EL CRECIENTE DESAFÍO DE LA PUBLICACIÓN PREDATORIA: LAMAMIENTO A LA ACCIÓN
Bibliographic record
Abstract
La Publicación Predatoria (PP) ha sido un creciente desafío desde que surgió el método de publicación en línea y de acceso abierto 1 .El término PP fue acuñado en 2010 por Jeffrey Beall, quien explicó que la misión de las editoriales predatorias era "aprovechar para beneficio propio el modelo de acceso abierto donde los autores pagan una tarifa por publicar su material" 1:15 .La publicación en revistas predatorias se está convirtiendo en una industria que amenaza la integridad del descubrimiento científico y la erudición 2 .La PP no solo malgasta fondos y otros recursos 3 sino que también resulta perjudicial para la reputación y carrera profesional de los autores.Impide la difusión de conocimientos significativos porque es posible que la información que se publica en revistas predatorias no sea creíble o confiable 4 .Esto genera preocupación en el ámbito de la Enfermería y las Ciencias Biomédicas cuando se citan materiales de PP en revistas legítimas 5-6 o cuando se los incluye en síntesis de evidencias publicadas en revistas legítimas 7 .Dichas citas pueden alterar resultados 7 y/o afectar la atención provista a los pacientes 8 .Es preocupante que la cantidad de revistas predatorias siga aumentando en varias disciplinas 9 sin 'señales de aminorar su marcha': la lista Cabells Scholarly Analytics de posibles revistas predatorias incluye 17.000 publicaciones 10 .Aunque se ha escrito mucho sobre PP, sigue habiendo notoria escasez de estudios empíricos sobre el tema en todas las disciplinas 9 , incluida la Enfermería 4,9 .En este editorial destacamos las mejores prácticas para la publicación académica, debatimos perspectivas actuales sobre la PP e identificamos estrategias para poner fin al envío de materiales a revistas predatorias.
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 | 0.009 | 0.026 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.024 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.007 | 0.007 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".