Wysyłasz manuskrypt i zaczyna się cisza. Miesiące pracy, setki poprawek i jeden klik: „Submit”. A potem czekanie na werdykt od enigmatycznych postaci – Recenzenta 1, Recenzenta 2… To jeden z najbardziej stresujących momentów w życiu naukowca. Ale co tak naprawdę dzieje się po drugiej stronie? Proces recenzji (peer review) to fundament nauki – system kontroli jakości mający zapewnić, że publikowane prace są ważne, oryginalne i rzetelne (Sense about Science).

Mapa Umysłu Recenzenta: Co jest sprawdzane i jak?

Recenzent w każdej dziedzinie szuka odpowiedzi na te same fundamentalne pytania, ale używa do tego różnych narzędzi. Poniższa tabela pokazuje, jak te same zasady rzetelności są interpretowane w naukach medycznych/społecznych oraz w informatyce i machine learningu.

Uproszczenie: w badaniach interdyscyplinarnych recenzent łączy oba podejścia.

Podróż przez Twój manuskrypt: trzy przebiegi recenzenta

Przebieg 1: Szybki triaż (15–30 min) – czy to warto czytać dalej?

• Pytanie: czy praca jest oryginalna i pasuje do zakresu venue?
• Logika: czy wnioski z grubsza wynikają z danych?
• Czerwone flagi:
  • CS/ML: „nowy” algorytm = stara metoda pod inną nazwą; niestandardowy, zbyt łatwy zbiór.
  • Medycyna: RCT bez zgody IRB lub bez kontroli.
  • Uniwersalnie: wnioski w sprzeczności z wynikami.

Przebieg 2: Mikroskop (2–5 h) – czy mogę zaufać wynikom?

• Med/społ.: punkt-po-punkcie zgodność z CONSORT 2025/PRISMA/STROBE.
• CS/ML: przegląd repozytorium i artefaktów; fair porównania; poprawność twierdzeń.

Przebieg 3: Narracja (1–2 h) – czy historia ma sens?

• Czy obietnice ze wstępu są dowiezione?
• Czy sekcja Limitations jest uczciwa?
• Czy ryciny/tabele są czytelne i opisane?

Myśląc jak recenzent: checklista autokrytyki przed wysyłką

Przed kliknięciem „Submit” zrób własną, surową recenzję – punkt po punkcie.

Ogólny obraz i wkład

• Problem: czy jasno definiuję, co i dlaczego rozwiązuję?
• Oryginalność: gdzie w tekście pokazuję nowość względem stanu wiedzy?
• Wpływ: czy ktoś będzie cytował to za 2–3 lata?

Sekcja po sekcji

Tytuł: adekwatny do zawartości (nie za szeroki/nie za wąski)?

Abstrakt:

• CO? pytanie/cel; DLACZEGO? znaczenie; JAK? metoda; WYNIKI: liczby; NOVELTY: jedno zdanie o nowości.

Wprowadzenie: kontekst → luka → cel → nowość → rozwiązanie; na końcu klarowne contributions.

Metodyka/Opis metody:

• Odtwarzalność: czy ktoś z dziedziny odtworzy eksperyment?
• Uzasadnienie wyborów: dlaczego te metody?
• Szczegóły: (CS/ML) hiperparametry, architektura, zbiory, metryki; (Med/Soc) kryteria włączenia/wyłączenia, randomizacja, wielkość próby.
• Transparentność: dane i kod dostępne? Jeśli nie — solidne uzasadnienie.

Wyniki i dyskusja: czytelne ryciny; porównania do silnych baz; wnioski poparte danymi; osobny akapit o ograniczeniach.

Wnioski: odpowiedź na pytanie badawcze + szersza perspektywa i kierunki dalszych badań.

---

Sztuczna inteligencja w służbie recenzji: asystent czy uzurpator?

Duże modele językowe (LLM) wkroczyły do naszego warsztatu. Przeglądy (np. Zhuang et al., 2025) opisują potencjał i ryzyka. Poniżej — bezpieczny i zgodny z politykami minimalny zestaw praktyk.

Co realnie pomaga?

• Szybki triaż i streszczenia: wstępne mapowanie treści, kontrola zakresu venue.
• Checklisty formalne: zgodność z typem badania (np. RCT → CONSORT 2025).
• „Sanity-check” spójności: proste niespójności między opisem a tabelami/rycinami.

Gdzie są granice?

• Brak głębokiej ekspertyzy: modele potrafią przeoczyć istotę wkładu lub głębokie błędy.
• Halucynacje i cytowania-widma: ryzyko zmyślonych źródeł/wniosków.
• Bias i inflacja ocen: badania pokazują tendencję do zawyżania rekomendacji.

Brzydka prawda: etyka, poufność i polityki wydawców

Poufność manuskryptu to świętość. Przesyłanie nieopublikowanej pracy do publicznego LLM narusza poufność recenzji.

• Elsevier: recenzenci nie powinni wgrywać manuskryptów do narzędzi genAI ani używać genAI do merytorycznej oceny. Policy
• Springer Nature: prosi recenzentów, by nie wgrywali manuskryptów do genAI; poufność ma pierwszeństwo. Policy
• IEEE: zakaz używania AI do tworzenia/draftowania recenzji. Reviewer Guidelines
• ACM: dozwolona wyłącznie pomoc językowa przy własnym tekście recenzji i tylko bez naruszania poufności (preferowane rozwiązania „enterprise” gwarantujące prywatność). ACM Peer Review FAQ
• ACL/ARR: nie wolno wysyłać treści poufnych (w praktyce: nie używaj popularnych LLM do materiałów recenzyjnych). ARR Reviewer Guidelines

Wyjątek: narzędzia wydawców. Część wydawców rozwija własne, zamknięte narzędzia wspierające integralność i kompletność (np. Frontiers – AIRA). Służą one do pre-screeningu i kontroli technicznej (plagiat, ryciny, język), a ostateczna ocena pozostaje ludzka. Zawsze sprawdź bieżącą politykę danego czasopisma/konferencji.

Sztuka odpowiadania na recenzję

• Profesjonalizm: podziękuj recenzentom i redaktorowi.
• Lista „punkt-po-punkcie”: odpowiedz na każdy komentarz osobno.
• Wskaż zmiany: cytuj dokładne miejsca w manuskrypcie (strona/linia/sekcja).
• Gdy się nie zgadzasz: kulturalnie, z dowodami.

---

Bibliografia i dalsze lektury

Standardy i wytyczne

• CONSORT 2025 (RCT) – aktualizacja i lista publikacji równoległych: BMJ/JAMA/Lancet/Nat Med/PLoS Med.
• PRISMA 2020 (przeglądy systematyczne) · STROBE (badania obserwacyjne)
• COPE Core Practices · ICMJE Recommendations
• ANSI/NISO Z39.106-2023 — standard terminologii peer review

Odtwarzalność i artefakty

• ACM Artifact Review & Badging · SIGIR: czym są odznaki (nie ocena jakości naukowej)

Polityki AI (wybrane)

• Elsevier – AI a peer review · Springer Nature – poufność i AI · IEEE – zakaz użycia AI do pisania recenzji
• ACM – FAQ dot. AI w recenzjach · ACL/ARR – poufność a narzędzia stron trzecich
• Frontiers AIRA – zamknięte wsparcie integralności (pre-screening)

Wprowadzenia i przewodniki

• Peer Review: The Nuts and Bolts (Sense about Science)
• Anatomia procesu badawczego: praktyczny framework dla rzetelnej nauki (Twój poprzedni wpis)

LLM w recenzji – przeglądy i studia

• Zhuang, Z. i in. (2025). Large language models for automated scholarly paper review: A survey, Information Fusion.