Minor Revisions接受：AI辅助科学写作的价值

大型语言模型已在各领域得到越来越广泛的应用，但它们作为科学写作辅助工具的有效性——这一需要精确性、多模态合成和领域专业性的努力——仍未得到充分理解。我们研究了LLM支持领域专家进行科学写作的潜力，重点关注摘要撰写。我们设计了一项激励性的随机对照试验，采用假设的会议设置，将具有相关专业知识 的参与者分为作者和评审池。灵感来自行为科学方法，我们新颖的激励结构鼓励作者将提供的摘要编辑至可接受的、同行评审提交的质量。我们的2×2被试间设计在两个维度上扩展：所提供的摘要的隐含来源及其披露。我们发现，当编辑AI生成的摘要（无来源归属）时，作者的编辑量最大，这通常是由对AI生成更高的可读性感知所引导的。在来源信息披露后，两种来源处理的编辑量趋于一致。评审决策不受摘要来源的影响，但与所做的编辑数量显著相关。在来源信息存在的情况下，对AI生成摘要进行细致的文体编辑，尤其能提高接受率。我们发现AI生成的摘要经最少修改即可达到与人类写作摘要相当的可接受水平，而对AI作者身份的感知，而非客观质量，在很大程度上驱动了所观察到的编辑行为。我们的发现强调了来源披露在协作科学写作中的重要性。