ผลการศึกษาเชิงวิเคราะห์ครั้งใหญ่ ซึ่งได้สำรวจเอกสารวิชาการและต้นฉบับก่อนตีพิมพ์ (preprints) กว่า ๑.๑ ล้านฉบับทั่วโลก พบว่าการนำแบบจำลองภาษาขนาดใหญ่ (LLMs) มาใช้ในการเขียนหรือปรับแก้ต้นฉบับได้เพิ่มขึ้นอย่างรวดเร็ว โดยเฉพาะอย่างยิ่งหลังจากการเปิดตัว ChatGPT ในช่วงปลายปี ๒๕๖๕ ภายในเดือนกันยายน ๒๕๖๗ ประมาณ ๒๒.๕% ของบทคัดย่อในสาขาวิทยาการคอมพิวเตอร์แสดงสัญญาณทางสถิติที่บ่งชี้ว่ามีการใช้ LLM เข้ามาช่วยปรับแก้ การศึกษานี้ใช้วิธีการวิเคราะห์ความถี่ของคำ โดยฝึกฝนโมเดลด้วยคู่ย่อหน้าที่เขียนโดยมนุษย์และที่สร้างโดย LLM เพื่อระบุร่องรอยทางภาษาที่ AI มักทิ้งไว้ ผลลัพธ์เผยให้เห็นถึงการขยายตัวอย่างรวดเร็วของการใช้ AI ในหลายสาขาวิชา – ซึ่งเป็นแนวโน้มที่ก่อให้เกิดคำถามเชิงปฏิบัติเกี่ยวกับความซื่อสัตย์สุจริตในการวิจัย กระบวนการตรวจสอบโดยผู้ทรงคุณวุฒิ และมาตรฐานการปฏิบัติทางวิชาการโดยรวม รวมถึงในบริบทของประเทศไทย
เหตุใดปรากฏการณ์นี้จึงสำคัญต่อผู้อ่านและวงการวิชาการไทย? เพราะนี่ไม่ใช่เรื่องที่เกิดขึ้นเฉพาะในต่างประเทศเท่านั้น ประเทศไทยกำลังเร่งพัฒนาศักยภาพด้านปัญญาประดิษฐ์ในระดับชาติ และขยายขอบเขตงานวิจัยในสาขาวิทยาศาสตร์และวิศวกรรมอย่างต่อเนื่อง เมื่อพบว่าในระดับนานาชาติ บทความด้านวิทยาการคอมพิวเตอร์ ซึ่งเป็นสาขาที่เกี่ยวข้องโดยตรงกับเทคโนโลยี มีถึงหนึ่งในห้าส่วนที่ปรากฏการแก้ไขโดย AI นี่จึงเป็นสัญญาณเร่งด่วนที่มหาวิทยาลัย หน่วยงานให้ทุน และวารสารวิชาการไทยต้องพิจารณาทบทวนนโยบาย กำหนดมาตรการคุ้มครองคุณภาพ และแนวทางการใช้ AI อย่างรับผิดชอบ ที่สำคัญคือ ต้องหลีกเลี่ยงความเสี่ยงจากการสร้างข้ออ้างที่เป็นเท็จ หรือการแอบอ้างให้ AI เป็นผู้เขียนโดยไม่เปิดเผย การที่เครื่องมือสร้างข้อความเหล่านี้ถูกนำไปใช้อย่างรวดเร็วทั่วโลก ดังที่ผลการศึกษานี้ชี้ให้เห็น ย่อมสะท้อนว่านักวิจัยไทยเองก็อาจเริ่มใช้เครื่องมือเหล่านี้ในการร่าง ปรับแก้ หรือแปลเอกสารวิชาการแล้วเช่นกัน – ไม่ว่าจะเปิดเผยหรือไม่เปิดเผยก็ตาม สถานการณ์นี้ส่งผลโดยตรงต่อมาตรฐานทางวิชาการ ความน่าเชื่อถือในสายตาสาธารณะ และความสามารถในการทำซ้ำของงานวิจัยที่ผลิตในประเทศไทย
การวิเคราะห์ล่าสุดนี้ได้ตรวจสอบบทคัดย่อและบทนำจากแหล่งข้อมูลสำคัญ ทั้งเซิร์ฟเวอร์ต้นฉบับก่อนตีพิมพ์และวารสารวิชาการชั้นนำ ระหว่างปี ๒๕๖๓ ถึงเดือนกันยายน ๒๕๖๗ นักวิจัยได้ฝึกฝนโมเดลเพื่อระบุคำและวลีที่มีความถี่สูงผิดปกติในข้อความที่ AI ช่วยสร้างขึ้น โดยใช้ชุดข้อมูลคู่ขนานของย่อหน้าที่เขียนโดยมนุษย์และที่สร้างโดย LLM ตัวอย่างคำและวลีที่ถูกใช้เป็นตัวบ่งชี้ถึงการใช้ AI ได้แก่ “pivotal” (สำคัญยิ่ง), “intricate” (ซับซ้อน), “showcase” (นำเสนอโดดเด่น) รวมถึงวลีที่เคยเป็นสัญญาณในช่วงแรกอย่าง “regenerate response” และ “my knowledge cutoff” นักวิจัยพบว่าปริมาณเนื้อหาที่ถูกติดธงว่ามี AI ช่วยเขียนเพิ่มขึ้นอย่างมีนัยสำคัญภายในเวลาไม่กี่เดือนหลังจากการเปิดตัว ChatGPT แนวโน้มนี้ชัดเจนที่สุดในสาขาที่เกี่ยวข้องกับ AI โดยตรง โดยวิทยาการคอมพิวเตอร์มาเป็นอันดับหนึ่งที่ ๒๒.๕% ตามมาด้วยสาขาระบบไฟฟ้าและวิศวกรรม แม้สาขาคณิตศาสตร์และวิทยาศาสตร์กายภาพบางแขนงจะมีอัตราที่ต่ำกว่า แต่ก็แสดงแนวโน้มเพิ่มขึ้นอย่างต่อเนื่อง การวิเคราะห์เพิ่มเติมในวรรณกรรมชีวการแพทย์ยังชี้ให้เห็นว่า ประมาณหนึ่งในเจ็ดของบทคัดย่อชีวการแพทย์ในปี ๒๕๖๗ อาจมีข้อความที่ AI ช่วยสร้างขึ้น ซึ่งยืนยันได้ว่า ‘ไม่มีสาขาใดรอดพ้น’ จากผลกระทบนี้
ผู้ทรงคุณวุฒิหลายท่านที่ได้พิจารณางานวิจัยชิ้นนี้ ต่างแสดงความชื่นชมต่อความรัดกุมของระเบียบวิธีวิจัย ขณะเดียวกันก็แสดงความกังวลต่อผลกระทบในอนาคต นักวิชาการผู้เชี่ยวชาญด้านความรู้รอบตัวทางการวิจัยและการสื่อสารจากมหาวิทยาลัยแห่งหนึ่งในสหรัฐอเมริกา กล่าวว่างงานนี้ “น่าประทับใจอย่างยิ่ง” พร้อมชี้ว่าการทราบว่าสาขาใดมีการใช้ AI มากที่สุดจะช่วยให้การกำหนดแนวทางตรวจจับและกำกับดูแลเป็นไปอย่างตรงจุด นักชีววิทยาคอมพิวเตอร์ ซึ่งเป็นหัวหน้าโครงการวิจัย ได้ให้ความเห็นว่าความรวดเร็วในการนำ AI ไปใช้ ซึ่งเห็นได้ภายในเวลาเพียงไม่กี่เดือนหลังจากการเปิดตัวโมเดลภาษาขนาดใหญ่ บ่งชี้ว่านักวิจัยจำนวนมากเริ่มนำเครื่องมือเหล่านี้เข้ามาใช้ในกระบวนการเขียนงานวิจัยของตนทันที ขณะที่นักวิทยาศาสตร์ข้อมูลผู้มีประสบการณ์ในการทำงานกับชุดบรรณานุกรมขนาดใหญ่ได้ให้ความเห็นว่าวิธีการทางสถิติที่ใช้ “มีความแม่นยำและน่าเชื่อถือสูง” แต่ก็เตือนว่าการใช้ AI ในความเป็นจริงอาจสูงกว่าที่วัดได้ เนื่องจากเมื่อคำหรือวลีบางอย่างถูกระบุว่าเป็น ‘ลายนิ้วมือ’ ของ AI ผู้เขียนก็เริ่มหลีกเลี่ยงการใช้คำเหล่านั้น ซึ่งทำให้การตรวจจับยากขึ้นเรื่อยๆ
สำหรับประเทศไทย ผลกระทบที่ต้องรับมืออย่างเร่งด่วนสามารถแบ่งออกเป็นสามด้านหลักที่เกี่ยวโยงกัน ได้แก่ ความซื่อสัตย์สุจริตในการวิจัย ความเท่าเทียมด้านภาษา และการเสริมสร้างขีดความสามารถของบุคลากรและโครงสร้างพื้นฐานด้านการวิจัย
- ประการแรก: ความซื่อสัตย์สุจริตในการวิจัย วารสารวิชาการและหน่วยงานวิจัยของไทยจำเป็นต้องกำหนดนโยบายที่ชัดเจนว่าจะบังคับให้มีการเปิดเผยการใช้ AI หรือไม่ และจะตรวจสอบการเปิดเผยเหล่านั้นอย่างไร วารสารระดับนานาชาติหลายแห่งได้ออกแนวปฏิบัติอย่างรวดเร็วหลังปี ๒๕๖๕ โดยห้ามไม่ให้ระบุ LLM เป็นผู้เขียน แต่ก็อนุญาตให้ใช้ได้ในขอบเขตจำกัดหากมีการระบุแจ้งอย่างชัดเจน ทว่าการบังคับใช้ยังคงไม่สอดคล้องกัน วารสารและสำนักพิมพ์มหาวิทยาลัยไทยที่ตีพิมพ์ผลงานทั้งในระดับท้องถิ่นและภูมิภาค จึงควรมีนโยบายที่ชัดเจน บังคับใช้ได้จริง และมีกระบวนการคัดกรองต้นฉบับที่รัดกุม
- ประการที่สอง: ความเท่าเทียมด้านภาษา ประสิทธิภาพของเครื่องมือตรวจจับ AI ที่ยังไม่เสถียร อาจตีความข้อความที่เขียนโดยผู้ที่ไม่ใช่เจ้าของภาษาอังกฤษผิดพลาด ซึ่งนำไปสู่ความไม่เป็นธรรมต่อนักวิชาการไทยที่ใช้ LLM ในการขัดเกลาภาษาอังกฤษ การใช้วิธีการลงโทษเพียงอย่างเดียวอาจส่งผลเสียต่อนักวิจัยที่ต้องการความช่วยเหลือด้านภาษาอย่างแท้จริง มากกว่าผู้ที่พยายามหาทางลัดทางปัญญา
- ประการที่สาม: การเสริมสร้างขีดความสามารถ มหาวิทยาลัยควรพิจารณา LLM ทั้งในฐานะเครื่องมือที่มีประโยชน์และความเสี่ยงที่อาจเกิดขึ้น การฝึกอบรมนักวิชาการให้ใช้ AI อย่างรับผิดชอบ เช่น การบันทึกการใช้งาน การอ้างอิงการช่วยเขียน และการตรวจสอบข้อเท็จจริงอย่างรอบคอบ จะช่วยบูรณาการ AI เชิงสร้างสรรค์เข้าสู่กระบวนการวิจัยได้อย่างมีประสิทธิภาพ โดยไม่บั่นทอนมาตรฐานทางวิชาการ
บริบททางวัฒนธรรมของไทยมีส่วนสำคัญในการอธิบายว่าปรากฏการณ์เหล่านี้อาจส่งผลอย่างไรต่อวงการวิจัยไทย วัฒนธรรมในสถาบันอุดมศึกษาไทยมักให้ความสำคัญกับการเคารพผู้อาวุโส การธำรงความสัมพันธ์อันดี และชื่อเสียงของสถาบัน ซึ่งค่านิยมเหล่านี้อาจเป็นอุปสรรคต่อการร้องเรียนหรือการแสดงความขัดแย้งอย่างเปิดเผย ดังนั้น การกำกับดูแลภายใน นโยบายของสถาบันที่โปร่งใส และการมีช่องทางแจ้งเบาะแสที่เป็นความลับ จึงมีความสำคัญเป็นพิเศษ ขณะเดียวกัน หลักจริยธรรมทางพุทธศาสนาและค่านิยมครอบครัวที่เน้นเรื่องความซื่อสัตย์และความมีเกียรติในสังคม สามารถนำมาใช้สนับสนุนให้เกิดการเปิดเผยข้อมูลและการให้คำปรึกษาเกี่ยวกับการใช้ AI ได้ นักวิชาการอาวุโสและหัวหน้าโครงการวิจัยควรเป็นแบบอย่างในการประกาศการใช้ AI และฝึกฝนนักวิจัยรุ่นใหม่ให้มีความเข้าใจในการยืนยันข้อเท็จจริงและการอ้างอิงแหล่งที่มาอย่างถูกต้อง ในอีกด้านหนึ่ง ความพยายามระดับชาติในการพัฒนาศักยภาพด้าน AI ในภาคอุตสาหกรรมและภาครัฐของไทย ก็ยิ่งส่งเสริมให้เกิดการนำ AI มาใช้ในวงกว้างอย่างรวดเร็ว ผู้กำหนดนโยบายจึงต้องสร้างสมดุลระหว่างความมุ่งมั่นในการสร้างนวัตกรรม กับมาตรการป้องกันเพื่อรักษาความน่าเชื่อถือของงานวิจัย
ในอนาคตอันใกล้ ระบบนิเวศการวิจัยของประเทศไทยจะได้รับผลกระทบจากหลายปัจจัย วารสารวิชาการทั่วโลกคาดว่าจะปรับแบบฟอร์มการส่งบทความให้มีส่วนสำหรับคำชี้แจงการใช้ AI ที่เป็นมาตรฐาน และอาจมีการสุ่มตรวจสอบส่วนที่ไม่ใช่การวิเคราะห์ในต้นฉบับ เครื่องมือตรวจจับ AI จะยังคงพัฒนาต่อไป แต่จะไม่มีทางสมบูรณ์แบบได้ ดังที่งานศึกษานี้ระบุ ผู้เขียนสามารถเรียนรู้ที่จะหลีกเลี่ยงวลีที่เป็นตัวบ่งชี้การใช้ AI ได้ และโมเดล AI รุ่นใหม่ก็อาจสามารถเลียนแบบรูปแบบการเขียนที่หลากหลายของมนุษย์ได้ดียิ่งขึ้น ความเสี่ยงที่น่ากังวลคือ “วงจรป้อนกลับ” (feedback loop): หาก LLM สร้างบททบทวนวรรณกรรมหรือสำนวนที่ถูกนำไปใช้เป็นข้อมูลสำหรับการฝึกโมเดลในอนาคต ความเป็นต้นฉบับและความถูกต้องของบทสรุปวรรณกรรมอาจเสื่อมถอยลงเมื่อเวลาผ่านไป ผลลัพธ์ที่ตามมาคือ โครงสร้างความคิดหรือแนวการเขียนอาจกลายเป็นมาตรฐานที่ดูไร้ที่ติแต่ขาดความน่าเชื่อถือและรากฐานทางปัญญาที่แท้จริง สำหรับประเทศไทย ซึ่งมีคลังผลงานวิจัยที่ยังมีขนาดเล็กกว่าประเทศที่มีอัตราการตีพิมพ์สูง ผลกระทบจากวงจรป้อนกลับนี้อาจทวีความรุนแรงยิ่งขึ้น หากข้อความที่ผลิตโดย AI ในภูมิภาคถูกนำไปรวมในชุดข้อมูลการฝึกฝนโดยไม่มีการตรวจสอบที่เพียงพอ
ในทางกลับกัน หากมีการบริหารจัดการอย่างระมัดระวัง LLMs ก็สามารถเป็นเครื่องมืออันทรงพลังที่ช่วยให้นักวิจัยไทยก้าวข้ามอุปสรรคทางภาษา เร่งกระบวนการร่างต้นฉบับ แปลแนวคิดเชิงเทคนิคให้เป็นภาษาที่เข้าใจง่ายสำหรับการสื่อสารสาธารณะ นอกจากนี้ ยังสามารถช่วยบุคลากรที่มีภาระงานมาก เช่น แพทย์หรือครู ในการผลิตเอกสารสำหรับผู้ป่วย หรือสื่อการเรียนการสอนที่มีความชัดเจนยิ่งขึ้น เมื่อใช้ AI เป็น ‘ผู้ช่วย’ ในการปรับแก้ มากกว่าการเป็น ‘ผู้เขียน’ หลัก ก็จะช่วยเพิ่มประสิทธิภาพและความชัดเจนของข้อความได้ อย่างไรก็ตาม หัวใจสำคัญคือ ‘การยืนยันข้อเท็จจริง’ เนื่องจาก LLM มักมีแนวโน้มที่จะ ‘สร้างข้อมูลหลอน’ (hallucinate) — คือการสร้างการอ้างอิง ข้อมูล หรือข้อกล่าวหาที่ฟังดูน่าเชื่อถือแต่เป็นเท็จ ดังนั้น เนื้อหาเชิงข้อเท็จจริงใดๆ ที่ AI สร้างขึ้นหรือปรับแก้ จะต้องได้รับการตรวจสอบกับแหล่งข้อมูลต้นฉบับและข้อมูลดิบอย่างละเอียดก่อนที่จะนำไปเผยแพร่ หน่วยงานให้ทุนและมหาวิทยาลัยไทยสามารถเปลี่ยนความท้าทายนี้ให้เป็นโอกาส ด้วยการลงทุนในโปรแกรมฝึกอบรมที่เน้นการใช้คำสั่ง (prompt) อย่างมีวิจารณญาณ การสร้างขั้นตอนการทำงานเพื่อตรวจสอบข้อเท็จจริง และการกำหนดบรรทัดฐานสำหรับการเปิดเผยการใช้ AI
แล้วผู้มีส่วนได้ส่วนเสียในประเทศไทยควรดำเนินการอย่างไรอย่างเป็นรูปธรรมในขณะนี้?
- สำหรับวารสารวิชาการไทย: ควรนำแบบฟอร์มคำแถลงการใช้ AI มาใช้เป็นข้อบังคับในการส่งต้นฉบับ โดยออกแบบให้กรอกง่าย เพื่อให้ผู้เขียนสามารถระบุได้อย่างชัดเจนว่ามีการใช้ AI ในการร่าง ปรับแก้ หรือแปลข้อความอย่างไร กองบรรณาธิการควรฝึกอบรมบรรณาธิการและผู้ประเมินให้มีความสามารถในการสังเกตรูปแบบที่น่าสงสัย ขณะเดียวกันก็ต้องหลีกเลี่ยงอคติต่องานเขียนของผู้ที่ไม่ใช่เจ้าของภาษาอังกฤษ โดยควรให้เวลาในการปรับตัวและจัดหาแหล่งทรัพยากรสำหรับการขัดเกลาภาษาอังกฤษที่เชื่อถือได้
- สำหรับมหาวิทยาลัยและหลักสูตรบัณฑิตศึกษา: ควรบรรจุหลักสูตรระยะสั้นเกี่ยวกับการใช้ AI อย่างรับผิดชอบไว้ในหลักสูตรจริยธรรมการวิจัยและการทำวิทยานิพนธ์ หรือโครงการนิเทศงานวิจัย อาจารย์ที่ปรึกษาและหัวหน้าโครงการวิจัยต้องมีการหารือที่ชัดเจนเกี่ยวกับขอบเขตการใช้ AI ที่ยอมรับได้กับนิสิตและนักวิจัยรุ่นเยาว์ ตั้งแต่ขั้นตอนการวางแผนโครงการไปจนถึงการจัดทำวิทยานิพนธ์
- สำหรับหน่วยงานให้ทุนและผู้กำหนดนโยบายระดับชาติ: สามารถสนับสนุนโครงสร้างพื้นฐานและมาตรฐานที่จำเป็นได้ ด้วยการให้ทุนสนับสนุนการจัดทำ ‘แนวปฏิบัติระดับชาติว่าด้วยการใช้ AI ในงานวิจัย’ ควรมีการจัดตั้งศูนย์กลางหรือสายด่วนสำหรับให้คำปรึกษาด้านจริยธรรมเกี่ยวกับการใช้ AI ในการจัดทำต้นฉบับ รวมถึงการสนับสนุนเครื่องมือแบบเปิด (open-source tools) ที่ช่วยให้นักวิจัยไทยสามารถตรวจสอบผลลัพธ์จาก AI ได้โดยไม่จำเป็นต้องเปิดเผยข้อมูลต้นฉบับที่ยังไม่เผยแพร่ต่อแพลตฟอร์มภายนอก เนื่องจากเครื่องมือตรวจจับ AI บางตัวอาจมีอคติ การลงทุนของภาครัฐในการพัฒนาเครื่องมือตรวจจับและตรวจสอบที่ได้รับการรับรองมาตรฐานภายในประเทศ ร่วมกับสถาบันวิชาการของไทย จะช่วยเสริมสร้างความเป็นธรรมและความเหมาะสมกับบริบทของไทย นอกจากนี้ การร่วมมือกับพันธมิตรในภูมิภาคอาเซียนเพื่อกำหนดมาตรฐานร่วมกัน จะช่วยให้วารสารและมหาวิทยาลัยไทยสามารถจัดการกับการส่งผลงานข้ามพรมแดนและการใช้ชุดข้อมูลร่วมกันได้อย่างมีประสิทธิภาพยิ่งขึ้น
- สำหรับนักวิจัยและผู้เขียนแต่ละบุคคล: มีคำแนะนำที่สามารถนำไปปฏิบัติได้จริงดังนี้: ใช้ LLM เพื่อวัตถุประสงค์เฉพาะ เช่น การร่างโครงเรื่อง การขัดเกลาภาษา และการจัดรูปแบบเท่านั้น ไม่ควรใช้เพื่อสร้างการวิเคราะห์หลัก หรือข้อกล่าวอ้างใหม่ที่ขาดพื้นฐานความรู้ของผู้เขียนเอง เก็บบันทึกรายละเอียดของคำสั่ง (prompts) และผลลัพธ์จาก AI ที่ใช้ตลอดกระบวนการจัดทำต้นฉบับ ตรวจสอบทุกรายการ, ข้ออ้างอิง, และตารางที่ AI สร้างหรือปรับแก้ กับแหล่งข้อมูลต้นฉบับและข้อมูลดิบอย่างละเอียดถี่ถ้วน แนบคำชี้แจงที่โปร่งใสในส่วนวิธีการ หรือคำนิยมของต้นฉบับ โดยระบุลักษณะและขอบเขตของการใช้ AI อย่างชัดเจน อาจารย์ที่ปรึกษาและหัวหน้าโครงการ ควรขอให้นักศึกษาหรือนักวิจัยรุ่นเยาว์ส่งบันทึกคำสั่ง (prompt logs) พร้อมกับร่างผลงานวิจัย ในระหว่างการทบทวนวิทยานิพนธ์หรือรายงานความก้าวหน้า ผู้ประเมินผลงานวิชาการ ควรพิจารณาคำประกาศการใช้ AI เป็นส่วนหนึ่งของการประเมินมาตรฐาน โดยมุ่งเน้นที่การประเมินความเป็นต้นฉบับ ความเข้มแข็งทางระเบียบวิธีวิจัย และความสามารถในการทำซ้ำของผลงาน มากกว่าเพียงแค่สไตล์การเขียน
- สำหรับสื่อมวลชนและการสื่อสารสาธารณะในประเทศไทย: ก็จำเป็นต้องปรับตัวเช่นกัน เมื่อรายงานผลการค้นคว้าทางวิทยาศาสตร์ นักข่าวและเจ้าหน้าที่ที่เกี่ยวข้องกับการสื่อสารสาธารณะควรถามคำถามสำคัญว่า ข้อกล่าวอ้างใหญ่ๆ ได้รับการยืนยันอย่างเป็นอิสระหรือไม่ และระเบียบวิธีวิจัย รวมถึงข้อมูลดิบ สามารถเข้าถึงเพื่อตรวจสอบได้หรือไม่ ด้วยความอ่อนไหวต่อความเชื่อมั่นของสาธารณะต่อข้อมูลด้านสุขภาพและเทคโนโลยี โดยเฉพาะในช่วงเวลาวิกฤติ การติดป้ายที่ชัดเจนว่าเนื้อหามีการใช้ AI ช่วยสร้าง และการสร้างวัฒนธรรมการยืนยันข้อเท็จจริงก่อนเผยแพร่ จะช่วยสร้างความไว้วางใจจากสาธารณะ การรณรงค์ให้ความรู้แก่สาธารณชนเพื่ออธิบายถึงขีดความสามารถและข้อจำกัดของ AI ในการเขียนเชิงวิชาการ โดยเน้นความแตกต่างระหว่างการช่วยเหลือด้านภาษา กับการมีส่วนร่วมทางปัญญาอย่างแท้จริง จะช่วยให้ผู้อ่านสามารถประเมินข้อกล่าวอ้างต่างๆ ได้อย่างมีวิจารณญาณ และลดการแพร่กระจายของข้อมูลที่คลาดเคลื่อน
ท้ายที่สุด นโยบายใดๆ ก็ตามจะล้มเหลวได้ หากไม่คำนึงถึง ‘แรงจูงใจ’ ที่ขับเคลื่อนบุคลากร สถาบันการศึกษาและวิจัยของไทยควรปรับเกณฑ์การแต่งตั้ง การประเมินผลงาน และการให้ทุน ให้ความสำคัญกับงานวิจัยที่สามารถยืนยันและทำซ้ำได้ (reproducible) เหนือปริมาณการตีพิมพ์เพียงอย่างเดียว ระบบการให้รางวัลที่เน้นแนวทางที่โปร่งใส รวมถึงการเปิดเผยการใช้ AI จะส่งเสริมให้เกิดการยอมรับขั้นตอนการทำงานที่มีความรับผิดชอบ นักวิชาการอาวุโสและผู้นำด้านการวิจัยควรเป็นแบบอย่างที่ดีในการเปิดเผยข้อมูลและการให้คำปรึกษา เพื่อเสริมสร้างค่านิยมทางวัฒนธรรมด้านความซื่อสัตย์สุจริตและความรับผิดชอบร่วมกัน ซึ่งเป็นรากฐานสำคัญของชีวิตวิชาการไทย
ข้อค้นพบอันโดดเด่นจากการศึกษาระดับนานาชาติที่ชี้ว่า หนึ่งในห้าของบทคัดย่อในสาขาวิทยาการคอมพิวเตอร์แสดงสัญญาณของการแก้ไขโดย LLM ภายในปลายปี ๒๕๖๗ นั้น เป็นทั้งสัญญาณเตือนและโอกาสสำคัญสำหรับประเทศไทย ช่วงเวลานี้เรียกร้องให้มีการตอบสนองอย่างรอบคอบ เพื่อธำรงไว้ซึ่งความเข้มงวดทางวิทยาศาสตร์ พร้อมทั้งเปิดรับเครื่องมือที่สามารถยกระดับความชัดเจนและเพิ่มผลผลิตได้ ด้วยนโยบายที่ชัดเจน การฝึกอบรมเชิงปฏิบัติจริง ระบบตรวจจับที่เป็นธรรมและเชื่อถือได้ และการสร้างวัฒนธรรมแห่งการเปิดเผยที่ฝังรากลึกอยู่ในกระบวนการให้คำปรึกษาและความรับผิดชอบต่อสาธารณะ วงการวิจัยไทยจะสามารถใช้ประโยชน์จากปัญญาประดิษฐ์เชิงสร้างสรรค์ได้อย่างเต็มศักยภาพ โดยยังคงควบคุมความเสี่ยงให้อยู่ในระดับที่ยอมรับได้
