Uno studio su oltre 15 milioni di abstract biomedici stima che almeno il 13,5% dei paper pubblicati nel 2024 sia stato processato con un modello linguistico. Il 20 giugno è comparso su GitHub Academic Humanizer, uno strumento che elimina dalle bozze scientifiche i tic linguistici tipici della scrittura AI. Lo ha rilasciato Jie Ding, ricercatore di machine learning all'Università del Minnesota e cofondatore della startup MorphMind.
Cos'è Academic Humanizer e come funziona
Non è un'app: è una skill per Claude Code, Codex e MorphMind. Un file di istruzioni che chiunque può caricare sul proprio modello per riscrivere paper e grant proposals destinati a NSF e NIH. Le regole principali chiedono di rimuovere trattini lunghi, frasi generiche e verbi ricorrenti come "delving" o "leveraging", allineando lo stile ai lavori precedenti dell'autore.
Il repository indica anche una funzione più delicata: rafforzare affermazioni scientifiche non supportate con ulteriori evidenze. Dopo le prime segnalazioni, Ding ha modificato la descrizione del tool su GitHub, sostituendo "removes the usual AI tells" con "sharpens clarity and voice".
Il dato che il tool rischia di rendere invisibile
Lo studio pubblicato su Science Advances da Kobak e colleghi ha analizzato oltre 15 milioni di abstract PubMed dal 2010 al 2024, misurando la frequenza di parole marker della scrittura LLM. Il risultato: almeno il 13,5% degli abstract 2024 è stato processato con un modello. È una stima al ribasso, perché gli abstract senza parole marker restano fuori dal calcolo.
La variabilità è forte: si va da meno del 5% in alcuni campi al 40% in altri, con differenze marcate anche per paese di affiliazione e rivista di destinazione. I marker su cui poggia la stima sono parole stilistiche entrate bruscamente nel linguaggio scientifico dopo il rilascio di ChatGPT nel novembre 2022: termini come "delving", "leveraging", "meticulous", "showcasing", insieme all'abuso del trattino lungo che Ding cita esplicitamente tra i tic da eliminare.
Il tool agisce esattamente sui marcatori usati per costruire quella stima. Se lo stesso metodo di rilevamento venisse adottato a monte come regola di riscrittura, il 13,5% diventerebbe strutturalmente invisibile alle prossime analisi, senza che il volume dei paper assistiti da AI sia realmente diminuito.
Cosa cambia per la peer review
Nature richiede la dichiarazione dell'uso di modelli generativi dalla fine del 2023. Il repository di Ding include un avvertimento esplicito: usare il tool non esonera dall'obbligo di disclosure. La difesa dell'autore sulle pagine di Nature separa lo strumento dal comportamento: "distinguerei lo strumento dal comportamento", dice Ding, spostando la responsabilità etica sull'uso e non sull'esistenza del software.
La comunità è divisa. Per chi non scrive in madrelingua inglese, il tool riduce il divario stilistico e mette in condizione di competere con autori nativi su riviste anglosassoni. Per chi teme il flusso di paper generati integralmente da un modello, invece, rende più difficile distinguere ricerca originale da produzione automatizzata, in particolare quando ai marker stilistici viene sottratta la loro funzione di segnale.
Lavori con dati sperimentali forti, come le nuove ipotesi sui sismi profondi nelle Alpi svizzere o l'analisi comparativa sulle braccia corte del T-Rex, restano riconoscibili perché portano dati sperimentali e ipotesi verificabili. Il rischio si concentra sulle pubblicazioni intermedie, quelle senza sostanza empirica forte, dove la scrittura AI passa più facilmente e la levigatura stilistica diventa l'ultimo elemento distintivo.
Se il metodo Kobak resta la bussola per misurare il fenomeno, un tool che riscrive esattamente quei marker cambia il piano di gioco per editor e reviewer. La verifica dovrà spostarsi dai marker stilistici alla sostanza dei risultati, quella che caratterizza la navigazione robotica basata su sola camera testata sul benchmark R2R e altri lavori con benchmark riproducibili.