MétaCan
Menu
Retour à la cohorte
Enregistrement W3096268605 · doi:10.3138/jsp.52.1.03

An Analysis of Spam from Predatory Publications in Library and Information Science

2020· article· en· W3096268605 sur OpenAlexvenueno aff
Brady Lund, Ting Wang

Notice bibliographique

RevueJournal of Scholarly Publishing · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueSpam and Phishing Detection
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSubject (documents)LegitimacyLibrary scienceComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

Predatory journals pose a significant threat to the quality of scholarly publication across disciplines, including in library and information science (LIS). These publications are known to target researchers in developing countries and researchers for whom English is not their primary language. Such publications threaten the legitimacy of researchers who may already face an uphill battle to establish a name for themselves in their field. How predatory publishers target researchers in LIS through spam invitations is the subject of this study, which partly replicates a 2017 study by Clemons et al., who examined spam invitations in the field of oncology. The data set of the present study consists of ninety-eight spam invitations from predatory publishers received by the two co-authors over a six-week period. Data analysis shows the frequency of problematic elements of content in these invitations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante
Catégories consensuellesCommunication savante
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,624
Score d'incertitude au seuil0,976

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,006
Études des sciences et des technologies0,0000,000
Communication savante0,0250,649
Science ouverte0,0020,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,230
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Scholarly PublishingMême sujetSpam and Phishing DetectionTravaux en français237 207