“The best home for this paper”: A qualitative study of how authors select where to submit manuscripts
Notice bibliographique
Résumé
Introduction For academics selecting a target journal to submit a manuscript is a critical decision with career implications. In medical education, research conducted in 2016 found that authors were influenced by multiple factors such as a journal’s prestige and its mission. However, since this research was conducted the publishing landscape has shifted to include a broader variety of journals, an increased threat of predatory journals, and new publishing models. This study updates and expands upon how medical education authors decide which journal to submit to with the aim of describing the motivational factors and journal characteristics that guide authors’ decision making. Methods The authors conducted five qualitative focus groups in which twenty-two medical education authors and editors participated. During the focus groups participants were engaged in a discussion about how they select a journal to submit their manuscripts. Audio from all focus groups was transcribed. Transcripts were analyzed using codebook thematic analysis. Results Participants considered multiple factors when selecting a target journal. Factors included a journal’s impact, the scope of a journal, journal quality, and technical factors (e.g., word limits). Participants also described how social factors influenced their process and that open access plays a role that could both encourage or deter submission. Discussion The findings describe the motivational factors and influential signals that guide authors in their journal selection decision making. These findings confirm, extend, and update journal selection factors reported in medical education and other disciplines. Notably, these findings emphasize the role of social factors, relationships and personal experiences, which were absent from previous work. Additionally, we observed increased consideration of OA and a shift away from an emphasis on journal prestige.
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 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,017 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».