Revista Internacional de Ciencias Sociales

ISSN 2955-8921  e-ISSN 2955-8778          

Vol. 4, No. 3, Setiembre – Diciembre, 2025

Recibido: 06/07/25; Revisado: 20/10/25; Aceptado: 12/11/25; Publicado: 24/11/25

DOI: https://doi.org/10.57188/RICSO.2025.754     

Uso de IA en la revisión por pares (Peer review): una revisión sistemática con PRISMA 2020, ROBINS-I y CASPe

Alexis Ishikawa Porras*

Instituto Científico y Tecnológico del Ejército, Perú

Cristian Altez Arias

Instituto Científico y Tecnológico del Ejército, Perú

Resumen

La inteligencia artificial propuesta inicialmente como una neurona artificial a través de un modelo matemático data del año 1943 por los científicos norteamericanos Warren McCulloch y Walter Pitts pasa a ser el inicio de un gran avance para la ciencia y tecnología. Se tuvo por objetivo investigar y sintetizar los estudios previos sobre los beneficios e inconvenientes del uso de la IA en la revisión académica sin reducir la calidad científica y la ética. El estudio se realizó empleando una revisión sistemática de la literatura (RSL) con diseño cualitativo, estructurado bajo la declaración PRISMA 2020, empleando RYYAN AI para el cribado en la base de datos de Scopus (Elsevier) y Scielo.org, ROBINS-I para evaluar el riesgo de sesgo y CASPe para evaluar la calidad metodológica. Se identificó 833 investigaciones primarias con criterio de elegibilidad del 2023 al 2025, se aplicó criterios de inclusión, exclusión y cribado de acuerdo al objetivo del estudio obteniéndose 09 investigaciones útiles. Posteriormente en la evaluación de riesgo de sesgo se obtuvo un resultado de 05 investigaciones útiles, en la fase final se aplicó una evaluación de calidad metodológica obteniendo un total de 04 estudios que orientan adecuadamente al objetivo de la investigación para ser analizada y sintetizada.  Los resultados del estudio indican que el uso de la IA de manera general tiene un impacto positivo en la revisión de trabajos científicos lo que coincide con los estudios previos. Sin embargo, algunos estudios resultaron contradictorios debido a que con la incorporación de IA surgen cuestionamientos éticos, poco consensuados y en algunos inclusive polémicos. Los hallazgos inesperados fueron que solo el 12% de revistas científicas en Latinoamérica tienen políticas definidas del empleo de la IA y que el programa ACTIVE LEARNING (IA) puede reducir el 60% del tiempo que demora un experto revisor de artículos. Como aporte clave de este estudio al año 2025, se propone regular el uso de la IA para aplicar procesos y métodos estandarizados siempre bajo la supervisión humana, así como desarrollar herramientas de medición que cuantifique el nivel de calidad en los procesos de revisión con IA, y restringir su uso para tomar decisiones finales

Palabras clave: Inteligencia artificial; peer review; revisores académicos; revisión sistemática; deep learning.

Use of AI in peer review: a systematic review using PRISMA 2020, ROBINS-I, and CASPe

Abstract

Artificial intelligence, initially proposed as an artificial neuron through a mathematical model, dates back to 1943 by American scientists Warren McCulloch and Walter Pitts and marks the beginning of a major breakthrough for science and technology. The objective was to investigate and synthesize previous studies on the benefits and drawbacks of using AI in academic review without reducing scientific quality and ethics. The study was conducted using a systematic literature review (SLR) with a qualitative design, structured under the PRISMA 2020 statement, using RYYAN AI for screening in the Scopus (Elsevier) and Scielo.org databases, ROBINS-I to assess the risk of bias, and CASPe to assess methodological quality. A total of 833 primary studies meeting the eligibility criteria were identified from 2023 to 2025. Inclusion, exclusion, and screening criteria were applied according to the study objective, resulting in nine useful studies. Subsequently, in the risk of bias assessment, a result of 05 useful studies was obtained. In the final phase, a methodological quality assessment was applied, obtaining a total of 04 studies that adequately guide the research objective to be analyzed and synthesized. The results of the study indicate that the use of AI in general has a positive impact on the review of scientific papers, which is consistent with previous studies. However, some studies were contradictory because the incorporation of AI raises ethical questions that are not widely agreed upon and, in some cases, even controversial. Unexpected findings were that only 12% of scientific journals in Latin America have defined policies on the use of AI and that the ACTIVE LEARNING (AI) program can reduce the time it takes for an expert reviewer to review articles by 60%. As a key contribution of this study to the year 2025, it is proposed to regulate the use of AI to apply standardized processes and methods, always under human supervision, as well as to develop measurement tools that quantify the level of quality in AI review processes and restrict its use for making final decisions.

Keywords: Artificial intelligence; peer review; academic reviewers; systematic review; deep learning.

Uso da IA na revisão por pares (Peer review): uma revisão sistemática com PRISMA 2020, ROBINS-I e CASPe

Resumo

A inteligência artificial, inicialmente proposta como um neurônio artificial por meio de um modelo matemático, remonta ao ano de 1943, pelos cientistas norte-americanos Warren McCulloch e Walter Pitts, e se tornou o início de um grande avanço para a ciência e a tecnologia. O objetivo foi investigar e sintetizar os estudos anteriores sobre os benefícios e inconvenientes do uso da IA na revisão acadêmica, sem reduzir a qualidade científica e a ética. O estudo foi realizado utilizando uma revisão sistemática da literatura (RSL) com desenho qualitativo, estruturada sob a declaração PRISMA 2020, utilizando RYYAN AI para a triagem na base de dados Scopus (Elsevier) e Scielo.org, ROBINS-I para avaliar o risco de viés e CASPe para avaliar a qualidade metodológica. Foram identificadas 833 pesquisas primárias com critérios de elegibilidade de 2023 a 2025, foram aplicados critérios de inclusão, exclusão e triagem de acordo com o objetivo do estudo, obtendo-se 09 pesquisas úteis. Posteriormente, na avaliação do risco de viés, obteve-se um resultado de 05 pesquisas úteis. Na fase final, aplicou-se uma avaliação da qualidade metodológica, obtendo-se um total de 04 estudos que orientam adequadamente o objetivo da pesquisa a ser analisada e sintetizada. Os resultados do estudo indicam que o uso da IA, de maneira geral, tem um impacto positivo na revisão de trabalhos científicos, o que coincide com estudos anteriores. No entanto, alguns estudos foram contraditórios, pois com a incorporação da IA surgem questões éticas, pouco consensuais e, em alguns casos, até controversas. As descobertas inesperadas foram que apenas 12% das revistas científicas na América Latina têm políticas definidas para o uso da IA e que o programa ACTIVE LEARNING (IA) pode reduzir em 60% o tempo que um revisor especialista leva para revisar artigos. Como contribuição fundamental deste estudo para o ano de 2025, propõe-se regular o uso da IA para aplicar processos e métodos padronizados, sempre sob supervisão humana, bem como desenvolver ferramentas de medição que quantifiquem o nível de qualidade nos processos de revisão com IA e restringir seu uso para tomar decisões finais.

Palavras-chave: Inteligência artificial; revisão por pares; revisores académicos; Deep learning.

1. Introducción

La investigación académica busca generar nuevos conocimientos para ser aplicados en el mundo real y nos ayuda a tomar decisiones basadas en evidencias, aplicando procedimientos establecidos en protocolos o métodos establecidos en el campo académico (Mehta, 2023). Actualmente existe un gran debate en el mundo de la investigación académica que es la incorporación del uso de la inteligencia artificial en el campo de la revisión sistemática (Salman et al., 2025). Por una parte, existen posturas que explican que el ser humano es el eje fundamental en la revisión de las publicaciones académicas teniendo la capacidad de ser tanto crítico como exhaustivo y definen al ser humano como “guardianes del conocimiento”, donde se refiere que la rapidez y eficacia que proporciona la IA no equivale necesariamente a calidad en la revisión, se hace referencia a aplicaciones como Chatgpt, que tiene un lenguaje de programación definido y que el trabajo que realizaría sería repetitivo a diferencia del ser humano que es un ser erudito con una permanente habilidad de aprendizaje (Crawford et al., 2024).

Por otra parte, un sector de investigadores científicos manifiestan que debido a la alta carga de artículos por revisar y el aumento de la presión por entregar los resultados podría producir el riesgo de reducir la revisión exhaustiva ya que actualmente no se dispone de gran cantidad de revisores cualificados (Enquselassie, 2013) y que la tecnología que emplea la IA no es un parámetro definido que arroja los mismo resultados, sino que permite ir adquiriendo nuevos conocimientos similar a una red neuronal, aprendiendo nuevos patrones de información y proporcionando resultados relevantes (S. Feuerriege et al., 2024). La IA se viene haciendo presente en base de datos como Scopus IA, así mismo en la revisión por pares actualmente tiene un impacto relevante ya que puede detectar plagios de trabajos elaborados con otra aplicación de IA o con similitud de otra base de datos, puede detectar errores estadísticos de forma automática e inclusive detecta incoherencias en el contexto del artículo a ser revisado (J. Miao et al., 2023).

Actualmente existe una percepción dividida entre el escepticismo del empleo de la IA y la otra percepción es la aceptación de la IA con optimismo que esta herramienta ayude al proceso de revisión científica debido al alto volumen de material que tiene que ser evaluado, pero utilizada como complemento al método tradicional de revisión (Lo, 2023). A pesar de que el ingreso de la IA particularmente en el campo académico es cada vez más amplio, pero solo se han realizado pocos estudios sobre el impacto de este fenómeno tecnológico en la metodología científica convencional.

El objetivo y justificación del estudio es investigar y sintetizar los conocimientos existentes a través de una revisión sistemática de la literatura mediante la estrategia PEO en las bases de datos electrónicas sobre los beneficios e inconvenientes en el uso de la IA para los procesos de revisión académica, sin reducir la ética y la calidad de la investigación.

2. Métodología

El estudio se realizó a travéz de una revisión sistemática de la literatura con los lineamientos de la declaración Preferred Reporting Items for Systematic Review and MetaAnalyses PRISMA 2020 y bajo la estrategia PEO (Población [P] = revisores académicos; Exposición [E] = Uso de la IA; y Output/Resultado [O] = beneficio o inconveniente del uso de la IA en revisión científica)  a fin de permitirnos explorar sobre la percepción de una sola intervención (IA) sobre una sola población (revisores académicos). En base a esta estrategia se establece la pregunta de investigación: “Cual es la percepción de los revisores académicos sobre el uso de IA en la revisión de artículos científicos?” En la tabla 1 se presenta la descripción de la estrategia PEO y los factores de búsqueda.

Tabla 1. Estrategia PEO y factores de búsqueda

Componentes PEO	Estrategia PEO	Palabras clave
P = Población	revisores académicos	- Review paper - Article review - Literature synthesis - Systematic review
E = Exposición	Uso de la IA	- Artificial intelligence - Generative AI - Deep learning - Machine learning
O = output/resultados	Beneficio o inconveniente del uso de la IA en revisión científica
Total	03	08

Nota: Esta tabla muestra las palabras clave empleadas y solo se considera a la estrategia de población y exposición.

Selección de las palabras clave

Para realizar la búsqueda de artículo primarios sobre el tema de investigación, se realizaron combinaciones aleatorias de los siguientes términos de búsqueda: “Peer review”, “Systematic review”, “Meta-analysis”, “Inteligencia artificial”, “Algoritmo”, “Deep learning” y “Machine learning”.

Criterio de eligibilidad

Debido a que el tema de investigación incluye la inteligencia artificial en constante evolución tecnológica solo se tomaron las investigaciones previas de los 2 últimos años hasta la actualidad (2023 al 2025), en idioma español e inglés. Asi mismo, se estableció la búsqueda preferentemente en ciencias sociales y de educación.

Criterio de exclusion

Se excluyeron las publicaciones científicas anteriores al año 2023, idiomas diferentes al inglés o español, publicaciones como conferencias, literatura gris, estudios vinculados al área de salud u otras áreas especializadas, artículos de investigación duplicados o artículos científicos que no reunía la información coherente a la investigación.

Fuentes de información

El 15 de junio del 2025 se realizó la búsqueda a través de base de datos indexadas. Se utilizó Scopus y Scielo para identificar y cribar los estudios relevantes para el objetivo del estudio como se indica en la tabla 2.

Tabla 2. Base de datos multidisciplinarios consultados y fechas de cobertura

Base de datos	Búsqueda	Fecha de cobertura
Scopus	- Revisores académicos - Uso de la IA	1975 hasta la actualidad
SciELO	- Revisores académicos - Uso de la IA	2006 hasta la actualidad
Total	02 componentes

Nota: La tabla muestra las bases de datos multidisciplinarias que fueron consultadas, así mismo se presentan las fechas de cobertura para asegurar la transparencia y reproductibilidad de la RS.

Estrategia de búsqueda

Se realizó una búsqueda sistemática a través de lenguaje booleano en la base de datos Scopus y Scielo con el objetivo de obtener información relevante de investigaciones previas, obteniendo artículos de investigación conteniendo información preliminar sobre el componente de población (revisores académicos) e información sobre el componente de exposición (IA). Como se muestra en la tabla 3, para luego realizar el proceso de cribado a través de la aplicación electrónica Ryyan (Ouzzani et al., 2016), el cual, a través de IA asistida, permitió identificar artículos de investigación duplicados, así como permitió analizar títulos, abstract y contenido de los artículos de investigación que no cumplían con el objetivo del estudio.

Tabla 3. Estrategias de búsqueda

Base de datos	Estrategia de búsqueda
Scopus	TITLE-ABS-KEY (“peer review" OR "peer reviewer" OR "reviewer" OR "editorial board" OR "review board" OR "institutional review board" OR "ethics committee" OR "research ethics committee”) AND TITLE-ABS-KEY (artificial AND intelligence)
Scielo	("evaluación" OR "revisión" OR "revisión por pares" OR "arbitraje" OR "evaluación por pares" OR "revisión por expertos" OR "evaluación por expertos" OR "revisión paritaria" OR "revisión por homólogos") AND "inteligencia artificial"
Total	02 Estrategias de búsqueda

Nota: La tabla muestra las fórmulas establecidas en lenguaje booleano sin incluir el conector NOT a fin de incluir la mayor cantidad preliminar de investigaciones para un posterior cribado sistemático y evitar una discriminación de datos de forma no intencional.

Proceso de selección y cribado

Las publicaciones de investigación obtenidas en las bases de datos pasaron por un proceso sistemático de cribado en etapas, esquematizado a través del diagrama de flujo de Prisma 2020.

Lista de datos

- Inteligencia artificial: sistemas informáticos con capacidad de autogenerar conocimientos sin necesidad de una programación manual, empleando algoritmos para extraer datos, comprenderlos, tomar decisiones lógicas e inclusive reconocer voz u otro medio externo a través de sensores. (Carabantes et al., 2023)

- Revisión de artículos científicos (Peer Review): Proceso metodológico y sistemático para realizar una revisión rigurosa por expertos, a manuscritos académicos antes de su publicación. (Weber & Monash University / The University of Queensland, 2024).

Evaluación del riesgo de sesgo

La evaluación de riesgos aplicada a los estudios de revisiones sistemáticas constituye una etapa fundamental que contribuye a proporcionar resultados fiables, transparentes y con un proceso de rigurosidad exhaustiva (Iniesta-Sepúlveda & Ríos, 2024), bajo este concepto se empleó como herramienta de riesgo de sesgo, la aplicación:  “Risk Of Bias In Non-randomized Studies of Interventions, Version 2 (ROBINS-I V2)” (Higgins et al., 2024)  con el objetivo de poder evaluar la existencia de riesgo de sesgo del uso de la IA (estudio individual no aleatorizado) para examinar el efecto en la revisión de artículos de investigación.

Evaluación de la calidad metodológica

A pesar de que los estudios primarios para revisión sistemática hayan pasado por el cribado y posteriormente por la evaluación del riesgo de sesgo de forma exitosa, existe la probabilidad de que estos estudios primarios metodológicamente puedan estar mal estructurados, como por ejemplo en la pregunta de investigación o en la síntesis de resultados (Shea et al., 2017) bajo este concepto se empleó la aplicación: “Critical Appraisal Skills Programme en español (CASPe)” para analizar si la revisión sistemática presenta debilidades y permita un estudio entendible, útil y replicable. Las preguntas de evaluación de CASPe contienen las opciones de respuestas: “si”, “no sé” y “no”. Sin embargo, para buscar una aproximación cuantificable se realizó una variación en las opciones de respuesta, considerando las valoraciones numéricas del 1 al 5.

3. Resultados

Resultado del proceso selección y cribado

Se obtuvo un resultado de 833 artículos de investigación conteniendo información preliminar sobre el componente de población (Peer review) e información sobre el componente de exposición (IA), luego de un proceso de cribado con IA asistida, se identificó 09 artículos de investigación relevantes al objetivo del estudio como se detalla en la figura 1.

Figura 1. Proceso sistemático de cribado de datos bajo la declaración PRISMA 2020.

Resultado de los artículos seleccionados

A continuación, se presentan los artículos 09 artículos que fueron incluidos para el estudio luego del proceso de cribado, estos artículos son presentados en la tabla 4 en el orden de autor, año de publicación, título del artículo, revista indexada y tipo de publicación.

Tabla 4. Información sobre artículos seleccionados.

Autor y año de publicación	TTítulo	Revista	Tipo de publicación
Kayvan Kousha (2023)	Artificial intelligence to support publishing and peer review: A summary and review	Wiley Online Library	Artículo original
Louie Giray (2024)	Benefits and Challenges of Using AI for Peer Review: A Study on Researchers’ Perceptions	The Serials Librarian	Artículo original
Atreyi Kankanhalli (2024)	Peer Review in the Age of Generative AI	Journal Of the Association for Information Systems	Artículo original
Lena Schmidt (2023)	A narrative review of recent tools and innovations toward automating living systematic reviews and evidence syntheses	J o u r n a l  H Z E F Q	Artículo original
Julián Cárdenas (2023)	Artificial intelligence, research and peer-review: future scenarios and action strategies	Revista Española De Sociología (RES)	Artículo original
Alessandro Checco (2023)	AI-assisted peer review	Humanities And Social Sciences Communications	Artículo original
Jairo Buitrago-Ciro (2025)	Generative artificial intelligence in scientific publishing and the role of editors in library science, information science and education journals in Spanish-speaking Latin America	C o m u n i c a c i o n es     i n d e p e n d i e n t e s	Artículo original
Ron Weber (2024)	The Other Reviewer: Rob Reviewer	Information Systems	Artículo original
David Carabantes (2023)	ChatGPT could be the reviewer of your next scientific paper. Evidence on the limits of AI-assisted academic reviews	Professional Of the Information,	Artículo original

Resultado de la evaluación del riesgo de sesgo

Se evaluaron 07 dominios de riesgo (D1: riesgo de sesgo debido a factores de confusión, D2: riesgo de sesgo en la clasificación de las intervenciones, D3: riesgo de sesgo en la selección de participantes, D4: riesgo de sesgo debido a las desviaciones de las intervenciones previstas, D5: riesgo de sesgo debido a falta de datos, D6: riesgo de sesgo derivado a la medición del resultado y D7: riesgo de sesgo en la selección del resultado informado.), en este nuevo resultado se identificó 05 artículos de investigación que obtuvieron calificación de riesgo “serio” (color rojo) por lo que fueron cribados y se identificó 04 artículos con riesgo moderado. (color amarillo) y fueron incluidos para la siguiente etapa de evaluación de calidad, tal como se aprecia en la figura 2.

Figura 2. Herramienta de visualización "Semáforo” a los juicios a nivel dominio para cada resultado individual

Resultado de la evaluacion de la calidad de los datos obtenidos

Se realizó la evaluación de calidad metodológica a 04 artículos científicos a través de la plantilla para estudios cualitativos del programa de lectura crítica: “Critical Appraisal Skills Programme en español (CASPe), de los cuales 01 artículo fue cribado por el factor de congruencia metodológica tal como se muestra en la figura 3.

Figura 3. Evaluación de la calidad metodológica

Resultado de sintesis de los hallazgos

Se analizó 04 articulos cientificos originales alineados con el objetivo de la investigación los cuales coinciden en que la IA viene incorporándose progresivamente en todas las actividades de revisión académica, desde los programas como Turnitin IA o Plagium para detectar los algoritmos que generan escritura de otras programas de IA, programas IA que analizan la estructura de los manuscritos como Penelope.ai e identificación de revisores como ResearchRabbit y otras muchas funciones. En el estudio publicado por Lena Schmidt (2023) indica que la IA ayuda al cribado y facilita la sistematización de la revisión científica. Sin embargo, el empleo de la IA debe realizarse siempre bajo la supervision humana para mentener la ética e integridad científica. En el estudio de Julián Cárdenas (2023) sostiene que la IA puede permitir acelerar los procesos de revisión científica, pero presenta cierta falta de capacidad para realizar análisis críticos y que un humano experimentado en este campo si podría realizarlo. Asi mismo, Jairo Buitrago-Ciro (2025) menciona que la mayoría de revistas científicas en latinoamérica no tiene una política clara sobre la regulación del uso de IA, no se promueve explicitamente ni se recomienda el empleo de herramientas de IA para revisores o autores.

4. Discusión

El presente estudio buscó investigar y sintetizar los beneficios e inconvenientes del uso de la IA en la revisión académica sin reducir la calidad científica y la ética. Los resultados del estudio indican que el uso de la IA de manera general tiene un impacto positivo en la revisión de trabajos científicos lo que coincide con los estudios previos. En los aspectos positivos se enfoca en la automatización inteligente de grandes volúmenes de estudios científicos en la revisión por pares, automatización de procesos como la revisión de plagios, así como el gran potencial que evolucionar las herramientas tecnológicas en base a IA. Sin embargo, algunos estudios resultaron contradictorios debido a que con la incorporación de IA surgen cuestionamientos éticos, poco consensuados y en algunos inclusive polémicos.

Entre las limitaciones del estudio, se destaca la probabilidad de riesgo de ética en el empleo de la IA para las revisiones; sin embargo, se carecen de datos empíricos, del mismo modo no se ha demostrado objetivamente el nivel de calidad y la eficiencia de la IA durante las revisiones académicas, lo que es coherente con el sesgo más relevante que fue respecto a la medición de resultados. Los hallazgos inesperados fueron que solo el 12% de revistas científicas en Latinoamérica tienen políticas definidas del empleo de la IA y que el programa ACTIVE LEARNING (IA) puede reducir el 60% del tiempo que demora un experto revisor de artículos.

Como aporte clave de este estudio al año 2025, se propone regular el uso de la IA para aplicar procesos y métodos estandarizados siempre bajo la supervisión humana, así como desarrollar herramientas de medición que cuantifique el nivel de calidad en los procesos de revisión con IA, y restringir su uso para tomar decisiones finales. En cuanto a líneas futuras es necesario que las bases de datos regulen en las revistas científicas las herramientas IA autorizadas y los procedimientos de revisión, así como una capacitación continua sobre esta nueva tecnología. 

5. Conclusiones

Esta revisión sistemática cualitativa indica que la inteligencia artificial (IA) viene impactando progresivamente los procedimientos de revisión por pares en la investigación académica al mejorar la eficiencia y automatizar tareas como la detección de plagio, el cribado de manuscritos y la identificación de revisores, alineándose con las tendencias recientes de los estudios. Sin embargo, las cuestiones éticas y metodológicas siguen siendo importantes, ya que la integración de la IA plantea preocupaciones con respecto a la transparencia, la integridad científica y la necesidad de supervisión humana, dada la incapacidad de la IA para replicar la comprensión crítica y contextual del revisor experto. Se subraya la necesidad de restringir el papel de AI en las decisiones finales relativas a la aceptación o rechazo de manuscritos, asignando esta responsabilidad únicamente al juicio humano. Por último, es imperativo que las bases de datos y revistas científicas definan y comuniquen explícitamente las herramientas de IA permisibles, además de fomentar la capacitación continua para revisores y editores sobre la aplicación ética y efectiva de estas tecnologías, asegurando que los avances tecnológicos mejoren en lugar de socavar la integridad y calidad de la investigación científica.

6. Referencias

Carabantes, D., González-Geraldo, J. L., & Jover, G. (2023). ChatGPT could be the reviewer of your next scientific paper. Evidence on the limits of AI-assisted academic reviews. El Profesional de la información, e320516. https://doi.org/10.3145/epi.2023.sep.16

Crawford, J., Allen, K.-A., & Lodge, J. (2024). Humanising Peer Review with Artificial Intelligence: Paradox or Panacea? Journal of University Teaching and Learning Practice, 21(1), Article 1. https://doi.org/10.53761/xeqvhc70

Enquselassie F. (2013). Peer-review and editorial process of the Ethiopian Medical Journal: Ten years assessment of the status of submitted manuscripts.

Higgins, J. P. T., Morgan, R. L., Rooney, A. A., Taylor, K. W., Thayer, K. A., Silva, R. A., Lemeris, C., Akl, E. A., Bateson, T. F., Berkman, N. D., Glenn, B. S., Hróbjartsson, A., LaKind, J. S., McAleenan, A., Meerpohl, J. J., Nachman, R. M., Obbagy, J. E., O’Connor, A., Radke, E. G., … Sterne, J. A. C. (2024). A tool to assess risk of bias in non-randomized follow-up studies of exposure effects (ROBINS-E). Environment International, 186, 108602. https://doi.org/10.1016/j.envint.2024.108602

J. Miao, C. Thongprayoon, S. Suppadungsu, O. A. García Valenci, & F. Quresh. (2023). Ethical Dilemmas in Using AI for Academic Writing and an Example Framework for Peer Review in Nephrology Academia: A Narrative Review.

Lo, L. (2023). My new favorite research partner is an AI: What roles can librarians play in the future? College & Research Libraries News, 84(6). https://doi.org/10.5860/crln.84.6.209

Mehta. (2023). Growing Importance of Academic Research in Education. EPRA International Journal of Research & Development (IJRD).

Ouzzani, M., Hammady, H., Fedorowicz, Z., & Elmagarmid, A. (2016). Rayyan—A web and mobile app for systematic reviews. Systematic Reviews, 5(1), 210. https://doi.org/10.1186/s13643-016-0384-4

S. Feuerriege, J. Hartmann, C. Janiesch, & P. Zschech. (2024). Generative AI. Business and Information Systems Engineering. https://link.springer.com/article/10.1007/s12599-023-00834-7

Salman, H. A., Ahmad, M. A., Ibrahim, R., & Mahmood, J. (2025). Systematic analysis of generative AI tools integration in academic research and peer review. Online Journal of Communication and Media Technologies, 15(1), e202502. https://doi.org/10.30935/ojcmt/15832

Shea, B. J., Reeves, B. C., Wells, G., Thuku, M., Hamel, C., Moran, J., Moher, D., Tugwell, P., Welch, V., Kristjansson, E., & Henry, D. A. (2017). AMSTAR 2: A critical appraisal tool for systematic reviews that include randomised or non-randomised studies of healthcare interventions, or both. BMJ, j4008. https://doi.org/10.1136/bmj.j4008

Weber, R. & Monash University / The University of Queensland. (2024). The Other Reviewer: RoboReviewer. Journal of the Association for Information Systems, 25(1), 85-97. https://doi.org/10.17705/1jais.00866