In discussies en ook in posts op deze blog over AI gaat het vaak over wat er mis kan lopen: hallucinaties, bias, foute toepassingen in de klas of in de zorg. Maar soms verschijnt er een studie die laat zien dat AI ook op een verstandige manier kan worden ingezet om net de kwaliteit van wetenschap te bewaken. Een mooi voorbeeld daarvan verscheen onlangs in Science Advances (Zhuang, Liang & Acuña, 2025).
Hun vraag: kan AI helpen om zogenaamde “predatory journals” of beter gezegd “questionable open-access journals” te detecteren? Het probleem is je misschien niet bekend, maar sinds de doorbraak van open access – waar ik zelf voor ben – zijn er steeds meer uitgeverijen die wetenschappers geld vragen om te publiceren, zonder echte peer review of redactie. Vaak gebruiken ze misleidende namen die lijken op gevestigde wetenschappelijke tijdschriften. Ze beloven publicatie binnen een week en er verschijnen artikels die inhoudelijk nauwelijks gecontroleerd zijn. Voor auteurs die publicatiedruk voelen of weinig ervaring hebben, lijken deze tijdschriften een snelle oplossing – maar in werkelijkheid ondermijnen ze de integriteit van wetenschap.
Om te helpen het kaf van het koren te scheiden zijn er gelukkig wel wat hulpbronnen: denk aan de Directory of Open Access Journals (DOAJ) die strenge criteria hanteert voor opname, of de historische maar inmiddels stopgezette Beall’s List. Ook commerciële spelers zoals Cabell’s proberen onderzoekers wegwijs te maken. Maar het probleem blijft dat dit werk traag en arbeidsintensief is. Nieuwe neptijdschriften schieten als paddenstoelen uit de grond, vaak onder bijna identieke namen.
En hier kan dus AI potentieel helpen. De onderzoekers bouwden een model dat niet zomaar op één kenmerk afgaat, maar combineert:
-
websitecontent (bestaat er een duidelijke peer review policy? staat er iets over copyright of ethiek? wie zit er in de redactie?);
-
websiteontwerp (patronen in broncode of zelfs het uiterlijk van de homepage, vaak hergebruikt door malafide uitgevers);
-
bibliometrische gegevens (hoeveel zelfcitatie, hoe zit het met h-indexen van auteurs, hoeveel diversiteit in citaties en instellingen?).
Hun model bereikte een behoorlijke nauwkeurigheid. Bij een realistische drempel konden ze ruim 1.000 verdachte tijdschriften identificeren, die samen honderdduizenden artikelen publiceren en miljoenen citaties ontvangen. Niet onbelangrijk: het model werd ook vergeleken met menselijke experts, en de overlap was groot. Uiteraard zijn er nog fouten (ongeveer een kwart van de verdachte titels bleek vals alarm), maar de onderzoekers benadrukken dat dit niet bedoeld is als eindbeslissing. Het is een triagesysteem: een manier om de stapel kleiner te maken zodat experts hun tijd beter kunnen inzetten.
Dit is dus een voorbeeld van AI op z’n best: niet om de mens te vervangen, maar om schaal te creëren waar handwerk te traag en te reactief is. Tegelijk waarschuwen de auteurs voor overhaaste conclusies: je mag de detectie niet volledig automatiseren. Er blijven subtiele gevallen en contexten waarin enkel domeinexperts een afgewogen oordeel kunnen vellen.
Wat ik sterk vind, is dat het onderzoek ook de begrippen helder uit elkaar houdt. Predatory publishing is geen zwart-wit verhaal: er zijn tijdschriften die tijdelijk van de DOAJ-lijst verdwijnen zonder frauduleus te zijn. En er bestaan ook wellicht hybride en zelfs traditionele uitgevers met dubieuze praktijken. Maar dat er een probleem is, daar twijfelt intussen niemand meer aan.
De les voor ons? Als onderzoekers, instellingen of financiers moeten we alert blijven waar we publiceren en wie we citeren. AI kan daarbij een handig hulpmiddel zijn, maar we moeten tegelijk waakzaam blijven dat zulke tools transparant, uitlegbaar en eerlijk blijven. En misschien is dit net de manier waarop AI kan hier dus helpen om ruis te filteren en integriteit te beschermen. Precies waar wetenschap volgens mij zo nood aan heeft.
Abstract van het onderzoek: