La Nueva IA Detecta Revistas Científicas Cuestionables

Las científicas desarrollaron un sistema de detección de IA para revistas de acceso abierto con prácticas sospechosas, revelando amenazas a la integridad en la ciencia y la necesidad de evaluación humana

Las revistas de acceso abierto permiten el acceso gratuito a la investigación para científicos de todo el mundo, aumentando su exposición global. Sin embargo, el modelo de acceso abierto ha creado un entorno donde ahora proliferan revistas cuestionables. Estos medios a menudo cobran tarifas a los autores, prometen una publicación rápida, pero carecen de una revisión por pares adecuada, poniendo en riesgo la integridad científica.

Las investigadoras publicaron recientemente sus hallazgos tras probar una nueva herramienta de IA que pretende abordar este problema. Entrenaron a la IA utilizando más de 12,000 revistas de alta calidad, junto con 2,500 publicaciones de baja calidad o cuestionables, que fueron eliminadas del Directorio de Revistas de Acceso Abierto (DOAJ).

La IA aprendió a identificar señales de alerta analizando las lagunas en los comités editoriales, el diseño web poco profesional y la mínima actividad de citación.

Identificó más de 1,000 revistas sospechosas previamente desconocidas de un conjunto de datos de 93,804 revistas de acceso abierto en Unpaywall, que juntas publican cientos de miles de artículos. Muchas de las revistas dudosas provienen de países en desarrollo.

“Nuestros hallazgos demuestran el potencial de la IA para realizar controles de integridad a gran escala, al mismo tiempo que destacan la necesidad de combinar la clasificación automatizada con la revisión de expertos”, escriben las investigadoras.

Los investigadores señalan que el sistema no es perfecto. Actualmente produce un 24% de falsos positivos, lo que significa que uno de cada cuatro revistas genuinas puede ser marcada incorrectamente. Aún se requieren expertos humanos para la evaluación final.

El sistema de IA evalúa la credibilidad de las revistas analizando el contenido del sitio web, los elementos de diseño y los datos bibliométricos, incluyendo los patrones de citación y las afiliaciones de los autores. Los indicadores de revistas cuestionables incluyen altas tasas de autocitación y valores más bajos del índice h de los autores, mientras que la diversidad institucional establecida y las amplias redes de citación indican fiabilidad.

El equipo de investigación espera que los desarrollos futuros mejoren la capacidad del sistema de IA para detectar estrategias engañosas de los editores. Al combinar herramientas automatizadas con supervisión humana, la comunidad científica puede proteger mejor la integridad de la investigación y guiar a los autores hacia revistas de confianza.