การตรวจสอบการอ้างอิงที่หลอน: ตรวจทานบทความของคุณก่อนส่ง
เอกสารอ้างอิงที่สร้างขึ้นไม่ได้เป็นเพียงเอกสารที่เพี้ยน มันมาพร้อมผู้แต่งที่ดูน่าเชื่อ ชื่อเรื่องที่เข้ากัน วารสารจริง และ DOI ที่ดูใช้ได้ ซึ่งเป็นเหตุผลว่าทำไมการอ่านซ้ำจึงไม่อาจจับได้ การตรวจสอบระดับวรรณกรรมที่ตีพิมพ์ในปี 2026 พบว่าสัดส่วนของบทความที่มีเอกสารอ้างอิงที่สร้างขึ้นอย่างน้อย 1 รายการเพิ่มขึ้นประมาณสิบเท่าในสามปี นี่คือการตรวจสอบที่ควรทำกับรายการของคุณก่อน
ในเดือนมิถุนายน 2023 ผู้พิพากษาศาลรัฐบาลกลางในนิวยอร์กได้ลงโทษทนายความสองคนฐานยื่นคำร้องที่สร้างขึ้นจากคดีในศาลอย่างน้อยหกคดีซึ่งไม่มีอยู่จริง Steven Schwartz ได้ขอให้ ChatGPT ช่วยหาบรรทัดฐานสนับสนุน ได้รับชื่อคดีและถ้อยคำเหตุผลที่อ้างมาซึ่งฟังดูน่าเชื่อทั้งหมด และยื่นคำร้องโดยที่ตนเองไม่ได้เปิดอ่านคดีใดเลย ผู้พิพากษา P. Kevin Castel ปรับเขาห้าพันดอลลาร์ และสั่งให้ส่งจดหมายถึงผู้พิพากษาตัวจริงทุกคนที่ชื่อของพวกเขาถูกนำไปใส่ไว้ในความเห็นที่ถูกสร้างขึ้น
รายการอ้างอิงอาจลงเอยในจุดเดียวกันได้ วิธีแก้คือการตรวจสอบการอ้างอิงที่ถูกสร้างขึ้นโดยการประสาทหลอน ซึ่งทำกับรายการอ้างอิงของตนเองก่อนที่บรรณาธิการ อาจารย์ที่ปรึกษา หรือผู้ประเมินจะทำให้คุณ การตรวจสอบนี้ไม่ใช่เพียงปัญหาที่เกิดจากการร่างด้วยแชตบอตเท่านั้น การอ้างอิงที่จำได้แต่ไม่เคยมีอยู่จริง ชื่อเรื่องของผู้เขียนร่วมที่คัดลอกผิดเล็กน้อย หรือ preprint ที่การอ้างอิงสุดท้ายเปลี่ยนไปหลังการตอบรับ ล้วนทิ้งช่องว่างในรายการอ้างอิงแบบเดียวกับที่การอ้างอิงที่ถูกสร้างขึ้นทิ้งไว้ การตรวจสอบด้านล่างจะจับได้ทั้งหมด โดยไม่ขึ้นกับว่าแต่ละรายการเข้ามาอยู่ตรงนั้นได้อย่างไร
การอ้างอิงที่ถูกสร้างขึ้นโดยการประสาทหลอนพบได้บ่อยเพียงใดกันแน่?
ช่วงของตัวเลขขึ้นอยู่กับอย่างมากว่าโมเดลใดเป็นผู้สร้างร่าง Walters และ Wilder, ตีพิมพ์ใน Scientific Reports ในปี 2023, ได้ทดสอบรายการอ้างอิงที่ GPT-3.5 และ GPT-4 สร้างขึ้นเทียบกับโจทย์การเขียนเชิงวิชาการจริง, มีการอ้างอิง 636 รายการที่ดึงมาจากรายการอ้างอิงที่สร้างโดย AI 84 รายการ, รายการละ 42 สำหรับแต่ละโมเดล ร้อยละ 55 ของการอ้างอิงของ GPT-3.5 เป็นสิ่งที่ถูกสร้างขึ้นทั้งหมด, เทียบกับร้อยละ 18 สำหรับ GPT-4 แม้แต่รายการที่เป็นของจริงก็ไม่ได้สะอาดเสมอไป, ร้อยละ 43 ของการอ้างอิงจริงของ GPT-3.5 และร้อยละ 24 ของของ GPT-4 ยังมีข้อผิดพลาดที่เป็นสาระสำคัญอยู่ที่ใดที่หนึ่งในชื่อผู้เขียน ชื่อเรื่อง ปี หรือแหล่งตีพิมพ์
งานวิจัยทางกฎหมายเกี่ยวกับการอ้างอิงที่สร้างโดย AI แสดงอัตราความล้มเหลวที่สูงยิ่งกว่า แต่ผลงานนั้นวัดความล้มเหลวคนละแบบ คือคำพิพากษาคดีที่ถูกหลอนขึ้นมาแทนที่จะเป็นข้อมูลบรรณานุกรมที่ถูกสร้างขึ้น ดังนั้นตัวเลขดังกล่าวจึงไม่ใช่ตัวเลขที่ควรนำมาใช้ในบริบททางวิชาการ สิ่งที่ทั้งสองสาขามีร่วมกันคือสาเหตุพื้นฐาน, นั่นคือแบบจำลองที่สร้างการอ้างอิงซึ่งฟังดูสมเหตุสมผลกำลังปรับให้เหมาะกับสิ่งที่การอ้างอิงมักมีลักษณะเป็น ไม่ใช่กับว่ามันมีอยู่จริงหรือไม่ บทความของ TextPulse เองเกี่ยวกับ whether ChatGPT makes up references พิจารณา chatbot นั้นโดยเฉพาะ, ส่วนการตรวจสอบนี้ใช้ได้ไม่ว่ามีเครื่องมือใด หรือความทรงจำของผู้ร่วมเขียนคนใด เป็นผู้สร้างรายการที่อยู่ตรงหน้าคุณ
สิ่งที่การตรวจสอบระดับวรรณกรรมในปี 2026 พบ
อัตราในระดับแบบจำลองเหล่านั้นอธิบายสิ่งที่ออกมาจาก chatbot คำถามอีกข้อหนึ่ง, และเป็นข้อที่สำคัญสำหรับผู้ที่ยื่นบทความต่อวารสาร, คือการอ้างอิงที่ถูกสร้างขึ้นปลอมผ่านการตรวจสอบทุกขั้นจากร่างต้นฉบับไปจนถึงบทความที่ตีพิมพ์บ่อยเพียงใด การตรวจสอบสองฉบับที่เผยแพร่ห่างกันเพียงหนึ่งวันในเดือนพฤษภาคม 2026 ตอบคำถามนี้ในระดับของวรรณกรรม และคำตอบคือความล้มเหลวนี้ไม่ใช่เรื่องหายากอีกต่อไป
การตรวจสอบที่ตีพิมพ์ใน The Lancet คัดกรองการอ้างอิงในบทความชีวการแพทย์ราว 2.5 ล้านบทความบน PubMed Central Open Access ครอบคลุมช่วงเดือนมกราคม 2023 ถึงเดือนกุมภาพันธ์ 2026 การอ้างอิงหลายพันรายการชี้ไปยังงานที่ไม่มีอยู่จริง กระจายอยู่ในบทความที่ตีพิมพ์มากกว่า 2,800 บทความ แนวโน้มมีความสำคัญมากกว่าจำนวนรวม
| ช่วงเวลา | บทความที่มีการอ้างอิงปลอมอย่างน้อยหนึ่งรายการ | ต่อ 10,000 บทความ |
|---|---|---|
| 2023 | 1 ใน 2,828 | 3.5 |
| 2025 | 1 ใน 458 | 21.8 |
| 2026, เจ็ดสัปดาห์แรก | 1 ใน 277 | 36.1 |
นั่นเป็นการเพิ่มขึ้นประมาณสิบเท่าภายในสามปี และตัวเลขปี 2026 มาจากช่วงเจ็ดสัปดาห์ ไม่ใช่ทั้งปี จึงเป็นเพียงการอ่านค่าเบื้องต้น ไม่ใช่อัตรารายปีที่ยืนยันแล้ว สิ่งที่มันแสดงให้เห็นคือ เอกสารอ้างอิงที่ถูกสร้างขึ้นกำลังเข้าสู่สิ่งพิมพ์ในแหล่งที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ โดยผ่านทั้งผู้เขียน ผู้เขียนร่วม บรรณาธิการ และผู้ประเมินระหว่างทาง
การศึกษาคู่ขนาน Zhao and colleagues on non-existent citations ขยายขอบเขตไปยังเอกสารอ้างอิง 111 ล้านรายการจาก arXiv, bioRxiv, SSRN และ PubMed Central และกำหนดค่าต่ำสุดแบบอนุรักษนิยมของการอ้างอิงที่เกิดจากการหลอนจำนวน 146,932 รายการเฉพาะในปี 2025 เท่านั้น ข้อค้นพบที่มีประโยชน์กว่าคือเรื่องการกระจายตัวมากกว่าปริมาณ, เอกสารอ้างอิงที่ถูกสร้างขึ้นกระจุกตัวในสาขาที่มีการนำ AI มาใช้อย่างรวดเร็ว และในหมู่ทีมผู้เขียนขนาดเล็กและผู้เขียนระยะต้นอาชีพ หากคุณเป็นผู้เขียนเดี่ยวหรือเป็นกลุ่มเล็กที่ไม่มีสำนักงานวิจัยคอยตรวจสอบบรรณานุกรม คุณอยู่ในกลุ่มที่เรื่องนี้ผิดพลาดบ่อยที่สุด ซึ่งเป็นเหตุผลให้ควรตรวจสอบด้วยตนเอง มากกว่าคิดว่าจะมีใครสักคนในขั้นตอนถัดไปทำให้
โมเดลใดสร้างขึ้นมากที่สุด และอะไรที่ลดมันได้จริง
คำตอบที่ซื่อสัตย์คือ ยังไม่มีเกณฑ์มาตรฐานสาธารณะที่เข้มงวดใดจัดอันดับโมเดลหลักในปัจจุบันเทียบกันโดยเฉพาะในด้านการสร้างการอ้างอิงที่ถูกสร้างขึ้น การเปรียบเทียบแบบไม่เป็นทางการขนาดเล็กมีการเผยแพร่อยู่บ้าง โดยทั่วไปเป็นการนำเอกสารอ้างอิงเพียงไม่กี่สิบรายการไปป้อนผ่านแชตบอตสองหรือสามตัวด้วยมือ และตัวอย่างมีน้อยเกินไปที่จะใช้สนับสนุนการจัดอันดับระหว่างกัน การนำหนึ่งในนั้นมาใช้เป็นตารางอันดับคือวิธีที่ทำให้ข้ออ้างที่มั่นใจแต่ผิดพลาดเข้าไปอยู่ในบทความ
สิ่งที่ยืนหยัดได้คือการเปรียบเทียบระหว่างรุ่นในข้อมูลของ Walters and Wilder ข้างต้น ซึ่งโมเดลรุ่นใหม่สร้างขึ้นผิดประมาณหนึ่งในสามของความถี่ของรุ่นเก่า
| Model tested | Citations entirely fabricated | Genuine citations still carrying a substantive error |
|---|---|---|
| GPT-3.5 | 55% | 43% |
| GPT-4 | 18% | 24% |
รูปแบบสามประการปรากฏซ้ำในวรรณกรรมและมีความสำคัญมากกว่าการจัดอันดับใดการจัดอันดับหนึ่ง โมเดลขนาดใหญ่สร้างข้อมูลเท็จน้อยกว่าโมเดลขนาดเล็ก โมเดลที่สามารถค้นหาและดึงแหล่งข้อมูลได้จริงสร้างข้อมูลเท็จน้อยกว่าอย่างมีนัยสำคัญเมื่อเทียบกับโมเดลที่ตอบจากพารามิเตอร์ของตนเพียงอย่างเดียว ซึ่งเป็นผลกระทบที่ใหญ่ที่สุดเพียงหนึ่งเดียวที่ใครก็ตามเคยวัดได้ และแหล่งข้อมูลที่ไม่เป็นที่รู้จักมีความเสี่ยงสูงกว่าแหล่งข้อมูลที่เป็นที่รู้จักดี เพราะบทความที่ถูกอ้างอิงอย่างหนาแน่นปรากฏในข้อมูลฝึกบ่อยพอที่จะถูกสร้างซ้ำได้อย่างถูกต้อง ขณะที่แหล่งเฉพาะทางมีแนวโน้มมากกว่าที่จะถูกสร้างขึ้นใหม่จากเศษเสี้ยวของข้อมูล
ข้ออ่านเชิงปฏิบัติคือ ไม่มีโมเดลใดปลอดภัยพอที่จะข้ามการตรวจสอบได้ และรายการที่มีแนวโน้มผิดมากที่สุดก็คือรายการที่คุณตรวจสอบจากความจำได้น้อยที่สุดพอดี, การอ้างอิงเฉพาะทาง, บทความประชุมที่ไม่เป็นที่รู้จัก, แหล่งข้อมูลที่คุณเพิ่งเพิ่มเข้าไปล่าสุด
สิ่งที่การตรวจสอบอัตโนมัติจับได้ และจุดที่มันหยุด
การรันรายการผ่านตัวตรวจสอบก่อนย่อมเร็วกว่าการไล่แก้ DOI สี่สิบรายการด้วยมือ และ เครื่องมือตรวจสอบการอ้างอิง AI ฟรี ของเว็บไซต์นี้ก็ทำเช่นนั้นกับ Crossref, OpenAlex และ Semantic Scholar พอดี ควรทราบว่ากลุ่มเครื่องมือเช่นนี้ทำงานได้ไม่ดีในเรื่องใดก่อนที่คุณจะพึ่งพามัน
การประเมินในปี 2026 ของตัวตรวจจับการอ้างอิงที่สร้างขึ้นผิดห้ารายการ, Badalova and Mayr, พบว่ามันให้สัญญาณเตือนล่วงหน้าที่เป็นประโยชน์ แต่ยังถูกจำกัดด้วยสี่ประการ, การแยกเอกสารอ้างอิงออกจากเอกสารอย่างสะอาด, เมทาดาทาที่ไม่ครบถ้วนในรายการนั้นเอง, การครอบคลุมฐานข้อมูลที่ไม่สม่ำเสมอ, และทะเบียนที่ไม่สอดคล้องกันเอง มีเพียงข้อแรกเท่านั้นที่หายไปเมื่อคุณวางรายการลงไปแทนการอัปโหลด PDF
ผลที่ตามมาสำหรับการตรวจสอบของคุณเองคือกฎเกี่ยวกับการตีความ ตัวตรวจสอบมีความแข็งแกร่งที่สุดในการพบสิ่งที่สำคัญที่สุด คือ DOI ที่ชี้ไปยังบทความอื่นที่ไม่ตรงกับที่รายการอ้างว่าเป็น ซึ่งใกล้เคียงกับข้อสรุปที่แน่นอนที่สุด ส่วนที่อ่อนที่สุดคือหนังสือ บทในหนังสือ วิทยานิพนธ์ เอกสารประชุม งานที่เพิ่งเผยแพร่มาก และแหล่งเผยแพร่ที่ไม่ใช่ภาษาอังกฤษ ทั้งหมดนี้ถูกจัดทำดัชนีอย่างเบาบางในทุกที่ และมักแสดงผลว่าไม่พบ ทั้งที่เป็นของจริงโดยสมบูรณ์ ไม่พบ เป็นสัญญาณให้ตรวจสอบด้วยมือ ไม่ใช่คำตัดสิน ขั้นตอนด้วยมือด้านล่างคือสิ่งที่คุณใช้กับสิ่งที่การตรวจสอบอัตโนมัติยังสรุปไม่ได้
ทำให้บทความของคุณเป็นธรรมชาติมากขึ้น
ปรับข้อความที่ช่วยโดย AI ของคุณให้ฟังดูเป็นธรรมชาติ, โดยไม่แตะต้องคำสำคัญหรือการอ้างอิง
แก้ไข DOI ทุกตัวก่อนที่คุณจะส่ง
DOI, หรือ Digital Object Identifier, ควรจะชี้ไปยังระเบียนเพียงหนึ่งรายการผ่านตัวแก้ไขของ doi.org เพิ่ม DOI จากรายการอ้างอิงของคุณลงในตัวแก้ไข และ DOI ที่ใช้งานได้จะพาไปยังหน้าของสำนักพิมพ์สำหรับบทความนั้นโดยตรง DOI ที่ชี้ไปยังบทความที่ไม่เกี่ยวข้อง วารสารคนละฉบับโดยสิ้นเชิง หรือไม่ชี้ไปที่ใดเลย เป็นหนึ่งในการตรวจจับการหลอนที่เร็วที่สุดที่มีอยู่ เพราะแบบจำลองที่ประดิษฐ์การอ้างอิงขึ้นมามักจะประดิษฐ์สตริง DOI ที่ดูน่าเชื่อถือมาคู่กัน แทนที่จะนำ DOI จริงที่มีอยู่แล้วมาใช้ซ้ำ
DOI ที่ชี้ได้ถูกต้องไม่ได้เป็นหลักฐานอัตโนมัติว่าการอ้างอิงนั้นเป็นของจริง การอ้างอิงที่ปลอมขึ้นบางรายการยืม DOI จริงของบทความที่ไม่เกี่ยวข้อง ซึ่งชี้ไปได้โดยไม่มีข้อผิดพลาดและนำไปยังบทความจริงที่ไม่มีความเกี่ยวข้องใด ๆ กับข้ออ้างที่มันควรจะสนับสนุน อ่านหน้าที่ DOI นำไปถึง ไม่ใช่เพียงข้อเท็จจริงว่าหน้านั้นโหลดขึ้นมา
จับคู่ชื่อเรื่องทุกชื่อกับฐานข้อมูลจริง
ค้นหาชื่อเรื่องที่ตรงกันทุกตัวอักษร, โดยใส่ไว้ในเครื่องหมายอัญประกาศ, ในฐานข้อมูลที่ครอบคลุมสาขาของคุณ, ไม่ใช่บนเว็บสาธารณะ ใช้เครื่องมืออย่าง Crossref, PubMed สำหรับงานชีวการแพทย์, หรือดัชนีเฉพาะสาขาของคุณเอง หากคุณใช้ Crossref, คุณสามารถใช้การค้นหาแบบ guest ฟรีของเขาเพื่อค้นหาเอกสารอ้างอิงจากชื่อเรื่องและผู้แต่งคนแรก, หรือจากผู้แต่งและเลขหน้า หากคุณไม่แน่ใจเกี่ยวกับชื่อเรื่อง ผลลัพธ์จะคืน DOI และข้อมูลเมตาแบบครบถ้วนสำหรับรายการที่มีอยู่ในระบบ หากไม่พบรายการที่ตรงกัน, หรือหากสิ่งที่แสดงกลับมาเป็นบทความจริงแต่มีชุดผู้แต่งที่แตกต่างไปโดยสิ้นเชิง, คุณอาจกำลังเห็นภาพหลอนชนิดที่สอง, คือ DOI ที่เสียหาย
การค้นหาชื่อเรื่องจับความล้มเหลวเฉพาะอย่างหนึ่งที่การตรวจ DOI ไม่จับได้, นั่นคือการอ้างอิงที่มี DOI จริงและใช้งานได้ แต่แนบกับชื่อเรื่องที่ผิด, เพราะตัวเลขและข้อความถูกประกอบแยกกันและไม่เคยถูกตรวจสอบเทียบกันจริง ๆ หากชื่อเรื่องในฐานข้อมูลไม่ตรงกับชื่อเรื่องในรายการอ้างอิงของคุณอย่างใกล้เคียง, ให้ถือว่านั่นเป็นสิ่งที่สร้างขึ้นจนกว่าคุณจะอธิบายความไม่ตรงกันได้, ไม่ใช่เพียงพิมพ์ผิดที่แก้เงียบ ๆ ได้
ตรวจสอบรายชื่อผู้แต่งและปีที่เผยแพร่
การอ้างอิงที่เกิดจากภาพหลอนมักระบุผู้แต่งถูกแต่บทความผิด, เพราะชื่อที่มีอยู่จริงและเป็นที่รู้จักในสาขานั้นคือสิ่งที่แบบจำลองซึ่งกำลังพยายามสร้างการอ้างอิงที่ดูสมเหตุสมผลจะผลิตออกมา ค้นหารายชื่อผลงานของผู้แต่งคนนั้นเอง, ในฐานข้อมูลที่คุณเปิดอยู่แล้ว, ตามปีที่รายการอ้างอิงของคุณระบุ หากผู้แต่งคนนั้นตีพิมพ์บทความสามเรื่องในปีนั้นและไม่มีเรื่องใดตรงกับชื่อเรื่องของคุณ, การอ้างอิงนั้นมีแนวโน้มสูงมากว่าจะถูกสร้างขึ้น, โดยประกอบจากชื่อจริงและปีจริงที่ไม่เคยอยู่ด้วยกันจริง ๆ
รูปแบบตรงกันข้ามก็พบได้เช่นกัน, คือบทความจริงที่มีชื่อเรื่องถูกต้องแต่แนบกับปีที่ผิด, โดยมากเป็นปีของ preprint มากกว่าปีที่ตีพิมพ์ฉบับสุดท้าย, หรือเป็นฉบับการประชุมที่ถูกอ้างด้วยปีที่ตีพิมพ์ในวารสารในภายหลัง ทั้งสองกรณีไม่ใช่การสร้างขึ้นในความหมายเคร่งครัดของการตรวจสอบ, แต่ทั้งคู่ทำให้ผู้อ่านต้องไปค้นใน citation manager หรือถามผู้ร่วมเขียน ซึ่งก็ยังหาไม่พบสิ่งที่คุณอ้างถึง, ใกล้เคียงกับปัญหาเดียวกันพอที่จะต้องแก้ในรอบเดียวกัน
สังเกตชื่อวารสารที่ดูเป็นไปได้แต่ถูกแต่งขึ้น
ชื่อวารสารที่ถูกสร้างขึ้นมาจะถูกออกแบบให้ฟังดูเหมือนชื่อจริงทุกประการ, คือมีสาขาที่ดูเป็นไปได้, คำคุณศัพท์ที่ดูเป็นไปได้, และชื่อที่ใกล้เคียงกับวารสารที่มีอยู่จริงมากพอจนไม่มีใครหยุดตรวจสอบ "The Journal of Applied Cognitive Studies" เป็นชื่อที่ถูกสร้างขึ้น; "The Journal of Applied Psychology" และ "Journal of Cognitive Science" มีอยู่จริงทั้งคู่, และชื่อที่นำส่วนประกอบของทั้งสองมารวมกันจะอ่านดูคุ้นเคยด้วยเหตุผลนั้นพอดี
ค้นหาชื่อวารสารเพียงอย่างเดียว, ใส่เครื่องหมายอัญประกาศ, และมองหาหน้าวารสารของผู้จัดพิมพ์เองกับ ISSN ปัจจุบัน, ไม่ใช่เพียงผลลัพธ์จากเว็บไซต์อื่นที่อ้างอิงแหล่งเดียวกัน วารสารจริงจะมีหน้าแรกที่ระบุบรรณาธิการ, เล่มและฉบับปัจจุบัน, และ ISSN ที่จดทะเบียนอย่างถูกต้องในชื่อของวารสารนั้น ชื่อที่ไม่มีหน้าของผู้จัดพิมพ์, ไม่มี ISSN, และไม่มีบทความอื่นใดอ้างถึงงานจากวารสารนั้น เป็นสัญญาณที่ชัดเจนที่สุดในกระบวนการตรวจสอบทั้งหมดว่าแหล่งอ้างอิงนั้นไม่มีอยู่จริง
เปลี่ยนการตรวจสอบการอ้างอิงที่เกิดจากการหลอนให้เป็นรายการตรวจสอบที่ทำซ้ำได้
ดำเนินการตรวจสอบเหล่านี้ตามลำดับ, กับทุกแหล่งอ้างอิง, ก่อนที่รายการจะถือว่าสมบูรณ์ ลำดับมีความสำคัญน้อยกว่าการครอบคลุมทั้งสี่ข้อ, เพราะการอ้างอิงหนึ่งรายการอาจผ่านการตรวจหนึ่งข้อแต่ยังคงไม่ผ่านอีกข้อหนึ่ง
| การตรวจสอบ | สิ่งที่ตรวจพบ |
|---|---|
| การแก้ DOI | DOI ที่ไปไม่ถึงที่ใดเลย, หรือไปยังบทความที่ไม่เกี่ยวข้อง |
| การจับคู่ชื่อเรื่องกับฐานข้อมูล | DOI ที่มีอยู่จริงแต่แนบกับชื่อเรื่องที่ผิด, หรือชื่อเรื่องที่ไม่ให้ผลลัพธ์ใดเลย |
| การตรวจสอบไขว้ผู้แต่งกับปี | ชื่อของผู้แต่งจริงที่ถูกแนบกับบทความที่เขาไม่ได้เขียนในปีนั้น |
| การยืนยันชื่อวารสาร | วารสารที่ฟังดูเป็นไปได้แต่ไม่มี ISSN, ไม่มีหน้าของผู้จัดพิมพ์, และไม่มีการมีอยู่จริง |
ตัวตรวจสอบการอ้างอิงด้วย AI ของ TextPulse AI citation checker จะรันการตรวจสอบขั้นตอนนี้ในรูปแบบหนึ่งโดยอัตโนมัติครอบคลุมรายการอ้างอิงทั้งหมด ซึ่งเร็วกว่าการไล่ตรวจทั้งสี่ข้อด้วยตนเองในบรรณานุกรมที่ยาว แม้กระนั้น การอ่านสิ่งที่ระบบทำเครื่องหมายไว้ก็ยังคุ้มค่าที่จะทำด้วยตนเอง มากกว่ารับหรือปฏิเสธเครื่องหมายดังกล่าวโดยเชื่อถือเอาเอง สำหรับขั้นตอน DOI โดยเฉพาะ เครื่องมือเฉพาะทาง ตัวแปลง DOI เป็นการอ้างอิง ช่วยประหยัดการไปยังตัวแก้ไขสำหรับแต่ละรายการทีละรายการ
บรรณานุกรมที่สะอาดเป็นเพียงหนึ่งในหลายการตรวจสอบก่อนที่ต้นฉบับจะถูกส่งออกไป Reducing an AI score for journal submission ได้อธิบายแยกไว้ต่างหาก และเช่นเดียวกันกับ the response to reviewers letter ที่ตามมาหลังจากนั้น
ไม่มีสิ่งใดในนี้มาแทนที่การอ่านบทความของคุณเองอีกครั้งก่อนส่ง หากบางส่วนยังคงอ่านดูเป็นแบบทั่วไปหลังจากตรวจสอบข้อเท็จจริงแล้ว AI humanizer สามารถปรับให้ร้อยแก้วลื่นไหลขึ้นได้โดยไม่แตะต้องการอ้างอิงแม้แต่รายการเดียว, คู่มือของ TextPulse guide to humanizing AI text in academic writing ครอบคลุมการตรวจสอบขั้นตอนนี้เป็นส่วน ๆ รายการอ้างอิงที่แก้ไขแล้วและต้นฉบับที่อ่านแล้วเป็นเสียงของคุณเองเป็นการตรวจสอบสองอย่างที่แยกจากกัน ควรทำต่อเนื่องกันมากกว่าที่จะเชื่อว่าอย่างหนึ่งจะครอบคลุมอีกอย่างหนึ่ง
คำถามที่พบบ่อย
การตรวจสอบการอ้างอิงที่หลอนคือการตรวจที่ทำซ้ำได้ซึ่งดำเนินการกับรายการอ้างอิงทั้งหมดก่อนส่ง โดยตรวจ DOI ทุกฉบับ จับคู่ชื่อเรื่องทุกเรื่องกับฐานข้อมูลจริง ตรวจสอบรายชื่อผู้แต่งและปี และยืนยันว่าชื่อวารสารมีอยู่จริง การตรวจนี้จับเอกสารอ้างอิงที่สร้างขึ้นได้ ไม่ว่าต้นเหตุจะมาจากแชตบอต ข้อผิดพลาดของโปรแกรมจัดการการอ้างอิง หรือรายละเอียดที่จำผิดก็ตาม
Content planner and copywriter at TextPulse. Sara runs the blog day to day, from planning and drafting through to publishing. She writes the practical guides: clear explanations of academic writing problems, aimed at the person who actually has to hand something in.
