Identifying Predatory Journals in Plastic Surgery: A Prospective Study
Notice bibliographique
Résumé
Background: Predatory journals promise high acceptance rates and quick publication in exchange for a processing fee. As these journals aim to maximize profits, they neglect traditional mechanisms used to ensure a high-quality publication. Unsolicited email invitations are a characteristic of predatory journals that often inundate the inboxes of surgeons. The objective of this study is to use these emails to identify potentially predatory journals in the area of surgery and plastic surgery. Methods: Unsolicited email requests from surgery-related journals were collected over a 3-month period. Journals were evaluated using a modified version of the Rohrich and Weinstein checklist. The average number of "predatory" criteria met by these potentially predatory journals (PPJs) was compared to that of the top open-access plastic surgery journals which were assumed to be non-predatory for the purposes of this study. Results: In total, 437 unsolicited email requests were received. Of these, 92 emails, representing 57 PPJs, were eligible for inclusion. On average, the PPJs met 5 of the 12 "predatory" criteria, compared to less than 1 in the comparison group. Approximately 96% of these emails, or the respective websites, contained obvious spelling or grammatical mistakes; 98% of these emails came from journals not listed on Scopus, Directory of Open Access Journals (DOAJ), and/or Web of Science. Conclusions: Of the journals that sent unsolicited emails, 98% met 2 or more criteria and were deemed to be predatory. If a journal contains grammatical mistakes and is not listed on Scopus, DOAJ, and/or Web of Science, authors should be cautious.
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 | 0,038 | 0,683 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,070 | 0,180 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».