論文の概要: Unveiling the Predators: Contemporary Approaches to Identifying Illegitimate Open Access Journals in the Academic Publishing Ecosystem
- arxiv url: http://arxiv.org/abs/2608.10739v1
- Date: Tue, 11 Aug 2026 09:56:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.000351
- Title: Unveiling the Predators: Contemporary Approaches to Identifying Illegitimate Open Access Journals in the Academic Publishing Ecosystem
- Title（参考訳）: 捕食者の暴露--学術出版生態系における非合法的オープンアクセス・ジャーナルの特定への現代的アプローチ
- Abstract要約: 捕食ジャーナリズムは、オープンアクセス(OA)パブリッシングモデルの完全性に重大な課題をもたらす。
本研究は,これらの雑誌を同定するための既存の方法論を批判的に評価する。
この分析は、捕食雑誌の定義が普遍的に受け入れられていないことを含む、重大な制限を強調している。
- 参考スコア（独自算出の注目度）: 3.080202462807918
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predatory journals pose a significant challenge to the integrity of the Open Access (OA) publishing model by exploiting its framework for financial gain while bypassing essential editorial and peer-review standards. This study critically evaluates existing methodologies for identifying such journals, ranging from manual blacklist checks to advanced automated approaches utilizing machine learning. The analysis highlights critical limitations, including the lack of a universally accepted definition of predatory journals, over-reliance on binary classification systems (e.g., blacklists and whitelists), and issues with scalability, reliability and interpretability. To address these shortcomings, this paper introduces a novel methodology based on multivariate graph analysis. By modeling the academic publishing ecosystem as a network of interconnected entities (such as authors, articles, journals, and publishers), this approach provides broader insights into the dynamics of scholarly communication and could help identify illegitimate publishing practices by utilizing graph algorithms like centrality measures, community detection, and anomaly detection. The proposed framework aims to enhance the accuracy, scalability, and transparency of detection of illegitimate journals and publishing practices while fostering a more comprehensive understanding of the academic publishing landscape.
- Abstract（参考訳）: 捕食雑誌は、本質的な編集基準や査読基準をバイパスしつつ、その枠組みを財政的な利益のために活用することで、オープンアクセス(OA)出版モデルの整合性に重大な課題を提起する。
本研究は、手動ブラックリストチェックから機械学習を利用した高度な自動化アプローチまで、そのようなジャーナルを識別するための既存の方法論を批判的に評価する。
この分析は、捕食雑誌の普遍的な定義の欠如、バイナリ分類システム(例えば、ブラックリストやホワイトリスト)への過度な依存、スケーラビリティ、信頼性、解釈可能性に関する問題など、重要な制限を強調している。
これらの欠点に対処するために,多変量グラフ解析に基づく新しい手法を提案する。
学術出版のエコシステムを相互接続されたエンティティ(著者、記事、雑誌、出版者など)のネットワークとしてモデル化することにより、学術的なコミュニケーションのダイナミクスに関する広範な洞察を与え、集中度測定やコミュニティ検出、異常検出といったグラフアルゴリズムを活用することによって、不正な出版の実践を特定するのに役立つ。
提案フレームワークは,学術出版現場のより包括的理解を深めつつ,非合法な雑誌や出版慣行の検出の精度,スケーラビリティ,透明性を高めることを目的としている。
関連論文リスト
- Automatic Reviewers Fail to Detect Faulty Reasoning in Research Papers: A New Counterfactual Evaluation Framework [55.078301794183496]
我々は、高品質なピアレビューを支えるコアレビュースキル、すなわち欠陥のある研究ロジックの検出に注力する。
これは、論文の結果、解釈、クレームの間の内部の一貫性を評価することを含む。
本稿では,このスキルを制御条件下で分離し,テストする,完全自動対物評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-29T08:48:00Z) - Does Machine Unlearning Truly Remove Knowledge? [80.83986295685128]
本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。
異なるアンラーニング戦略の有効性とロバスト性を評価する。
論文 参考訳（メタデータ） (2025-05-29T09:19:07Z) - AutoRev: Multi-Modal Graph Retrieval for Automated Peer-Review Generation [5.72767946092813]
AutoRevは自動ピアレビューシステムで、レビュアーと著者の両方に実用的な高品質のフィードバックを提供するように設計されている。
ドキュメントをグラフとしてモデル化することで、AutoRevは、最も関連する情報を効果的に取得する。
AutoRevはピアレビューワークフローを合理化し、課題を緩和し、スケーラブルで高品質な学術出版を可能にする強力なツールだと考えています。
論文 参考訳（メタデータ） (2025-05-20T13:59:58Z) - Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。
既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。
本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文 参考訳（メタデータ） (2025-02-12T04:07:12Z) - Authorship Attribution in the Era of LLMs: Problems, Methodologies, and Challenges [16.35265384114857]
LLM(Large Language Models)の急速な進歩は、人間と機械のオーサシップの境界線を曖昧にしている。
この文献レビューは、この急速に発展する分野における芸術の状況を理解することに興味を持つ研究者や実践者のためのロードマップを提供する。
論文 参考訳（メタデータ） (2024-08-16T17:58:49Z) - Network Analytics for Anti-Money Laundering -- A Systematic Literature Review and Experimental Evaluation [1.7119723306387908]
本稿では,Web of Science and Scopus の97論文をもとに,広範囲かつユニークな文献レビューを行う。
我々は、ほとんどの研究はエキスパートベースのルールと手動の機能に依存していると結論付け、ディープラーニングの手法は勢いを増している。
論文 参考訳（メタデータ） (2024-05-29T08:48:52Z) - Domain Generalization through Meta-Learning: A Survey [6.524870790082051]
ディープニューラルネットワーク(DNN)は人工知能に革命をもたらしたが、アウト・オブ・ディストリビューション(OOD)データに直面すると、しばしばパフォーマンスが低下する。
本調査はメタラーニングの領域を掘り下げ,ドメインの一般化への貢献に焦点をあてたものである。
論文 参考訳（メタデータ） (2024-04-03T14:55:17Z) - Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。
本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。
フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-30T01:34:33Z) - Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。
まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。
次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
論文 参考訳（メタデータ） (2023-09-02T00:32:55Z) - A Survey of Graph Unlearning [15.699845459180144]
グラフアンラーニングは、トレーニングされたモデルからセンシティブなデータトレースを削除する手段を提供する。
グラフ機械学習がデータプライバシや敵攻撃に敏感であることは明らかである。
この調査は、研究者にグラフアンラーニングの分野をさらに前進させようとしている。
論文 参考訳（メタデータ） (2023-08-23T20:50:52Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳（メタデータ） (2022-11-07T16:19:42Z) - Fairness in Machine Learning: A Survey [0.0]
偏見を緩和し、公平性を促進するアプローチに関する重要な文献がある。
本稿では、(社会的)バイアスを緩和し、機械学習文学における公正性を高めるための、さまざまな思考の流派とアプローチの概要について述べる。
プリプロセッシング、インプロセッシング、ポストプロセッシングといった広く受け入れられているフレームワークへのアプローチを組織化し、さらに11のメソッド領域に分類する。
論文 参考訳（メタデータ） (2020-10-04T21:01:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。