Un examen des registres de rétractation de Crossref sur les 24 heures jusqu’au 27 août fait apparaître 101 avis. Environ 90 d’entre eux proviennent d’un seul éditeur, IOP Publishing, répartis entre trois séries de conférences : Journal of Physics: Conference Series, IOP Conference Series: Materials Science and Engineering et IOP Conference Series: Earth and Environmental Science. Le reste se répartit entre MDPI, Springer, Frontiers, Wiley et un avis provenant de Science Advances.

La concentration thématique

Sur les 101 titres, environ 60 % mentionnent le machine learning, les réseaux neuronaux, le deep learning ou l’intelligence artificielle. Ce n’est pas un hasard lié à la popularité du sujet. Les séries de comptes rendus de conférences à fort volume d’acceptation et à l’évaluation par les pairs légère constituent depuis plusieurs années la principale destination des productions de paper mills, et les titres liés au machine learning appliqué sont les plus faciles à produire en masse : une architecture standard, un jeu de données public, un tableau de métriques et un mot de domaine remplacé.

Ce que le cadrage habituel passe à côté

Chaque rétractation est publiée sous la forme de son propre avis, avec son propre DOI, rattaché à son propre article. Pris individuellement — c’est ainsi qu’un chercheur, un gestionnaire de références ou un outil automatisé de veille bibliographique les rencontre — chacun ressemble à une correction éditoriale ordinaire portant sur un seul article défectueux. Rien, dans un avis pris isolément, n’indique que 89 autres ont été publiés dans la même fenêtre par le même éditeur. L’ampleur n’apparaît que si l’on interroge le registre sur une période donnée, ce que presque personne ne fait. Le résultat est qu’une action massive d’intégrité est diffusée par un canal qui, structurellement, masque son caractère massif.

Pourquoi il est problématique de sous-rapporter ce phénomène

Les articles de machine learning rétractés ne cessent pas d’être cités pour autant. Ils restent dans les listes de références, dans les articles de synthèse, et de plus en plus dans les corpus d’entraînement des modèles utilisés pour rédiger la prochaine vague de revues de littérature. Un avis de rétractation qui n’atteint que les lecteurs ouvrant l’article précis auquel il se rattache est une correction qui ne se propage pas. Lorsque le travail rétracté porte lui-même sur des méthodes de machine learning, l’absence de propagation alimente directement ce que les modèles affirmeront à propos de ces méthodes.

Ce qui améliorerait la visibilité

Rien, dans ces avis, n’est défaillant en soi — ils sont enregistrés, lisibles par machine et correctement typés dans Crossref, ce qui explique d’ailleurs pourquoi ce balayage est quantifiable. Ce qui manque, c’est un acte de synthèse : une déclaration unique de l’éditeur indiquant le nombre, les séries concernées, l’enquête qui a conduit à ces rétractations et les critères appliqués. Sans cela, la seule façon de savoir qu’environ 90 articles ont été retirés d’un coup est d’exécuter la requête, et la charge de la détection repose alors sur le lecteur plutôt que sur l’éditeur.