São Paulo — InkDesign News —
A nova pesquisa apresentada por uma equipe de cientistas da Universidade do Colorado Boulder utiliza machine learning para identificar revistas científicas “questionáveis”. O estudo, publicado na revista Science Advances, busca combater a proliferação de publicações predatórias.
Contexto da pesquisa
Nos últimos anos, o aumento de revistas científicas que operam sem revisões rigorosas, frequentemente chamadas de revistas “predatórias”, tem gerado preocupações sobre a integridade das publicações acadêmicas. Essas revistas visam pesquisadores, especialmente em regiões como China, Índia e Irã, onde há uma intensa pressão por publicações. A prática de publicar em tais revistas pode comprometer a credibilidade das pesquisas científicas.
Método proposto
A abordagem adotada pela equipe envolve um sistema de AI que analisa sites de revistas científicas e dados online para critérios específicos, como a presença de um conselho editorial respeitável e a quantidade de erros gramaticais. Para treinar o modelo, os pesquisadores utilizaram dados do Directory of Open Access Journals (DOAJ), analisando uma lista de quase 15.200 revistas. O sistema ajudou a identificar mais de 1.400 publicações potencialmente problemáticas, indicando uma taxa de erro, onde aproximadamente 350 publicações foram erradamente marcadas como questionáveis.
“Acredito que isso deve ser usado como um auxílio para pré-selecionar um grande número de revistas.”
(“I think this should be used as a helper to prescreen large numbers of journals.”)— Daniel Acuña, Professor Associado, University of Colorado Boulder
Resultados e impacto
Apesar das limitações do modelo, o AI identificou mais de 1.000 revistas que os pesquisadores reconheceram como questionáveis. A ferramenta foi desenhada para ser transparente, evitando a opacidade comum a outros modelos de AI, como exemplificado pelo ChatGPT. A equipe descobriu que revistas suspeitas publicaram um número desproporcional de artigos e frequentemente apresentaram um maior número de afiliações dos autores.
O impacto potencial do sistema é significativo, oferecendo um mecanismo de “firewall para a ciência”, ajudando a proteger as áreas de pesquisa contra dados prejudiciais. Embora a ferramenta ainda não esteja disponível ao público, os pesquisadores pretendem disponibilizá-la para universidades e editoras de forma futuramente acessível.
As aplicações dessa tecnologia podem revolucionar a forma como os pesquisadores avaliam revistas, promovendo uma maior integridade e confiabilidade nas publicações científicas.
Fonte: (TechXplore – Machine Learning & AI)
