人工智能生成骨科高影响力期刊科学讨论的可行性研究：ChatGPT-4通过同行评审的实证分析

（编辑推荐）本研究首次采用盲审方式评估ChatGPT-4生成的骨科论文讨论章节质量，结果显示AI生成内容经修订后可达到Q1期刊发表标准（ANOVA检验p=0.37），83%评审专家建议"重大修改后接受"，揭示大型语言模型（LLM）在科研写作中的潜力与风险（如文献伪造倾向）。

　　

背景
随着ChatGPT-4等大型语言模型（LLM）在医学领域的突破性表现——包括通过美国医师执照考试（USMLE）和日本医学执照考试（JMLE），其在骨科科研中的应用引发广泛关注。本研究创新性地采用"混合文档"实验设计，将《Bone & Joint Journal》已发表论文的引言、方法、结果章节输入ChatGPT-4，由其自动生成讨论与结论章节（1500字），并由6位关节置换专家进行盲审评分（百分制）。

方法
实验选取Q1期刊关于Exeter V40短柄假体生存率的研究作为模板，通过标准化指令要求AI引用原始文献9篇。评审专家来自欧美顶级学术机构，平均具有8年高影响因子期刊评审经验。采用非参数统计方法（Shapiro-Wilk检验确认数据非正态分布）分析各章节评分差异。

结果
AI生成章节获得中位数60分（讨论IQR 40-75，结论IQR 40-80），与人类撰写章节（引言80分、方法77.5分、结果82.5分）无显著差异（p=0.37）。83%评审建议"重大修改后接受"，主要批评指向对新型假体临床应用局限性的讨论不足。值得注意的是，AI遗漏了Hamilton等2018年随机对照试验的引用，但未引发评审对AI参与的怀疑。

讨论
研究揭示三个关键发现：1）时间效率优势——AI生成讨论耗时远少于人工写作；2）知识局限——模型依赖2021年9月前的训练数据，无法获取最新文献；3）"伪理解"现象——模型通过高级模式识别（非真正理解）生成看似合理的讨论。这与既往研究发现的AI文献伪造倾向（如引用非同行评审来源）形成呼应。

局限性与展望
研究存在混合文档设计带来的偏倚（人类章节已预审修订）。未来需探索：1）实时联网版ChatGPT的表现；2）多模态模型整合影像数据分析；3）建立AI生成内容的检测标准。正如《The Bone & Joint Journal》等期刊联合声明的核心原则：AI不得作为作者，但使用细节须在方法学部分完整披露。

结论
ChatGPT-4已具备生成通过骨科顶级期刊初审的科学内容能力，但需警惕其"算法偏见"和"文献幻觉"风险。这既为科研生产力提升提供新工具，也对学术诚信保障体系提出严峻挑战。