Uma varredura dos registros de retratação da Crossref nas 24 horas até 27 de agosto retorna 101 notificações. Cerca de 90 delas vêm de uma única editora, IOP Publishing, em três séries de conferências: Journal of Physics: Conference Series, IOP Conference Series: Materials Science and Engineering e IOP Conference Series: Earth and Environmental Science. As demais estão distribuídas entre MDPI, Springer, Frontiers, Wiley e uma da Science Advances.

A concentração temática

Dos 101 títulos, aproximadamente 60% fazem referência a aprendizado de máquina, redes neurais, deep learning ou inteligência artificial. Isso não é coincidência de popularidade do tema. Séries de anais de conferências com alto volume de aceitação e revisão por pares mais leve têm sido o principal destino da produção de paper mills há vários anos, e títulos de aprendizado de máquina aplicado são os mais fáceis de produzir em massa: uma arquitetura padrão, um conjunto de dados público, uma tabela de métricas e a troca do termo de domínio.

O que a formulação comum interpreta mal

Cada retratação é publicada como seu próprio aviso, com seu próprio DOI, vinculado ao seu próprio artigo. Lidos individualmente — como um pesquisador, um gerenciador de citações ou uma ferramenta automatizada de literatura os encontra — cada um deles parece uma correção editorial comum de um único artigo com falhas. Nada em nenhum aviso individual informa que outros 89 foram emitidos na mesma janela pela mesma editora. A escala só se torna visível se a consulta ao registro for feita em um intervalo de tempo, o que quase ninguém faz. O resultado é que uma ação em massa de integridade é entregue por um canal que, estruturalmente, oculta que se trata de uma ação em massa.

Por que este é o problema errado para subnotificar

Artigos de aprendizado de máquina retratados não deixam de ser citados. Eles permanecem em listas de referências, em artigos de revisão e, cada vez mais, nos conjuntos de treinamento dos modelos usados para escrever a próxima rodada de revisões de literatura. Um aviso de retratação que alcança apenas leitores que abrem o artigo específico ao qual pertence é uma correção que não se propaga. Quando o trabalho retratado trata de métodos de aprendizado de máquina, a falha de propagação retroalimenta diretamente o que os modelos vão afirmar sobre esses métodos.

O que melhoraria a visibilidade

Nada nos avisos é, em si, deficiente — eles estão registrados, são legíveis por máquina e estão corretamente tipados na Crossref, razão pela qual essa varredura é contável. O que falta é um ato de síntese: uma única declaração da editora informando o número, as séries afetadas, a investigação que levou a isso e os critérios aplicados. Sem isso, a única forma de saber que cerca de 90 artigos foram retirados de uma vez é executar a consulta, e o ônus de perceber isso recai sobre o leitor, não sobre a editora.