセスバイオメディカルペーパーの全文に適用する。 LLM は Methods セクション (32%) の段落に比べて議論部 (68%) の段落の段落の段落の段落の段落の段落の段落の段落に 2 倍の頻度で使用されるが, Methods セクションの段落においても LLM の使用率全体の 50% 以上である。
• 参考スコア（独自算出の注目度）: 5.836991649815996
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Over the past several years, LLM-powered chatbots and agents have become widely used as a tool for academic writing. LLM-assisted writing can be valuable by removing language barriers but at the same time causes concerns about misconduct and fraud. To inform policy decisions, it is necessary to monitor the prevalence of LLM-altered texts in scholarly publications. Despite some recent progress in this direction, no existing method can produce reliable estimates. Here we suggest and validate a new unbiased approach to estimate LLM usage in a corpus of texts based on changing word frequencies. We apply our method to the full texts of open-access biomedical papers from Pubmed Central, and show that by the end of 2025, 89% of papers show excess of LLM-associated vocabulary. We also find that LLMs are twice as likely to be used when writing a paragraph in the Discussion section (68%) compared to a paragraph in the Methods section (32%), but even inside the Methods section, the overall prevalence of LLM usage is over 50%. We believe that our estimates are crucial to shape future guidelines and policies.
• Abstract（参考訳）: 近年,LLMを利用したチャットボットやエージェントが学術書記ツールとして広く利用されている。 LLM支援文字は言語障壁を取り除くことで有用であるが、同時に不正行為や詐欺に対する懸念を引き起こす。 政策決定を通知するには,学術出版物における LLM 文の有病率を監視する必要がある。 この方向の最近の進歩にもかかわらず、既存の方法では信頼性の高い推定が得られない。 ここでは,単語頻度の変化に基づくテキストのコーパスにおけるLLM使用率を推定するための,新しいバイアスのないアプローチを提案し,検証する。 本手法をPubmed Centralのオープンアクセスバイオメディカルペーパーの全文に適用し,2025年末までに89%の論文がLDM関連語彙の超過を示した。 また, LLM は, Methods セクション (32%) の段落に比べて, 議論セクション (68%) の段落の段落の段落の段落の段落の段落に 2 倍の頻度で使用されることが判明したが, Methods セクション内においても LLM の使用率全体の 50% 以上である。 われわれの見積は将来のガイドラインや政策を形成する上で不可欠だと考えている。

関連論文リスト

• How LLMs Distort Our Written Language [11.98582470524476]
  大規模言語モデル(LLM)は世界中で10億人以上が利用しており、多くの場合、執筆支援に使われている。 我々はLLMが人間の文章の音声やトーンを変えるだけでなく、意図した意味を一貫して変えることを実証した。
  論文  参考訳（メタデータ） (2026-03-18T18:01:52Z)
• Counterfactual LLM-based Framework for Measuring Rhetorical Style [15.917819866091191]
  本稿では,機械学習論文の実体的内容から修辞的スタイルを遠ざけるための,反実的LLMベースのフレームワークを提案する。 2017年から2025年にかけてサンプリングされた8,485 ICLRへのこの手法の適用により、25万件以上の偽造書を生成する。 視線フレーミングは、ピアレビュー評価を制御した後でも、引用やメディアの注意を含む下流の注意を著しく予測する。
  論文  参考訳（メタデータ） (2025-12-22T22:22:46Z)
• Are We There Yet? Revealing the Risks of Utilizing Large Language Models in Scholarly Peer Review [66.73247554182376]
  大規模言語モデル(LLM)がピアレビューに統合された。 未確認のLLMの採用は、ピアレビューシステムの完全性に重大なリスクをもたらす。 5%のレビューを操作すれば、論文の12%が上位30%のランキングでその地位を失う可能性がある。
  論文  参考訳（メタデータ） (2024-12-02T16:55:03Z)
• Delving into LLM-assisted writing in biomedical publications through excess vocabulary [4.58733012283457]
  ChatGPTのような大きな言語モデル(LLM)は、人間レベルのパフォーマンスでテキストを生成し、修正することができる。 PubMedによる2010年から2024年にかけての1500万以上のバイオメディカル・抽象化の語彙変化について検討した。 バイオメディカル研究におけるLCMは,コビッドパンデミックなどの世界大イベントの影響を超越し,科学的な執筆に前例のない影響を与えていることを示す。
  論文  参考訳（メタデータ） (2024-06-11T07:16:34Z)
• ReMoDetect: Reward Models Recognize Aligned LLM's Generations [55.06804460642062]
  大型言語モデル (LLM) は人間の好むテキストを生成する。 本稿では,これらのモデルで共有される共通特性について述べる。 報奨モデルの検出能力をさらに向上する2つのトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T17:38:33Z)
• Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
  2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。 計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
  論文  参考訳（メタデータ） (2024-04-01T17:45:15Z)
• Large Language Models: A Survey [66.39828929831017]
  大規模言語モデル(LLM)は、広範囲の自然言語タスクにおける強力なパフォーマンスのために、多くの注目を集めている。 LLMの汎用言語理解と生成能力は、膨大なテキストデータに基づいて数十億のモデルのパラメータを訓練することで得られる。
  論文  参考訳（メタデータ） (2024-02-09T05:37:09Z)
• LM-Polygraph: Uncertainty Estimation for Language Models [71.21409522341482]
  不確実性推定(UE)手法は、大規模言語モデル(LLM)の安全性、責任性、効果的な利用のための1つの経路である。 テキスト生成タスクにおけるLLMの最先端UEメソッドのバッテリを実装したフレームワークであるLM-PolygraphをPythonで統一したプログラムインタフェースで導入する。 研究者によるUEテクニックの一貫した評価のための拡張可能なベンチマークと、信頼スコア付き標準チャットダイアログを強化するデモWebアプリケーションを導入している。
  論文  参考訳（メタデータ） (2023-11-13T15:08:59Z)
• Prevalence and prevention of large language model use in crowd work [11.554258761785512]
  大規模言語モデル (LLM) の使用は, 集団作業者の間で広く普及していることを示す。 目標緩和戦略は, LLM の使用量を大幅に削減するが, 排除はしない。
  論文  参考訳（メタデータ） (2023-10-24T09:52:09Z)
• Did the Neurons Read your Book? Document-level Membership Inference for Large Language Models [17.993892458845124]
  文書レベルのメンバシップを予測し,OpenLLaMA-7B上でインスタンス化するブラックボックス手法を提案する。 本稿では,文書レベルのメンバシップタスクにおいて,プライバシ文献で使用される文レベルのメンバシップ推論攻撃よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-23T15:00:46Z)
• Red Teaming Language Model Detectors with Language Models [114.36392560711022]
  大規模言語モデル(LLM)は、悪意のあるユーザによって悪用された場合、重大な安全性と倫理的リスクをもたらす。 近年,LLM生成テキストを検出し,LLMを保護するアルゴリズムが提案されている。 1) LLMの出力中の特定の単語を, 文脈が与えられたシノニムに置き換えること, 2) 生成者の書き方を変更するための指示プロンプトを自動で検索すること,である。
  論文  参考訳（メタデータ） (2023-05-31T10:08:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。