引用本文请注明出处

作者：HONG ZHOU, SYLVIA IZZO HUNTER          译者：檀湘琦   校译：李静涵

来源：https://scholarlykitchen.sspnet.org/2023/01/31/guest-post-enabling-trustable-transparent-and-efficient-submission-and-review-in-an-era-of-digital-transformation/

本文将主要聚焦于学术出版的投稿和审稿阶段，解释数字化转型如何发生，以及如何实现可信、透明、高效的投稿与审稿。

投稿与审稿中的挑战和变化

同行评审是任何研究论文发展和发表的基础。它也是一个对出版商/协会和研究人员都构成挑战的过程，并且面临着对其价值和诚信度的挑战。

对于出版商来说，可扩展性和成本是明显的挑战。目前的工作流程无法应对日益增长的投稿量，而且不容易或不具备成本效益的扩展性。尤其是开放获取（Open Access，OA）出版，其增长速度远远快于基础市场。从2019年到2022年，OA产出预计将增长12.5%（复合年增长率）。与此同时，高强度的学术工作以及新冠病毒流行造成的倦怠加剧了招聘审稿人和期刊编辑的困难程度。

然而，此外因学术不端而被撤稿的文章越来越多，对全球范围的学术声誉都造成了消极的影响。数据伪造、图像篡改、结果问题、重复出版、抄袭以及虚假同行评审是引发撤稿的主要不端行为。不断增加的文章数量要求出版商投入更多的资源和精力来筛选这些问题。

可扩展性、成本和缩短出版时间的驱动力与保持科研诚信的需要交织在一起，为出版商创造了一个难题。2017年的一项研究发现，三分之一的期刊需要超过2周的时间发出“直接拒稿”，六分之一的期刊需要超过4周的时间。根据SciRev（一个分享学术投稿经验的平台）的数据显示，在所有科学领域同行评审的平均时间是17周，第一次回复的平均时间是13周。虽然最近的一项审查发现同行评审的时间总体上减少了，但Christos Petrou表明，这种改进几乎完全是由于MDPI速度的提高：从投稿到接受平均需要36天，从接受再到发表仅需5天。

另一方面，正如Serge P .M. Horbach所指出的，更快速地审查和发表新研究“可能会引起对同行评审过程和由此产生的出版物质量的担忧。”Luisa Schonhaut等人比较了COVID-19和人类流感的出版实践，并得出结论：“COVID-19论文在提交后一天或一周内被大量接受，而且撤回和撤稿的数量也很多，这可能是科学出版和同行评审过程中缺乏质量控制的一个警告信号。”

对于研究人员来说，投稿和评审过程可能是痛苦、耗时、充满摩擦的。由于许多原因，这些负担往往落在那些处于职业生涯早期的人身上，他们面临着特别大的发表压力，更有可能作为通讯作者，但不太可能成为主要研究者。这意味着他们经常被委托进行与出版有关的行政工作，但很少有人能来轮流替换他们。此外，他们在撰写可发表的论文或决定哪些期刊最适合他们的工作方面还没有太多的经验。

研究人员在出版过程的这一阶段所面临的挑战包括（但不限于）需要在系统中手动输入提交文件中已经存在的数据、期刊冗长且不可预测的回复时间、缺乏透明度的同行评审过程、为提交新期刊将被拒绝的论文大量重新格式化以满足不同的投稿要求，以及编辑和同行评审过程中各种形式的潜在偏见。

与图书馆、研究机构和资助者签订的各种类型的OA协议增加了论文从提交到出版路上的障碍：哪些作者应该收取哪些费用，以及如果没有收到付款怎么办？

那么，期刊和出版商如何快速有效地处理越来越多的投稿，而不影响其流程的质量？当出版模式从以期刊为中心转向以作者为中心时，我们如何才能使投稿和审稿更有效率，从而减少研究人员的负担？

在投稿和审稿中利用“数字ABC”（AI, Big data, Cloud computing）

显然，审查现有政策和流程以及为编辑和审稿人提供培训是改善投稿和同行评审流程的关键，但可以利用智能服务中的“数字ABC”（人工智能、大数据和云计算）来帮助解决其中的许多挑战。

例如：

l  使用“软件即服务”模式（Software as a Service，SaaS）为出版商提供端到端的工作流程，使他们能够插入和取出诸如创作、评审、支付工具等应用程序，并与上下游通道和应用程序无缝集成。

l  审稿人和编辑通过自动或半自动的工具更好地评估提交的研究内容。这些工具通过检查质量、覆盖范围、格式、新颖性、影响力和相关性等，在同行评审之前剔除低质量、抄袭或无关的提交内容。

l  利用更加自动化的提交系统（如作者验证自动提取的元数据，而不是手动重新输入)、自动生成参考文献与期刊推荐、自动传输与自动格式化来提高作者满意度。智能服务还可以提供面向作者的质量检查，如写作改进、翻译和引文检查等。

l  利用人工智能和大数据来跟踪整个出版流程，确定出版模式、瓶颈和改进机会，从而优化运营。

l  扩大和丰富审稿人和编辑库，利用智能服务自动推荐潜在的审稿人并自动检测利益冲突。

l  检测违背科研诚信的行为，包括“造纸厂”（paper mills，指提供伪造研究数据、伪造论文等非法服务的潜在违法组织）的产品、图像造假、假作者和审稿人、抄袭、一稿多投以及性别歧视、种族主义等类型的偏见。

l  衡量评论质量，并根据审稿人的评论质量和反馈时间对其进行长期排名。这样一来更容易识别优秀审稿人，对他们的贡献给予认可和激励，使其有再次评审的动力。

l  自动识别和消除作者、机构等命名实体的歧义来丰富内容；自动处理、校正和链接参考文献；自动检查被撤回的文章或发表在掠夺性期刊上的文章的引用情况

l  通过更高效地处理多个OA协议和APC费率来节省时间和减少计费错误。自动化作者和机构命名的实体消歧也可以改善APC的计算并回答OA协议中的资格问题。

目前的局限与未来的机遇

下面的图1展示了目前学术出版业中的一些智能服务实例。

图 1 出版工作流程中的AI解决方案

从图中可以看出，现有方法的局限在于，图1中所示的每个供应商（还有更多）都专注于特定领域的具体问题，不同的供应商需要不同的输入和输出格式，涉及到不同的用户体验。即便只需付出最小的努力和培训成本，也没有一个供应商提供可以无缝集成到出版工作流程的全面解决方案。

尽管如此，我们确实已经拥有实现投稿和同行评审数字化转型目标所需的许多工具。这些工具能够帮助降低成本、提高利润、节省时间、更早发现学术诚信问题；提供可扩展的解决方案，以满足出版物现在和未来的需求；提供以作者为中心的方法，为研究人员和期刊工作人员提供更好的体验。

展望未来，我们能发现什么？

随着开放科学运动的发展，科学分析越来越复杂，研究成果也愈发丰富，研究成果的形式不仅包括文章，还包括数据、模型、物理样本、软件、媒体等等，这些成果也需要满足“FAIR原则”（可发现、可访问、可互操作和可重用）。STM出版商也正在为数据、提交的材料和图像开发共享仓库而努力，帮助人工智能工具得到更好的训练，从而满足检测研究成果诚信问题（如出版物之间和内部的重复与图像造假）的需求，打造更实用的出版工具。

然而，最大的挑战将是找到经验丰富且称职的方法学审稿人，以应对越来越多的包含丰富研究成果的提交稿件。要继续发展人工智能、大数据和云计算的工具，以更好地促进编辑和审稿人的工作。

同行评审不仅可以审查提交的材料，还可以通过人工智能技术使用特定领域的分类标准/本体进行提取并由作者和编辑进行验证，从而生成和审查新的知识。该方法将有助于快速准确地建立特定领域的知识图谱，为迈向认知智能奠定基础，帮助出版商从内容提供者转变为知识提供者。

从某种程度来说，机器将成为作者、读者和评论家。研究文章需要以语义方式表达陈述性和推测性语言以促进大规模的模式匹配和交叉引用，从而产生新的见解。同时我们还需谨记，在缺乏适当保护措施的情况下，包括人工智能工具等先进的数字技术会成为一把双刃剑。人工智能有可能被滥用从而产生新的威胁（例如，虚假视频、手稿与图像）。在我们使用人工智能解决问题时，设立人工智能技术使用的道德底线与管制措施至关重要。

如何开始

l  花点时间充分了解现有的政策、流程、数据和用户行为。即使某个解决方案立即可用，它们也不一定能被整合到你的工作流程中并立即应用！从因地制宜的角度进行深刻理解将帮助出版商们回答这些关键问题：您是否拥有有效的投入或数据来应用这些解决方案？为了采用新的解决方案，您当前的做法是否需要修改？如果是的话，您能做出这些改变吗？这些改变需要多长时间？您现有的业务将受到怎样的影响？如果这些变化意味着生产力或收入的暂时损失，您准备好了吗？

l  尽可能打破数据孤岛。确保你的数据是经过清洗的；将数据以一致的机器可读格式存储在中央数据库中；收集和存储手动记录的数据，如不同类型的信息披露、不当偏见的示例和利益冲突（Conflicts of interest，COI）声明。这种方法提供了更广阔和更丰富的视野，并创造了洞察整个期刊项目或学科的机会。

l  构建用户反馈循环以自动衡量所做改变的性能和价值，并提高数据质量，以便将来构建更好的解决方案。

l  获得支持，尤其是来自编辑和审稿人的支持。帮助他们在日常工作中更好地理解和使用这些工具/解决方案，厘清这些工具/解决方案的好处与局限性，从而满足编辑和审稿人的期待，并向他们解释如何提供有用的反馈以进一步改进和迭代现有的解决方案。

l  现有的工作流程只是一个起点，而不是终点。自动化工具和解决方案可以极大地改变现有工作流程，相同的工具在工作流程的不同位置或以不同的方式部署可能会带来不同效果。