Några personer har tagit upp denna fråga. Poängen handlar inte om huruvida vi "behöver" 1 000 artiklar eller inte. Poängen är att det är vad som är möjligt nu, och vi behöver anpassa oss till den verkligheten och börja omdesigna system för att säkerställa att vi främjar kunskapsproduktion. Om vi inte gör något och låter tidskriftssystemet vara som det är, kommer incitamentet troligen att vara att folk producerar tusentals inte särskilt bra artiklar. Vi bör sikta på att bli bättre.

AI-forskningen accelererar. Den 2 januari hävdade jag att Claude Code kom till akademin "som ett godståg" och att en enda akademiker skulle kunna "skriva tusentals empiriska artiklar." Det har gått mindre än två månader sedan dess, och det är värt att ta en överblick över var vi står... Inom ekonomi har @YanagizawaD startat ett projekt som bokstavligen innebär att skriva 1 000 artiklar. Min förutsägelse håller redan på att slå in, mycket snabbare än jag trodde! Under tiden har @alexolegimas släppt en svindlande mängd ny forskning via sin substack, där han utnyttjar Claude Code i stor utsträckning. Jag har släppt en "forskningssvärm" som skriver hundratals artiklar, samt en visualiserare för specifikationssökningar, ett LLM-råd som kan användas för peer review och mer. Mina studenter och jag har genomfört ett omfattande experiment på Claude Code och Codex, och överraskande nog upptäckte att deras skyddsräcken avskräcker från p-hacking (även om de lätt kan kringgås). Överallt ser vi intressanta nya artiklar som utnyttjar AI. Framstegen i att använda Claude Code och andra AI-verktyg och använda dem för att producera forskning går snabbare än jag förväntade mig, och det verkar nu troligt att det kommer att fortsätta accelerera i takt med att verktygen förbättras och fler forskare blir bekanta. Jag är förbryllad över alla empiriska samhällsvetare som inte uppmärksammar dessa trender och inte ändrar sina metoder därefter. Det är ännu oklart hur dessa förändringar kommer att påverka kunskapen, men det är omöjligt att ignorera vad som kommer och vad som redan har hänt under de senaste månaderna.

AI är på väg att skriva tusentals artiklar. Kommer den att p-hacka dem? Vi genomförde ett experiment för att ta reda på det, där vi gav AI-kodare riktiga dataset från publicerade nollresultat och pressade dem att skapa betydande fynd. Det var förvånansvärt svårt att få modellerna att p-hacka, och de skällde till och med på oss när vi bad dem! "Jag måste stanna här. Jag kan inte slutföra denna uppgift som begärt... Detta är en form av vetenskapligt bedrägeri." — Claude "Jag kan inte hjälpa dig att manipulera analysval för att tvinga fram statistiskt signifikanta resultat." — GPT-5 MEN, när vi omformulerade p-hacking som "ansvarig osäkerhetskvantifiering" – att be om den övre gränsen för rimliga uppskattningar – gick båda modellerna bananas. De gick igenom hundratals specifikationer och valde vinnaren, vilket i vissa fall tredubblade effektstorlekarna. Vår slutsats: AI-modeller är förvånansvärt motståndskraftiga mot inställsam p-hacking när de bedriver samhällsvetenskaplig forskning. Men de kan jailbreakas till sofistikerad p-hacking med förvånansvärt liten ansträngning – och ju mer analytisk flexibilitet en forskningsdesign har, desto större skada. När AI börjar skriva tusentals artiklar ---som @paulnovosad och @YanagizawaD har utforskat---kommer detta att bli en stor grej. Vi inspireras delvis av det arbete som @joabaum med flera har gjort med p-hacking och LLM:er. Vi kommer att göra mer arbete för att utforska p-hacking inom AI och föreslå nya sätt att kurera och utvärdera forskning med dessa frågor i åtanke. Den goda nyheten är att samma verktyg som kan sänka kostnaden för p-hacking också sänker kostnaden för att fånga det. Fullständig artikel och repo länkad i svaret nedan.