Una IA identificó más de 1.000 revistas científicas sospechosas

Una nueva herramienta basada en inteligencia artificial identificó más de 1.000 revistas científicas de acceso abierto consideradas sospechosas, lo que representa un avance decisivo en la lucha contra las publicaciones de baja calidad.

Este desarrollo, presentado en Science Advances por un equipo internacional de investigadores, ofrece una solución tecnológica a una problemática que afecta tanto a la comunidad científica como a la confianza pública en las instituciones de investigación.

La herramienta, desarrollada por Han Zhuang, Lizhen Liang y Daniel E. Acuña, emplea algoritmos de aprendizaje automático para analizar grandes volúmenes de datos y detectar señales de alerta en revistas científicas.

El sistema se entrenó con información de más de 12.000 revistas de alta calidad y unas 2.500 publicaciones previamente catalogadas como cuestionables o de baja calidad, todas ellas eliminadas del Directorio de Revistas de Acceso Abierto (DOAJ) por incumplimiento de directrices. Esta base permitió a la herramienta diferenciar entre publicaciones legítimas y aquellas con prácticas editoriales fraudulentas.

El funcionamiento del sistema se basa en la evaluación de criterios inspirados en las mejores prácticas del DOAJ: transparencia sobre el consejo editorial, claridad en las políticas de revisión por pares, existencia de códigos éticos y de derechos de autor, así como el diseño estructural de los portales web.

Además, se consideran indicadores bibliométricos, como el número de citas, la diversidad institucional de los autores y ciertos patrones de autocitación, útiles para identificar revistas con estándares editoriales restringidos.

Al aplicar el modelo a una base de datos de 93.804 revistas extraídas de Unpaywall, la IA detectó más de 1.000 títulos sospechosos que hasta ahora no habían sido identificados. Estas revistas publican cientos de miles de artículos y reciben millones de citas, lo que evidencia la dimensión del fenómeno.

Aunque los nombres de las publicaciones detectadas no fueron revelados por razones legales, los autores señalan que muchas se originan en países en desarrollo, donde la presión por publicar y la falta de capacitación en buenas prácticas aumentan la vulnerabilidad de los investigadores.

El impacto potencial de la herramienta es considerable. El estudio advierte que la proliferación de publicaciones de baja calidad se acrecentó bajo un modelo que democratiza el acceso al conocimiento, aunque también fue utilizado por quienes anteponen el lucro económico sobre los principios científicos.

Estas revistas prometen revisiones rápidas, pero carecen de controles estrictos y transparencia, lo que propicia la circulación de investigaciones poco fiables y genera pérdidas de recursos para autores y financiadores.

A pesar de los avances, los desarrolladores advierten sobre las limitaciones del sistema. La herramienta muestra una tasa de falsos positivos del 24%, es decir, una de cada cuatro revistas legítimas podría ser asignada erróneamente a la categoría de sospechosa.

Ante este escenario, consideran imprescindible la intervención de especialistas humanos para revisar los casos identificados por la IA antes de tomar decisiones definitivas. “Nuestros hallazgos demuestran el potencial de la IA para realizar comprobaciones de integridad a gran escala, a la vez que resaltan la necesidad de unir el filtro automatizado con la evaluación por expertos”, explicaron los autores.

Esta innovación surge en un contexto de crecimiento y transformación del sistema editorial científico. Desde la aparición del acceso abierto a finales de los años 90, el número de revistas se multiplicó, facilitando la transmisión del conocimiento, pero a la vez permitiendo prácticas editoriales poco éticas.

El término “publicación depredadora” fue acuñado en 2009 para describir aquellas revistas que explotan las tarifas de publicación prescindiendo de servicios editoriales rigurosos. Organizaciones como el DOAJ propusieron criterios de identificación, pero la cantidad creciente de publicaciones y la capacidad de adaptación de los editores hacen que la vigilancia manual sea cada vez menos viable.

El problema incide principalmente en países en desarrollo, donde la presión institucional y un acceso limitado a formación incrementan el riesgo de recurrir a revistas de baja calidad. Además, el perjuicio económico puede ser considerable para investigadores y agencias financiadoras.

La validación de la herramienta se realizó comparando sus resultados con el análisis de revisores expertos, logrando una concordancia estadísticamente significativa en la mayoría de los criterios examinados. Esto sugiere que la colaboración entre sistemas automáticos y especialistas puede mejorar la eficacia y la rapidez en la detección de revistas problemáticas.

“El juicio sobre la calidad de las revistas no puede verificarse de forma totalmente automática”, advirtieron los autores, quienes insisten en que la IA debe entenderse como un recurso para un primer filtro, nunca como un sustituto del análisis humano.

En el futuro, los investigadores prevén perfeccionar la herramienta mediante la integración de señales bibliométricas más avanzadas, el uso de modelos lingüísticos de última generación y el análisis en red de las relaciones editoriales. También recomiendan la creación de sistemas dinámicos que permitan actualizar de manera continua los criterios de detección, adaptándose a la evolución de las tácticas editoriales dudosas.