How hyped media and misleading editorials can influence impressions about Beall’s lists of “predatory” publications
Notice bibliographique
Résumé
Purpose The issue of “predatory” publishing and the scholarly value of journals that claim to operate within an academic framework, namely, by using peer review and editorial quality control, but do not, while attempting to extract open access (OA) or other publication-related fees, is an extremely important topic that affects academics around the globe. Until 2017, global academia relied on two now-defunct Jeffrey Beall “predatory” OA publishing blacklists to select their choice of publishing venue. This paper aims to explore how media has played a role in spinning public impressions about this issue. Design/methodology/approach The authors focus on a 2017 New York Times article by Gina Kolata, on a selected number of peer reviewed published papers on the topic of “predatory” publications and on an editorial by the Editor-in-Chief of REM , a SciELO- and Scopus-indexed OA journal. Findings The Kolata article offers biased, inaccurate and potentially misleading information about the state of “predatory” publishing: it relies heavily on the assumption that the now-defunct Beall blacklists were accurate when in fact they are not; it relies on a paper published in a non-predatory (i.e., non-Beall-listed) non-OA journal that claimed incorrectly the existence of financial rewards by faculty members of a Canadian business school from “predatory” publications; it praised a sting operation that used methods of deception and falsification to achieve its conclusions. The authors show how misleading information by the New York Times was transposed downstream via the REM editorial. Originality/value Education of academics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,012 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».