Καταπολέμηση του AI Slop στα Επιστημονικά Άρθρα

AI κάνει τα πάντα σε κλίμακα, από συλλογή δεδομένων ιστού επιπέδου επίθεσης DOS έως την παραγωγή ή την ενεργοποίηση τέτοιοι τεράστιοι όγκοι επιστημονικών υποβολών έρευνας, ώστε το αποτέλεσμα να γίνεται τόσο λογιστική κρίση όσο και κρίση ποιότητας, καθώς το σήμα-προς-θόρυβο συνεχίζει να γίνεται ακατανόητο.

Την περασμένη εβδομάδα, ο διακομιστής προεκτύπωσης arXiv ανακοίνωσε ότι θα θεσπίσει μια νέα πολιτική περιορισμού ρυθμού για τους υποβάλλοντες, οι οποίοι θα περιορίζονται πλέον σε δύο υποβολές ανά μήνα. Το μέτρο λήφθηκε, όπως υποδεικνύει η ανακοίνωση, ενόψει μιας εκκωφαντικής αύξησης των ρυθμών υποβολής σε σύντομο χρονικό διάστημα:

Μηνιαίες υποβολές στην κατηγορία cs.AI του arXiv από τον Ιανουάριο 2024 έως τον Σεπτέμβριο 2026, δείχνοντας αύξηση μεγαλύτερη από εξαπλάσια κατά τη διάρκεια. Πηγή

Η ανάρτηση στο blog της Kat Boboris που ανακοίνωσε τη κίνηση, η οποία έσπρωξε σχόλιο στο Hacker News την περασμένη Πέμπτη, ανέφερε ότι το arXiv έλαβε 40,363 υποβολές τον Σεπτέμβριο 2026 – σχεδόν διπλάσιες από τις 20,569 που ελήφθησαν τον Σεπτέμβριο 2024, και περισσότερο από τέσσερις φορές τις 9,869 που ελήφθησαν τον Σεπτέμβριο 2016.

Οι υποβολές του τελευταίου μήνα, όπως παρατήρησε η Boboris, δημιούργησαν επίσης σχεδόν 9,000 αιτήματα υποστήριξης για το προσωπικό και τους συντονιστές του arXiv:

‘Οι συντονιστές μας παρατηρούν αύξηση των λεπτών εργασιών περιορισμένου πεδίου, καθώς και των ‘salami’ εργασιών, όπου ένα ενιαίο έργο διασπάται και υποβάλλεται ως σύνολο μικρότερων εργασιών. ‘

‘Υπάρχει επίσης σημαντική αύξηση των πυκνών, AI-γραμμένων εργασιών. Τα εργαλεία AI καθιστούν εύκολο για τους συγγραφείς να πλημμυρίσουν το arXiv και άλλα αποθετήρια με αυτές τις χαμηλής αξίας εργασίες.’

Ήδη, τον Μάιο του τρέχοντος έτους, το arXiv υιοθέτησε το μέτρο της εφαρμογής μιας απαγόρευσης ενός έτους για ανεξέλεγκτο περιεχόμενο AI· και τον Οκτώβριο του περασμένου έτους, ενημέρωσε τους υποβάλλοντες ερευνητικές και θέση εργασίες (και οι δύο μπορούν να παραχθούν με λιγότερο κόπο από μια πλήρη ακαδημαϊκή μελέτη) ότι θα χρειαστούν υποστήριξη από ομοτίμους για να δημοσιευτούν στο arXiv.

Προς το παρόν, ο συχνά περιοριστικός περιορισμός των http αιτήσεων από το domain του arXiv δεν είναι πολύ εμφανής, και μπορεί κανείς μόνο να ελπίζει ότι οι πολύ χρήσιμες RSS ροές του θα επιβιώσουν από αυτήν τη συνεχή περικοπή. Την περασμένη εβδομάδα το Reddit ανακοίνωσε την μακράς ώρας φοβισμένη πλήρη κατάργηση των RSS ροών του, η οποία θα πραγματοποιηθεί από τη μέση του επόμενου μήνα. Ωστόσο, η μη κερδοσκοπική κατάσταση του arXiv σημαίνει ότι υπάρχει λίγος παρόμοιο κεφάλαιο που μπορεί να κερδηθεί με την καθοδήγηση των αναγνωστών σε υποχρεωτικές επισκέψεις στον ιστότοπο, ή εξαναγκαστικές συνδέσεις – τουλάχιστον προς το παρόν.

Ενάντια στην Ανερχόμενη Πλημμύρα

Αντιμέτωποι με τέτοια σοβαρά και αυξανόμενα προβλήματα γύρω από την αρνητική επίδραση της χρήσης AI στην επιστημονική έρευνα – ιδιαίτερα όσον αφορά την έρευνα σχετική με AI, η οποία έχει υπερβεί όλες τις άλλες κατηγορίες, και έχει ανέβει από την ανωνυμία ώστε να γίνει πολιτικός και οικονομικός δείκτης, πρόσφατα – μια γραμμή έρευνας έχει εμφανιστεί εξετάζοντας τρόπους να αντιμετωπιστεί η παρακμή στην ποιότητα των υποβολών εργασιών σχετικών με AI.

Η πιο πρόσφατη προσπάθεια αντιμετώπισης του προβλήματος εμφανίζεται με τη μορφή συνεργασίας μεταξύ του Πανεπιστημίου Σεούλ της Κορέας και του Πανεπιστημίου του Μινεσότα στις ΗΠΑ. Το έγγραφο, με τίτλο Science or Slop?: Benchmarking and Mitigating Scientific Slop in AI-Generated Papers, προτείνει τη μέτρηση του ‘scientific slop’ μέσω αποτυχιών στις συνδέσεις μεταξύ των ισχυρισμών, των αποδείξεων, των παραπομπών και της δομής μιας εργασίας:

Από το νέο έγγραφο, μια επισκόπηση της προσέγγισης του έργου στο ‘scientific slop’, δείχνοντας πώς οι αποτυχίες στη δομή, το επιχείρημα και τα υποστηρικτικά αντικείμενα μπορούν να αποκαλύψουν αδυναμίες που οι συμβατικοί ανιχνευτές AI‑κειμένου δεν εντοπίζουν. Πηγή

Σε αντίθεση με προηγούμενες προσεγγίσεις, το νέο σύστημα κοιτάζει πέρα από το ίδιο το κείμενο για να αξιολογήσει εάν οι ισχυρισμοί της εργασίας υποστηρίζονται σωστά από τα επιχειρήματά της, τις αποδείξεις και τις παραπομπές. Οι συγγραφείς δηλώνουν*:

‘Κάθε μέρος μιας εργασίας μπορεί να φαίνεται πειστικό απομονωμένα, έτσι οι τέτοιες αποσπάσεις είναι αόρατες στα ανιχνευτές επιπέδου token και μπορούν να εντοπιστούν ή να διορθωθούν μόνο στο επίπεδο ολόκληρης της εργασίας. Για τη μέτρηση και τη μείωση του scientific slop, αυτή η εργασία αντιμετωπίζει τρεις προκλήσεις.

‘Πρώτον, τα μετρικά επιπέδου token αποτυγχάνουν να καταγράψουν πώς η επιστημονική λογική συνδέεται μέσα σε μια εργασία. Τμήματα, ισχυρισμοί, παραπομπές, αποδείξεις και αντικείμενα μπορούν καθεμία να φαίνεται πειστική ενώ οι σχέσεις μεταξύ τους διασπώνται. Παρατηρούμε επανειλημμένα τέτοιες αποτυχίες σε πλήρως AI‑γενόμενες εργασίες, και οι κριτές του ICLR ήδη τις τιμωρούν ακόμη και σε υποβολές γραμμένες από ανθρώπους.

‘Δεύτερον, η ανίχνευση αυτών των προτύπων παραμένει αμετρήσιμη. Τα υπάρχοντα σύνολα δοκιμών επισημαίνουν μόνο το κείμενο, έτσι ο βαθμός στον οποίο οι ανιχνευτές, συμπεριλαμβανομένων των LLM που διαβάζουν ολόκληρο το άρθρο, εντοπίζουν αυτά τα πρότυπα δεν έχει ποτέ μετρηθεί.

‘Τρίτον, αυτά τα πρότυπα είναι δύσκολο να μετριαστούν αξιόπιστα. Ενώ τα σήματα σε επίπεδο token μπορεί να αφαιρεθεί με παραφράση, η επισκευή αυτών των προτύπων απαιτεί την αποκατάσταση των ελλιπών σχέσεων χωρίς να αλλάξει η υποκείμενη επιστήμη.’

Το νέο benchmark των συγγραφέων, με την ονομασία SciSlopBench, έχει ενσωματωθεί στο SciSlopHarness, ένα πλαίσιο σχεδιασμένο να εντοπίζει και να διορθώνει αποτυχίες στη επιστημονική λογική ενός άρθρου, διατηρώντας τα υποκείμενα επιστημονικά δεδομένα:

Παραδείγματα σύγκρισης εσφαλμένων αποσπασμάτων με τις διορθώσεις που έκανε το SciSlopHarness. Οι μη υποστηριζόμενες προσθήκες απορρίπτονται, ενώ οι ισχυρισμοί αναδιατάσσονται ή ξαναγράφονται όπου χρειάζεται για να αντανακλούν καλύτερα τα διαθέσιμα αποδεικτικά στοιχεία στο άρθρο.

Το ίδιο το benchmark SciSlopBench δημιουργήθηκε από 390 AI-γενόμενα άρθρα, το καθένα ζευγαρωμένο με ένα ανθρώπινα γραμμένο άρθρο που αντιμετωπίζει παρόμοιο ερευνητικό πρόβλημα και τύπο συνεισφοράς.

Σε δοκιμές, το SciSlopBench χρησιμοποιήθηκε για να διακρίνει 390 ζεύγη άρθρων, με κάθε ζεύγος να αποτελείται από το προαναφερθέν AI-γενόμενο άρθρο και ένα ανθρώπινα γραμμένο άρθρο που ταιριάζει ως προς το ερευνητικό πρόβλημα και τον τύπο συνεισφοράς. Το benchmark αναγνώρισε σωστά το AI-γενόμενο άρθρο στο 85,9 % των συγκρίσεων, υπερέχοντας σημαντικά τους συμβατικούς ανιχνευτές κειμένου AI.

Οι συγγραφείς δηλώνουν:

‘Ενώ οι τυπικές διορθώσεις αφήνουν υπολειπόμενο slop και η άμεση προτροπή με επίγνωση του slop προκαλεί παραβίαση ανταμοιβής, το SciSlopHarness μειώνει το υπόλοιπο χάσμα AI–άνθρωπος κατά 63 % σε σχέση με τη δυνατότερη βάση αναθεώρησης χωρίς να απαιτεί ανθρώπινους δείκτες αναφοράς.

‘Συνολικά, δείχνουμε ότι τα AI-γενόμενα επιστημονικά άρθρα αφήνουν θεμελιώσιμα ίχνη στη συνολική τους λογική, και ότι η υπεύθυνη μετρίαση απαιτεί αυστηρή τεκμηριωμένη βάση αντί για απλή βελτίωση του κειμένου.’

Εκτός από τις συνεισφορές του ίδιου του άρθρου, οι συγγραφείς έχουν υλοποιήσει τις αρχές του νέου τους έργου με τη μορφή μιας ζωντανής επίδειξης όπου οι χρήστες μπορούν να υποβάλουν επιστημονικά άρθρα για ανάλυση του ποσού AI slop που περιέχουν.

Παρά το γεγονός ότι το νέο άρθρο αυτό, που αναλύθηκε από τη demo, καταλήγει σε μια «μέτρια» βαθμολογία slop 40/100^†:

Το νέο άρθρο, όπως αναλύεται από τον δικό του αλγόριθμο, επισημαίνει περιοχές «slop» με τη νέα διαδικασία των συγγραφέων. Πηγή

Μέθοδος και Προσέγγιση Δεδομένων

Η συνεργασία 2025 Why Slop Matters περιέγραψε την «επιφανειακή επάρκεια» ως χαρακτηριστικό του AI slop, όπου η φαινομενική ποιότητα κρύβει έλλειψη ουσίας. Η νέα εργασία εφαρμόζει αυτή την ιδέα πιο συγκεκριμένα στα επιστημονικά άρθρα, ορίζοντας το «επιστημονικό slop» ως αποτυχίες που δυσκολεύουν την παρακολούθηση του πώς οργανώνεται μια μελέτη· πώς υποστηρίζονται οι ισχυρισμοί της· και πώς μπορούν να εξεταστούν οι μέθοδοι και τα αποδεικτικά στοιχεία, με τις αποτυχίες να ομαδοποιούνται σε δομή; επιχείρημα; και τεχνικά αντικείμενα:

Κανόνες μέτρησης για τους έξι τύπους επιστημονικού slop που χρησιμοποιούνται στο benchmark. Ο πίνακας δείχνει τι εξετάζεται για κάθε μέτρο, πώς υπολογίζεται η βαθμολογία και τι αντιπροσωπεύει η μέγιστη βαθμολογία 1, με υψηλότερες βαθμολογίες να υποδεικνύουν πιο εκτεταμένες αποτυχίες.

Οι έξι μετρήσεις του επιστημονικού slop που ορίζονται στο άρθρο είναι αναφορές διατομής (αν οι ενότητες αναφέρονται ουσιαστικά σε υλικό αλλού στο άρθρο); μακροπρόσθετη επανάληψη (αν μεταγενέστερες ενότητες επαναλαμβάνουν προηγούμενο υλικό); γράφημα επιχειρήματος (αν οι ισχυρισμοί υποστηρίζονται σωστά από προηγούμενη λογική); απομόνωση παραπομπών (αν οι παραπομπές χρησιμοποιούνται επιφανειακά, χωρίς εξήγηση της σχέσης τους με το άρθρο ή μεταξύ τους); εξήγηση σχήματος (αν τα διαγράμματα μεθόδων εξηγούν πραγματικά τη μέθοδο); και χάσμα αποδείξεων (αν τα αναφερόμενα αποτελέσματα υποστηρίζονται από συγκεκριμένα παραδείγματα).

Το benchmark κατασκευάστηκε ζευγαρώνοντας AI-γενόμενα άρθρα με συγκρίσιμα/ισοδύναμα ανθρώπινα γραμμένα άρθρα, με τα AI άρθρα να έχουν επιλεγεί από το FARS και τον διαγωνισμό 2025 Agents4Science.

Για κάθε μηχανικά παραγόμενο άρθρο FARS, οι ερευνητές έψαξαν στις παραπομπές του για ένα ανθρώπινα γραμμένο άρθρο του ίδιου τύπου που είχε γίνει αποδεκτό σε κορυφαίο συνέδριο, και στη συνέχεια επέλεξαν την πιο κοντινή αντιστοιχία βάσει ερευνητικού θέματος, δημιουργώντας 143 ζεύγη. Τα άρθρα Agents4Science αντιστοιχίστηκαν επίσης με ανθρώπινες εκδόσεις, δημιουργώντας επιπλέον 247 ζεύγη, φέρνοντας το σύνολο του benchmark σε 390 ζεύγη AI-άνθρωπος. Τα άρθρα καλύπτουν τις επιστήμες της ζωής, τις κοινωνικές και τις φυσικές επιστήμες, αν και το σύνολο δεδομένων είναι βαρύ προς την πληροφορική.

Για τις μετρήσεις, η απόδοση αξιολογήθηκε χρησιμοποιώντας PairAcc, που μετρά πόσο συχνά το ανθρώπινο άρθρο κατατάσσεται πάνω από το αντίστοιχο AI, και AUROC, που μετρά τη συνολική διαχωριστική ικανότητα μεταξύ ανθρώπινων και AI άρθρων σε διαφορετικά όρια. Οι συγγραφείς αναφέρουν επίσης την απόδοση ανίχνευσης όταν το ποσοστό ψευδώς θετικών για τα ανθρώπινα άρθρα είναι σταθερό στο 5%.

Δοκιμές

Οι αρχικές δοκιμές σύγκριναν το SciSlop με τους ανιχνευτές κειμένου AI Binoculars, DetectGPT και NTS^††, καθώς και με τα αυτοματοποιημένα συστήματα αξιολόγησης AI Scientist Reviewer και CycleReviewer.

Για τις μεταγενέστερες δοκιμές αναθεώρησης, χρησιμοποιήθηκαν τέσσερα βασικά μοντέλα: βασική προτροπή; Claude Code; βελτίωση βάσει κριτή; και αναθεώρηση με επίγνωση slop. Τα πρώτα τρία έλαβαν μόνο γενικές οδηγίες για τη βελτίωση του άρθρου, ενώ η αναθεώρηση με επίγνωση slop έλαβε επιπλέον τους ορισμούς και τις θέσεις του εντοπισμένου slop. Όλα συγκρίθηκαν με το SciSlopHarness υπό ισοδύναμες συνθήκες αναθεώρησης.

Για την υλοποίηση, οι ανιχνευτές κειμένου έλαβαν το κείμενο του άρθρου, ενώ οι άλλες μέθοδοι έλαβαν τον πηγαίο κώδικα του άρθρου και, όπου απαιτείται, πρόσβαση στον κώδικά του. Το Binoculars χρησιμοποίησε Falcon-7B base και instruct μοντέλα· το DetectGPT χρησιμοποίησε T5-3B για τη δημιουργία 100 διαταραχών· το AI Scientist χρησιμοποίησε Qwen2.5-32B-Instruct· και το CycleReviewer χρησιμοποίησε το κυκλοφορημένο checkpoint 8B. Για άρθρα που υπερβαίνουν το όριο των 2.048 tokens του Falcon, τα μη επικαλυπτόμενα παράθυρα βαθμολογήθηκαν ξεχωριστά και μέσουσαν.

Τα αρχικά αποτελέσματα ανίχνευσης αναλύονται στους δύο παρακάτω πίνακες: το SciSlop πέτυχε 85,9% PairAcc, σε σύγκριση με 68,7% για το Binoculars και 68,5% για τον ισχυρότερο αυτοματοποιημένο κριτή, μειώνοντας το ποσοστό σφάλματος κατά περισσότερο από το μισό:

Αποτελέσματα ανίχνευσης που συγκρίνουν το SciSlop με ανιχνευτές κειμένου AI και αυτοματοποιημένους κριτές, μαζί με τα αποτελέσματα για τα έξι ατομικά μέτρα slop. Το SciSlop επιτυγχάνει το υψηλότερο συνολικό PairAcc, ενώ οι αναφορές διατομεακής αναφοράς παρέχουν το ισχυρότερο ατομικό αποτέλεσμα.

Οι αναφορές διατομεακής αναφοράς αποδείχθηκαν ιδιαίτερα ισχυρές από μόνες τους, φθάνοντας το 90,5% PairAcc χωρίς την ανάγκη μοντέλου, και ανιχνεύοντας το 65% των AI-δημιουργημένων άρθρων με ποσοστό ψευδώς θετικών 5%, σε σύγκριση με 24% για το Binoculars.

Οι συγγραφείς υποστηρίζουν ότι αυτά τα αποτελέσματα δείχνουν ότι οι σχέσεις εντός του άρθρου παρέχουν ένα ισχυρότερο σήμα AI δημιουργίας από την παραδοσιακή ανίχνευση σε επίπεδο κειμένου σε αυτό το σύνολο δεδομένων, ενώ ταυτόχρονα εντοπίζουν συγκεκριμένες αδυναμίες που θα μπορούσαν να στοχευτούν σε επόμενη αναθεώρηση.

Η σχέση μεταξύ επιστημονικού slop και των ανθρώπινων αξιολογήσεων της ποιότητας του άρθρου εξετάστηκε στη συνέχεια. Όπως φαίνεται στην πρώτη στήλη παρακάτω, υψηλότερο slop συσχετιζόταν με χαμηλότερες βαθμολογίες ICLR για τη συνολική αξιολόγηση, την ακρίβεια, την παρουσίαση και τη συνεισφορά:

Σύγκριση του SciSlop με ανιχνευτές κειμένου AI και αυτοματοποιημένους κριτές σε σχέση με τα αποτελέσματα αξιολόγησης ICLR. Το αριστερό πάνελ δείχνει την ομοιότητα με AI έναντι των βαθμολογιών αξιολόγησης· το κεντρικό συγκρίνει τις ατομικές διαστάσεις αξιολόγησης· και το δεξί παρουσιάζει την απόδοση στην διάκριση απορριπτόμενων από αποδεκτά άρθρα σε εννιά χρόνια.

Τα απορριπτόμενα και αποδεκτά άρθρα διακρίθηκαν επίσης πάνω από το τυχαίο επίπεδο σε όλα τα εννιά έτη που εξετάστηκαν, ενώ οι συμβατικοί ανιχνευτές έπεσαν κάτω από το τυχαίο επίπεδο στις περισσότερες συγκρίσεις.

Το επιστημονικό slop διαπιστώθηκε επομένως ότι αντικατοπτρίζει αδυναμίες που ήδη τιμωρούνται από τους ανθρώπινους κριτές, αντί να λειτουργεί μόνο ως σήμα AI συγγραφής.

Οι τελικές δοκιμές εξέτασαν αν το SciSlopHarness μπορεί να αφαιρέσει το slop που παρέμεινε μετά από πιο γενική αναθεώρηση. Όπως φαίνεται παρακάτω, το harness έφτασε πιο κοντά στον ανθρώπινο μέσο όρο σε όλα τα έξι μέτρα, ενώ η γενική αναθεώρηση συχνά άφηνε σημαντικό slop και η άμεση αναθεώρηση με επίγνωση slop μερικές φορές υπερδιόρθωνε:

Αποτελέσματα αναθεώρησης που συγκρίνουν το SciSlopHarness με τέσσερις βασικές μεθόδους σε έξι μετρήσεις slop. Οι τιμές πιο κοντά στο μηδέν είναι πιο κοντά στον μέσο όρο ανθρώπινων άρθρων, με το SciSlopHarness γενικά να κινείται προς αυτό το επίπεδο, ενώ η slop-aware αναθεώρηση συχνά το υπερβαίνει.

Κάθε προτεινόμενη αλλαγή ελέγχθηκε σε σχέση με τη επιστημονική λογική του άρθρου και τα υποστηρικτικά αποδεικτικά στοιχεία, με τις μη υποστηριζόμενες επεμβάσεις να απορρίπτονται. Σε όλες τις έξι μετρήσεις, το υπόλοιπο χάσμα από τα ανθρώπινα άρθρα μειώθηκε κατά 63% σε σύγκριση με το Claude Code, το ισχυρότερο baseline αναθεώρησης.

Συμπέρασμα

Ήταν ενδιαφέρον, κατά τη διάρκεια της συγγραφής αυτού του κειμένου, να παρατηρήσουμε όχι μόνο πόσο χαμηλά βαθμολογήθηκε αυτό το άρθρο στην ίδια του την ιστοσελίδα επίδειξης, αλλά και τουλάχιστον ένα παράδειγμα «τεμπέλικης» ή «κοσμητικής» παραπομπής^††, η οποία πρόσφατα έχει γίνει μια μικρή αλλά αυξανόμενη κατάρα στα ερευνητικά άρθρα.

Σε τέτοιες περιπτώσεις, πέρα από αυτό το συγκεκριμένο άρθρο, οι ερευνητές φαίνεται να βασίζονται στη δική τους γνώση αντί να αλληλεπιδρούν ουσιαστικά με την υπάρχουσα βιβλιογραφία. Ωστόσο, περιορισμένοι από τη συνήθεια να «δείξουν τη δουλειά τους», οι παραπομπές συχνά παρέχονται με μια αίσθηση βιασύνης, ακόμη και με περιφρόνηση προς τη διαδικασία, και συχνά εξαρτώνται φαινομενικά από τον αναγνώστη να αποδεχτεί ένα πλήθος αναφορών ως επαρκές «πάπλωμα» προέλευσης, παρόλο που δεν θα αντέξει σε υπερβολική κριτική.

Το Arxiv αντιδρά ενάντια στην βιομηχανοποίηση των υποβολών από AI· το αν θα υπάρξουν παρόμοιοι περιορισμοί στην άμεση συμμετοχή του AI στην έρευνα, χωρίς κάποιο σχετικό καταστροφικό γεγονός επαρκούς μεγέθους, παραμένει αβέβαιο.

* Οι έμφασεις των συγγραφέων, όχι δικές μου – αλλά η μετατροπή μου όπου χρειάζεται των ενσωματωμένων παραπομπών των συγγραφέων σε υπερσυνδέσμους.

^† Οι συγγραφείς δεν ισχυρίζονται μηδενική χρήση AI στο δικό τους άρθρο, και λεπτομερώς περιγράφουν τέτοια χρήση.

^†† Μπορεί να ενδιαφέρει τον αναγνώστη να γνωρίζει ότι έπρεπε να εντοπίσω μόνος μου έναν σωστό σύνδεσμο για το πλαίσιο NTS, επειδή ο σύνδεσμος που παρείχαν οι συγγραφείς δεν ήταν σχετικός – ένα από τα πολύμετρα στα οποία εστιάζει το SciSlop!

Πρώτη δημοσίευση Κυριακή, 4 Οκτωβρίου 2026