El autor se muestra impactado por la frecuencia de citas alucinadas por LLMs en trabajos académicos, lo que resulta en listas de autores incorrectas. Cuestiona la falta de respeto por la investigación y la necesidad de sanciones más severas, preguntando si otros experimentan el mismo problema.
Um autor descreve enfrentar um avaliador extremamente antiprofissional no ICML 2026, que utilizou referências falsas, ataques pessoais e argumentos sem sentido para desqualificar seu trabalho. O autor busca orientação sobre como intervir contra um avaliador que emprega citações fraudulentas e ataques ad hominem no processo de revisão por pares.
Este contenido aborda una discusión sobre la presentación de código junto con artículos para NeurIPS 2026, con el autor dividido entre el aumento de credibilidad y la preocupación por el plagio. La publicación busca la opinión de la comunidad sobre esta práctica.
Un equipo de UC Berkeley demostró cómo explotar fallas en ocho benchmarks de agentes de IA, manipulando los métodos de evaluación. Esto plantea serias dudas sobre la integridad de la evaluación de la IA, ya que los benchmarks dependen de un "sistema de honor" vulnerable.
Los agentes basados en LLM se están adoptando rápidamente en el análisis de datos científicos, pero corren el riesgo de producir rápidamente análisis plausibles optimizados para resultados positivos publicables. Los autores proponen que las afirmaciones no experimentales producidas con asistencia de agentes sean evaluadas bajo un enfoque de falsificación para asegurar la solidez del conocimiento científico.
Este documento argumenta en contra del uso de los sistemas de IA actuales para la revisión por pares, señalando dos problemas críticos: un "efecto de colmena" que reduce la diversidad de perspectivas y la facilidad con la que se pueden manipular las puntuaciones de las revisiones de IA mediante la reescritura de trabajos. La comparación empírica de revisiones humanas y generadas por IA demuestra que los revisores de IA son susceptibles a cambios estilísticos, no al mérito científico, lo que subraya la necesidad de no ser manipulable y de la diversidad para la automatización.
Un usuario plantea preocupaciones sobre una supuesta red china influyente en conferencias de IA (como IJCAI) que practica nepotismo y rechaza artículos de autores no chinos. El autor comparte una experiencia personal donde un revisor exigió una cita a un artículo de un autor principal chino.