Jak sprawdzić, czy AI nie zmyśliło bibliografii – procedura krok po kroku

Autor: Konrad Hryniewicz · Opublikowano: 15 października 2026

Dlaczego bibliografię od AI trzeba sprawdzać zawsze

Scenariusz jest typowy. Piszesz rozdział teoretyczny – przegląd literatury o wsparciu społecznym i wypaleniu akademickim – prosisz czat o „dziesięć źródeł z ostatnich lat” i dostajesz starannie sformatowaną listę w stylu APA: nazwiska, które kojarzysz, czasopisma, które istnieją, tytuły, które idealnie pasują do Twojej tezy. Część tych prac nie istnieje. Promotor sprawdzi to w dwie minuty – wystarczy, że kliknie w DOI.

Powód jest prosty: model językowy generuje tekst, który jest prawdopodobny, a nie odczytuje rekordów z bazy bibliograficznej. Skłonność modeli generujących język do „halucynowania” treści niezgodnych ze źródłem jest dobrze opisana w literaturze technicznej (Ji i in., 2023). Do dyskusji o pisaniu naukowym pojęcie sztucznych halucynacji wprowadzili Alkaissi i McFarlane (2023), opisując na przykładzie dwóch przypadków klinicznych zarówno przydatne, jak i niepokojące strony tekstów ChatGPT. Emsley (2023) idzie dalej i przekonuje, że w nauce nie należy mówić o halucynacjach, tylko o fabrykacjach i falsyfikacjach. Niezależnie od nazwy skutek jest ten sam: odwołanie o poprawnym formacie nie jest dowodem, że praca istnieje. Definicję i rodzaje błędów zebraliśmy w haśle halucynacje AI w bibliografii.

W tym poradniku pokazujemy, jak często modele zmyślają odwołania, procedurę sprawdzenia każdej pozycji w sześciu krokach, tabelę sygnałów ostrzegawczych, przykład krok po kroku i kod R, który sprawdza DOI w bazie Crossref.

Ile odwołań zmyślają modele językowe? Wyniki badań

Badania nad tym problemem prowadzono na różnych modelach, tematach i definicjach „zmyślenia”, więc liczb nie da się porównać jeden do jednego. Wspólny wniosek jest jednak wyraźny: odsetek zmyślonych odwołań nigdzie nie był bliski zera.

• Walters i Wilder (2023) przeanalizowali 636 odwołań z 84 krótkich przeglądów napisanych przez ChatGPT. Zmyślonych było 55% odwołań GPT-3.5 i 18% odwołań GPT-4. Wśród odwołań prawdziwych istotne błędy miało odpowiednio 43% i 24%.
• Chelli i współpracownicy (2024) prosili modele o odtworzenie bibliografii 11 przeglądów systematycznych. Odsetek „halucynowanych” odwołań wyniósł 39.6% dla GPT-3.5, 28.6% dla GPT-4 i 91.4% dla Barda, a precyzja wyszukiwania – od 0 do 13.4%. Autorzy zalecają weryfikację każdego odwołania wygenerowanego przez model.
• Bhattacharyya i współpracownicy (2023) sprawdzili 115 odwołań z 30 tekstów medycznych wygenerowanych przez ChatGPT-3.5: 47% było zmyślonych, 46% prawdziwych, ale niedokładnych, a tylko 7% – prawdziwych i poprawnych. Najczęściej mylone były identyfikator PMID, tom, strony i rok.
• Linardon i współpracownicy (2025) badali GPT-4o w przeglądach z zakresu zdrowia psychicznego – najbliższych tematom prac z psychologii. Model zmyślił 19.9% ze 176 odwołań, a 45.4% prawdziwych zawierało błędy, najczęściej błędny lub nieistniejący DOI. Zmyśleń było więcej przy mniej znanych tematach niż przy depresji.

Z tych badań wynikają trzy praktyczne wnioski. Po pierwsze, nowsze modele zmyślają rzadziej, ale nie przestały. Po drugie, problemem są nie tylko prace nieistniejące, lecz także prawdziwe prace z błędnymi danymi – takie odwołanie też trzeba poprawić. Po trzecie, ryzyko rośnie przy tematach niszowych, czyli tam, gdzie najtrudniej samodzielnie wyłapać błąd.

Procedura sprawdzania bibliografii w 6 krokach

Procedura działa dla każdej listy literatury – wygenerowanej przez AI, przepisanej z cudzej pracy albo zebranej w pośpiechu. Przy kilkudziesięciu pozycjach zajmuje zwykle jedno popołudnie.

Krok 1. Zbierz odwołania w jednym arkuszu

Każde odwołanie dostaje osobny wiersz, a każdy krok kontroli – osobną kolumnę. Dzięki temu nie zgubisz pozycji, a w razie pytań promotora pokażesz, co i kiedy sprawdziłeś. Nagłówek arkusza do skopiowania (separator: średnik):

Krok 2. Sprawdź, czy DOI działa

DOI to trwały, unikalny identyfikator publikacji złożony z prefiksu i sufiksu, który można rozwiązać pod adresem doi.org; system DOI jest znormalizowany jako ISO 26324 (DOI Foundation, b.d.). Wklej sam identyfikator (np. 10.1038/s41598-023-41032-5) w pole na stronie doi.org albo dopisz go po adresie https://doi.org/. Możliwe są trzy wyniki:

• „DOI Not Found” – identyfikator nie istnieje. Odwołanie jest zmyślone albo DOI jest przekręcony; przejdź do kroku 4.
• DOI prowadzi do innej pracy – to częsty błąd także w odwołaniach do prac prawdziwych (Linardon i in., 2025). Nie poprawiaj odwołania „na oko”: sprawdź w kroku 4, która praca jest właściwa.
• DOI prowadzi do pracy o tym samym tytule – dobrze, ale to dopiero początek. Przejdź do kroku 3.

Krok 3. Porównaj metadane element po elemencie

Otwórz stronę artykułu albo jego rekord w bazie Crossref i porównaj kolejno: wszystkich autorów i ich kolejność, rok, pełny tytuł, nazwę czasopisma, tom, zeszyt oraz strony albo numer artykułu. Crossref udostępnia przez otwarte API metadane publikacji – w 2020 roku było to ponad 106 mln rekordów – w tym informacje o korektach, aktualizacjach i wycofaniach (Hendricks i in., 2020). Przy okazji sprawdzisz więc, czy praca nie została wycofana. W psychologii, po doświadczeniach kryzysu replikacyjnego, przy kluczowych tezach warto też sprawdzić, czy wynik powtórzono w kolejnych badaniach. Każda rozbieżność oznacza, że odwołanie trzeba poprawić według rekordu, a nie według odpowiedzi modelu.

Krok 4. Bez DOI: wyszukaj odwołanie w bazach

Gdy DOI nie ma albo nie działa, szukaj po tytule i autorach w kilku miejscach:

• Crossref Simple Text Query – formularz, do którego wklejasz pojedyncze odwołanie lub całą bibliografię, a narzędzie odnajduje DOI artykułów, książek i rozdziałów (Crossref, b.d.);
• OpenAlex – w pełni otwarty indeks prac naukowych, autorów, czasopism i instytucji, dostępny przez wyszukiwarkę WWW i bezpłatne API (Priem i in., 2022); przydaje się do sprawdzenia dorobku konkretnego autora;
• Google Scholar – wpisz dokładny tytuł w cudzysłowie; jeśli praca o takim tytule nie istnieje, wyszukiwarka zwykle pokaże tylko prace podobne;
• katalogi bibliotek – dla książek i rozdziałów sprawdź ISBN, wydawcę i rok wydania.

Jeśli najbliższy znaleziony rekord różni się tytułem, rokiem lub autorami, traktuj odwołanie jako zmyślone. Prawdziwą pracę, którą wskazała wyszukiwarka, możesz zacytować dopiero po jej przeczytaniu – i tylko wtedy, gdy potwierdza Twoje zdanie.

Krok 5. Przeczytaj abstrakt: czy źródło mówi to, co Twoje zdanie?

To krok, którego nie zastąpi żaden program. Odwołanie może istnieć i być bezbłędnie opisane, a mimo to nie potwierdzać zdania, przy którym stoi. Najczęstsze rozbieżności to:

• badanie dotyczyło innej populacji (np. pracowników, a nie studentów) albo bardzo małej próby;
• związek był słabszy, niż sugeruje Twoje zdanie – sprawdź wielkość efektu, a nie tylko kierunek;
• wynik nie był istotny statystycznie, a Ty piszesz, że badanie „potwierdziło” zależność (zob. jak interpretować wartość p);
• był to schemat korelacyjny, a Ty piszesz o przyczynach;
• wniosek pochodzi z metaanalizy lub przeglądu, który cytujesz tak, jakby był pojedynczym badaniem.

Przeczytaj co najmniej abstrakt, a przy tezach kluczowych dla pracy – wyniki i dyskusję. Jeśli źródło nie pasuje, zmień zdanie albo znajdź właściwe źródło.

Krok 6. Zapisz decyzję i popraw bibliografię

W arkuszu zaznacz, czy odwołanie zostaje, wymagało poprawek, czy zostało usunięte. Poprawione pozycje najwygodniej dodać do menedżera bibliografii (np. Zotero) przez import po identyfikatorze DOI lub ISBN – metadane trafią wtedy z bazy, a nie z odpowiedzi modelu. Na końcu sformatuj bibliografię w stylu APA i sprawdź, czy każda pozycja z listy jest cytowana w tekście, a każde cytowanie ma pozycję na liście. Wypełniony arkusz weryfikacji warto zachować, a w pracy badawczej – udostępnić jako materiał uzupełniający; to praktyka zgodna z zasadami otwartej nauki.

Sygnały ostrzegawcze: po czym poznać zmyślone odwołanie

Żaden pojedynczy sygnał nie przesądza sprawy, ale każdy powinien skłonić Cię do sprawdzenia pozycji w bazie.

Jak sprawdzić różne typy źródeł

Procedura z DOI najlepiej działa dla artykułów w czasopismach. Inne typy źródeł wymagają innych miejsc kontroli – a brak DOI sam w sobie nie jest sygnałem fałszu: wiele starszych prac i część polskich czasopism go nie ma.

Przykład: sprawdzamy jedno odwołanie

Poniżej dwie wersje odwołania. Pierwsza to typowa halucynacja przygotowana na potrzeby przykładu – takiej pracy nie ma i nie należy jej cytować. Druga to prawdziwy rekord z bibliografii tego poradnika.

• Wersja zmyślona (przykład): Walters, W. H., & Wilder, E. I. (2022). Fabricated references in ChatGPT-generated literature reviews: Prevalence and predictors. Scientific Reports, 12(3), 211–224. https://doi.org/10.1038/s41598-022-41032-5
• Prawdziwy rekord: Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13(1), Article 14045. https://doi.org/10.1038/s41598-023-41032-5

Wersja zmyślona wygląda wiarygodnie, bo prawdziwi są autorzy i czasopismo, a tytuł pasuje do tematu. Procedura szybko ją jednak demaskuje:

Wniosek: odwołanie w wersji z przykładu nie istnieje. Wyszukiwanie w Crossref wskazuje jako najbliższy rekord prawdziwy artykuł Waltersa i Wildera (2023). Czy możesz go zacytować zamiast zmyślonego? Tylko jeśli go przeczytasz i jeśli rzeczywiście potwierdza Twoje zdanie. Podmiana metadanych bez lektury to po prostu kolejne niezweryfikowane odwołanie.

library(jsonlite)

# 1. Czy DOI istnieje i do jakiego artykułu prowadzi?
sprawdz_doi <- function(doi) {
  url <- paste0("https://api.crossref.org/works/", doi)
  w <- tryCatch(suppressWarnings(fromJSON(url)), error = function(e) NULL)  # 404 = brak DOI
  if (is.null(w)) return(data.frame(doi = doi, status = "BRAK w Crossref", rok = NA, autorzy = NA, tytul = NA))
  m <- w$message
  data.frame(doi = doi, status = "znaleziony", rok = m$issued$`date-parts`[1, 1],
             autorzy = paste(m$author$family, collapse = ", "), tytul = m$title[1])
}

# 2. Które prawdziwe rekordy najbardziej przypominają podane odwołanie?
szukaj_odwolania <- function(odwolanie, n = 2) {
  url <- paste0("https://api.crossref.org/works?rows=", n,
                "&select=DOI,title,author,issued&query.bibliographic=",
                URLencode(odwolanie, reserved = TRUE))
  it <- fromJSON(url)$message$items
  data.frame(doi = it$DOI, rok = sapply(it$issued$`date-parts`, `[`, 1),
             autor = sapply(it$author, function(a) a$family[1]),
             tytul = substr(unlist(it$title), 1, 30))
}

doi_z_bibliografii <- c("10.1038/s41598-023-41032-5",   # odwołanie prawdziwe
                        "10.1038/s41598-022-41032-5")   # wariant zmyślony (przykład)
wynik <- do.call(rbind, lapply(doi_z_bibliografii, sprawdz_doi))
wynik[, c("doi", "status", "rok", "autorzy")]
wynik$tytul[1]

szukaj_odwolania(paste("Walters, W. H., & Wilder, E. I. (2022). Fabricated references in",
                       "ChatGPT-generated literature reviews: Prevalence and predictors.",
                       "Scientific Reports, 12(3), 211-224."))

                         doi          status  rok         autorzy
1 10.1038/s41598-023-41032-5      znaleziony 2023 Walters, Wilder
2 10.1038/s41598-022-41032-5 BRAK w Crossref   NA            <NA>
[1] "Fabrication and errors in the bibliographic citations generated by ChatGPT"
                         doi  rok   autor                          tytul
1 10.1038/s41598-023-41032-5 2023 Walters Fabrication and errors in the
2   10.24090/celti.2025.1335 2025 Pratama Training Students to Identify

Czy narzędzia AI z wyszukiwaniem rozwiązują problem?

Częściowo. Asai i współpracownicy (2026) porównali modele na zbiorze pytań naukowych ScholarQABench: GPT-4o halucynował cytowania w 78–90% przypadków, a OpenScholar – model, który przed napisaniem odpowiedzi przeszukuje 45 mln artykułów open access – osiągał trafność cytowań porównywalną z ekspertami. Wniosek jest praktyczny: narzędzie, które najpierw znajduje prawdziwe publikacje, a dopiero potem pisze, zmyśla znacznie rzadziej niż czat odpowiadający „z pamięci”.

Na tej zasadzie projektuje się też systemy do pracy z literaturą, w których odwołania pochodzą z przeczytanych publikacji, a bibliografią zarządza program, a nie model – tak działają np. nasze evidence-based drafty AI, oddawane z pełnym śladem źródeł. Nawet wtedy krok 5 pozostaje obowiązkiem autora: tylko człowiek, który przeczytał źródło, może ocenić, czy potwierdza ono konkretne zdanie. Ta sama ostrożność dotyczy danych generowanych przez modele – o tym, dlaczego odpowiedzi modelu nie zastąpią osób badanych, piszemy w tekście o syntetycznych respondentach.

Jak bezpieczniej korzystać z AI przy szukaniu literatury

Najmniej problemów sprawia AI użyte do tego, w czym jest dobre – do pracy z językiem – a nie jako katalog biblioteczny. W praktyce:

• proś o słowa kluczowe, synonimy i angielskie odpowiedniki pojęć, a nie o listę źródeł – z nich zbudujesz zapytanie do baz;
• pobieraj DOI i metadane tylko ze stron baz lub czasopism, nigdy z odpowiedzi czatu;
• nie przyjmuj odwołania, którego nie możesz otworzyć – jeśli nie masz dostępu do pełnego tekstu, przeczytaj przynajmniej abstrakt w bazie i poszukaj wersji otwartej;
• korzystaj z narzędzi, które pokazują źródło odpowiedzi i pozwalają przejść do rekordu publikacji – ale i tak przejdź przez kroki 2–5;
• zapisuj, do czego użyłeś AI (data, narzędzie, cel) – przyda się w deklaracji w pracy.

Zmyślone źródła a zasady uczelni

Odpowiedzialność za bibliografię spoczywa na autorze, także wtedy, gdy listę zaproponowało narzędzie. Uniwersytecka Rada ds. Kształcenia Uniwersytetu Warszawskiego (2026) w uchwale nr 75 wprost wskazuje, że student odpowiada m.in. za odwołania do nieistniejących źródeł. Podobnie wytyczne Komisji Europejskiej dotyczące generatywnej AI w badaniach przypominają, że badacze odpowiadają za sprawdzenie wszystkich odwołań (European Commission, 2026). Konsekwencje naruszeń określa regulamin Twojej uczelni – sprawdź go, bo zasady różnią się między uczelniami i wydziałami (ten tekst nie jest poradą prawną). Nie licz też na system antyplagiatowy: porównuje on podobieństwo tekstu do innych dokumentów, a nie sprawdza, czy cytowane prace istnieją (zob. analiza statystyczna a system antyplagiatowy).

Jeśli korzystałeś z AI przy pracy nad literaturą, opisz to w pracy. Gotowe warianty deklaracji znajdziesz w poradniku jak opisać użycie AI w pracy dyplomowej, a szersze tło – w tekście o etyce AI w pisaniu publikacji naukowych. Jak w ogóle szukać i porządkować literaturę, tak żeby AI było pomocą, a nie źródłem bibliografii, pokazujemy w poradniku jak napisać przegląd literatury.

Checklista: bibliografia gotowa do oddania

Najczęstsze błędy przy weryfikacji

• Sprawdzanie tylko „czy coś podobnego istnieje” – praca o podobnym tytule to nie ta sama praca. Porównuj wszystkie elementy odwołania.
• Podmiana zmyślonego odwołania na najbliższe prawdziwe bez lektury – powstaje odwołanie istniejące, ale niekoniecznie potwierdzające Twoje zdanie.
• Proszenie modelu, żeby sam sprawdził swoje źródła – model może z przekonaniem potwierdzić własne zmyślenie. Weryfikacja wymaga niezależnej bazy.
• Sprawdzanie tylko części bibliografii – przy odsetkach zmyśleń z badań wyrywkowa kontrola nie wystarczy. Sprawdź każdą pozycję.
• Cytowanie „za” modelem – zdanie typu „jak podaje ChatGPT, badania pokazują…” nie jest cytowaniem źródła naukowego. Cytuj publikację, którą przeczytałeś.
• Pomijanie błędów w prawdziwych odwołaniach – zły rok czy DOI utrudnia czytelnikowi dotarcie do źródła, a więc sprawdzenie Twoich wniosków (replikowalność). Poprawiaj według rekordu w bazie.

Najczęstsze pytania

Czy ChatGPT zmyśla bibliografię?

Tak. W badaniu Waltersa i Wildera (2023) zmyślonych było 55% odwołań GPT-3.5 i 18% odwołań GPT-4, a GPT-4o w przeglądach o zdrowiu psychicznym zmyślił 19.9% odwołań (Linardon i in., 2025). Także odwołania do prac prawdziwych często mają błędy, najczęściej w DOI, roku lub stronach.

Jak sprawdzić, czy artykuł naukowy naprawdę istnieje?

Wklej DOI do doi.org i sprawdź, czy prowadzi do pracy o tym samym tytule, autorach i roku. Jeśli DOI nie ma albo nie działa, wyszukaj dokładny tytuł w Crossref, OpenAlex lub Google Scholar. Brak rekordu przy dokładnym tytule to silny sygnał, że praca nie istnieje.

Jak sprawdzić DOI artykułu?

Wpisz identyfikator (np. 10.1038/s41598-023-41032-5) na stronie doi.org albo dopisz go po adresie https://doi.org/. Komunikat „DOI Not Found” oznacza, że identyfikator nie istnieje. Gdy DOI działa, porównaj otwartą stronę z odwołaniem – DOI bywa przypisany do innej pracy.

Co zrobić, gdy AI podało źródło, którego nie mogę znaleźć?

Usuń je z bibliografii i sprawdź zdanie, które miało podpierać. Jeśli twierdzenie jest ważne, znajdź prawdziwą publikację w bazach, przeczytaj ją i zacytuj tylko wtedy, gdy rzeczywiście je potwierdza. Nie podmieniaj zmyślonego odwołania na podobne bez lektury.

Czy można cytować artykuł znaleziony przez AI?

Tak, jeśli artykuł istnieje, został przez Ciebie przeczytany i potwierdza Twoje zdanie. AI może pomóc znaleźć trop, ale cytujesz publikację, a nie odpowiedź czatu. Użycie AI przy pracy z literaturą opisz zgodnie z zasadami uczelni – zob. wzór deklaracji użycia AI.

Powiązane hasła

Przeczytaj też

@article{alkaissi2023artificial, author={Alkaissi, Hussam and McFarlane, Samy I}, title={{Artificial hallucinations in ChatGPT: Implications in scientific writing}}, journal={Cureus}, year={2023}, volume={15}, number={2}, eid={e35179}, doi={10.7759/cureus.35179}}

@article{asai2026synthesizing, author={Asai, Akari and He, Jacqueline and Shao, Rulin and Shi, Weijia and Singh, Amanpreet and Chang, Joseph Chee and Lo, Kyle and Soldaini, Luca and Feldman, Sergey and D'Arcy, Mike and Wadden, David and Latzke, Matt and Sparks, Jenna and Hwang, Jena D. and Kishore, Varsha and Tian, Minyang and Ji, Pan and Liu, Shengyan and Tong, Hao and Wu, Bohao and Xiong, Yanyu and Zettlemoyer, Luke and Neubig, Graham and Weld, Daniel S. and Downey, Doug and Yih, Wen-tau and Koh, Pang Wei and Hajishirzi, Hannaneh}, title={{Synthesizing scientific literature with retrieval-augmented language models}}, journal={Nature}, year={2026}, volume={650}, number={8103}, pages={857--863}, doi={10.1038/s41586-025-10072-4}}

@article{bhattacharyya2023high, author={Bhattacharyya, Mehul and Miller, Valerie M and Bhattacharyya, Debjani and Miller, Larry E}, title={{High rates of fabricated and inaccurate references in ChatGPT-generated medical content}}, journal={Cureus}, year={2023}, volume={15}, number={5}, eid={e39238}, doi={10.7759/cureus.39238}}

@article{chelli2024hallucination, author={Chelli, Mikaël and Descamps, Jules and Lavoué, Vincent and Trojani, Christophe and Azar, Michel and Deckert, Marcel and Raynier, Jean-Luc and Clowez, Gilles and Boileau, Pascal and Ruetsch-Chelli, Caroline}, title={{Hallucination rates and reference accuracy of ChatGPT and Bard for systematic reviews: Comparative analysis}}, journal={Journal of Medical Internet Research}, year={2024}, volume={26}, eid={e53164}, doi={10.2196/53164}}

@misc{crossrefndsimpletextquery, author={{Crossref}}, title={{Simple Text Query}}, howpublished={Crossref documentation}, publisher={Crossref}, url={https://www.crossref.org/documentation/retrieve-metadata/simple-text-query/}}

@misc{doifoundationndwhatisdoi, author={{DOI Foundation}}, title={{What is a DOI?}}, howpublished={DOI Foundation}, publisher={DOI Foundation}, url={https://www.doi.org/the-identifier/what-is-a-doi/}}

@article{emsley2023chatgpt, author={Emsley, Robin}, title={{ChatGPT: These are not hallucinations – they're fabrications and falsifications}}, journal={Schizophrenia}, year={2023}, volume={9}, number={1}, eid={52}, doi={10.1038/s41537-023-00379-4}}

@techreport{ec2026living, author={{European Commission, Directorate-General for Research and Innovation}}, title={{Living guidelines on the responsible use of generative AI in research: ERA Forum stakeholders' document (4th version)}}, year={2026}, institution={Publications Office of the European Union}, url={https://research-and-innovation.ec.europa.eu/document/download/2b6cf7e5-36ac-41cb-aab5-0d32050143dc_en?filename=ec_rtd_ai-guidelines.pdf}}

@article{hendricks2020crossref, author={Hendricks, Ginny and Tkaczyk, Dominika and Lin, Jennifer and Feeney, Patricia}, title={{Crossref: The sustainable source of community-owned scholarly metadata}}, journal={Quantitative Science Studies}, year={2020}, volume={1}, number={1}, pages={414--427}, doi={10.1162/qss_a_00022}}

@article{ji2023survey, author={Ji, Ziwei and Lee, Nayeon and Frieske, Rita and Yu, Tiezheng and Su, Dan and Xu, Yan and Ishii, Etsuko and Bang, Ye Jin and Madotto, Andrea and Fung, Pascale}, title={{Survey of hallucination in natural language generation}}, journal={ACM Computing Surveys}, year={2023}, volume={55}, number={12}, pages={1--38}, doi={10.1145/3571730}}

@article{linardon2025influence, author={Linardon, Jake and Jarman, Hannah K and McClure, Zoe and Anderson, Cleo and Liu, Claudia and Messer, Mariel}, title={{Influence of topic familiarity and prompt specificity on citation fabrication in mental health research using large language models: Experimental study}}, journal={JMIR Mental Health}, year={2025}, volume={12}, eid={e80371}, doi={10.2196/80371}}

@misc{priem2022openalex, author={Priem, Jason and Piwowar, Heather and Orr, Richard}, title={{OpenAlex: A fully-open index of scholarly works, authors, venues, institutions, and concepts}}, howpublished={arXiv}, year={2022}, eid={2205.01833}, publisher={arXiv}, doi={10.48550/arxiv.2205.01833}}

@techreport{uw2026uchwala75, author={{Uniwersytecka Rada ds. Kształcenia Uniwersytetu Warszawskiego}}, title={{Uchwała nr 75 Uniwersyteckiej Rady ds. Kształcenia z dnia 11 września 2026 r. w sprawie wytycznych dotyczących korzystania z narzędzi sztucznej inteligencji w procesie kształcenia (DURK z 2026 r. poz. 75)}}, year={2026}, institution={Uniwersytet Warszawski}, url={https://dokumenty.uw.edu.pl/dziennik/DURK/Lists/Dziennik/Attachments/248/DURK.2026.75.UURK.75.pdf}}

@article{walters2023fabrication, author={Walters, William H. and Wilder, Esther Isabelle}, title={{Fabrication and errors in the bibliographic citations generated by ChatGPT}}, journal={Scientific Reports}, year={2023}, volume={13}, number={1}, eid={14045}, doi={10.1038/s41598-023-41032-5}}