Techniques predatory journals use to solicit manuscripts: a contrast between Africa (lower- income countries) and Canada (high income country)
Notice bibliographique
Résumé
Abstract Background Predatory journals charge authors for publication without quality peer review or editorial services. They target researchers not only in high-(HIC) but also in lower income countries (LIC). The purpose of this study was to investigate characteristics of predatory journals and their recruitment techniques aimed at researchers in LIC and HIC. Methods Four clinician researchers, two in lower income countries (Kenya and Uganda) and two in a high-income country (Canada), identified and collected unsolicited emails from suspected predatory journals over a six-month period in 2019; 50 randomly selected emails from researchers in Canada and 50 from African researchers. These were assessed for similarities and differences using a set of criteria derived from the literature on predatory publishing. Findings: Features common to both the LIC and HIC groups included requesting email not website manuscript submission and claiming a very rapid processing timeline. In comparison to the HIC group, emails from the LIC group were significantly more likely to have impersonal greetings, poor integrity, request an urgent reply, and request an email back to unsubscribe from further emails. The websites of journals targeting LIC researchers were significantly more likely to use language that overly flattered authors and lacked a description of the peer review process. HIC target emails were more likely to be from journals out of scope of the authors’ work. Interpretation: We identified similarities and differences between LIC and HIC predatory journal submission request emails and their websites. Being aware of these different approaches may help authors better avoid predatory publishing in future.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | MétarechercheCommunication savante Domaine: Évaluation · Genre: Empirique Porte sur le système de recherche canadien: oui · Porte sur un sujet canadien: oui | Observationnel | low |
| gpt | MétarechercheCommunication savanteIntégrité de la recherche Domaine: Évaluation · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui | Observationnel | high |
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 | 0,015 | 0,143 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,008 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».