Fundamentos Para La Elaboración De Manuscritos Científicos En Trauma Y Cuidado Agudo De Emergencias (Parte 3): Como Seleccionar La Mejor Opción Para Publicar Su Trabajo: Más Allá Del Factor De Impacto
Bibliographic record
Abstract
RESÚMEN El número de revistas científicas aumenta cada año generando así una gran variedad de información y múltiples opciones para enviar artículos producto de investigaciones. Existen índices bibliométricos que permiten ayudar a evaluar revistas para definir que tan frecuente se publican en ellas artículos de interés para generar otras publicaciones a partir de estos artículos. Medidas como el factor de impacto o el factor H, actualmente son usadas a nivel global para identificar revistas y parametrizar autores de alta citación. Actualmente las revistas impresas estan siendo reemplazadas por las revistas electrónicas, y esta tendencia ha favorecido la proliferación de revistas o editoriales predatorias, que encuentran en la necesidad de visibilidad académica de muchos autores una oportunidad para generar un flujo importante de dinero, cobrando por la publicación de los artículos. Debido a esto, seleccionar la revista a la cual se envian los artículos es una importante tarea que debe ser realizada con precaución y bajo la supervisión de los mentores de investigación. Existen actualmente sitios web que nos ayudan a identificar revistas de riesgo o editoriales de riesgo para no caer en este tipo de situaciones en donde nuestro artículo puede ser considerado una publicación de dudosa calidad al no pasar por un proceso extricto de revisión por pares. Revistas generales reconocidas de editoriales de calidad o revistas especializadas de asociaciones científicas de alta calidad académica deben ser la primera opción a considerar independiente de los índices bibliométricos.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.046 | 0.093 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.014 | 0.017 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.017 | 0.009 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".