近日，77779193永利官网吳金紅教授及其帶領的研究團隊在《scientometrics》發表題為“Identification and causal analysis of predatory open access journals based on interpretable machine learning的高水平論文（https://doi.org/10.1007/s11192-024-04969-6），提出了一種基于可解釋機器學習模型的新方法，用以預警和識别潛在的掠奪性開放獲取（OA）期刊，助力學術界維護科研誠信和資源的有效利用。

掠奪性期刊（Predatory Journals）是指那些以盈利為主要目的，而忽視或損害學術出版标準和倫理的期刊。随着開放獲取（OA）運動的興起，掠奪性期刊呈現迅猛增長的勢頭，對學術交流、學術出版和科學資源的有效利用産生了重大的負面影響。這種猖獗的增長對開放獲取運動的健康發展構成了嚴重威脅，也破壞了研究和研究生态系統的完整性。從大量的OA期刊中識别掠奪性期刊将有助于學者避免在金錢投資、聲譽、學術影響力和職業發展等領域的負面後果。識别掠奪性期刊的傳統方法嚴重依賴領域專家的知識。然而，大量的掠奪性期刊表現出潛性和隐性特征，OA期刊的增長速度極快，使得專家很難從浩瀚的OA期刊中識别出這些掠奪性期刊。

針對此現象，研究團隊開發了一個開放獲取期刊預警指标系統，并集成了多種機器學習算法來計算OA期刊的預警值。通過引入SHAP（SHapley Additive exPlanations）可解釋框架，研究以一種新穎的方式分析了預警風險的因果因素。

該文提出了一種可解釋的機器學習模型，用于掠奪性OA期刊的早期預警，該模型通過多種機器學習算法的集成來識别掠奪性期刊。具體而言，該方法首先構建OA期刊預警指标系統，并集成多種機器學習算法來計算OA期刊的預警值。然後，引入SHAP可解釋框架，以新穎的方式分析了預警風險的因果因素。為了驗證模型因果因素的準确性，我們通過案例研究對國内外醫學OA期刊進行了比較分析。本研究的實證分析表明，集成算法在準确識别掠奪性OA期刊風險方面的有效性。

該研究的結論為學術出版界提供了新的視角和工具，有助于提升OA期刊的質量和信譽，同時為研究人員選擇發表平台時提供了科學依據。

《scientometrics》是同時被SSCI和SCIE檢索的學術期刊，該期刊成立于1978年，主要發布與信息計量學和科學學相關的研究成果和實踐經驗，是FMS管理科學高質量期刊推薦列表中的B類期刊。

文章鍊接：https://doi.org/10.1007/s11192-024-04969-6