Bibliometric analysis of a controversial paper on predatory publishing
Notice bibliographique
Résumé
Purpose In 2017, one study (Derek Pyne; Journal of Scholarly Publishing; DOI: 10.3138/jsp.48.3.137; University of Toronto Press) in the “predatory” publishing literature attracted global media attention. Now, over three years, according to adjusted Google Scholar data, with 53 citations (34 in Clarivate Analytics' Web of Science), that paper became that author's most cited paper, accounting for one-third of his Google Scholar citations. Design/methodology/approach In this paper, the authors conducted a bibliometric analysis of the authors who cited that paper. Findings We found that out of the 39 English peer-reviewed journal papers, 11 papers (28%) critically assessed Pyne's findings, some of which even refuted those findings. The 2019 citations of the Pyne (2017) paper caused a 43% increase in the Journal of Scholarly Publishing 2019 Journal Impact Factor, which was 0.956, and a 7.7% increase in the 2019 CiteScore. Originality/value The authors are of the opinion that scholars and numerous media that cited the Pyne (2017) paper were unaware of its flawed findings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,044 | 0,226 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,061 | 0,094 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».