|
La magnitud de la investigación fraudulenta en oncología podría ser mucho mayor de lo estimado anteriormente. Un equipo de investigadores de la Universidad de Tecnología de Queensland, la Universidad de Sídney y el CNRS en Francia ha aplicado un modelo de lenguaje BERT ajustado para examinar 2 647 471 artículos de investigación sobre el cáncer publicados entre 1999 y 2024. El resultado: 261 245 artículos — el 9,87 % — mostraron patrones de escritura característicos de las fábricas de artículos (paper mills), operaciones comerciales que producen en masa manuscritos fabricados o plagiados para su venta a investigadores.
El estudio, publicado en The BMJ, representa la revisión sistemática más grande de la literatura oncológica para detectar contaminación por fábricas de artículos. La tasa ha aumentado drásticamente con el tiempo, desde aproximadamente el 1 % a principios de la década de 2000 hasta un pico superior al 16 % en 2022, antes de descender ligeramente en 2023-2024.
Cómo funciona la detección
El modelo, construido sobre BERT base uncased de Google (110 millones de parámetros), se ajustó con 2 202 artículos que habían sido retractados de la base de datos Retraction Watch con la etiqueta «Fábrica de artículos» (Paper Mill). Estos sirvieron como ejemplos positivos — artículos cuyo estilo de escritura, estructura y fraseo coincidían con el resultado de las fábricas de manuscritos basadas en plantillas. Para los controles negativos, el equipo seleccionó 2 202 artículos de revistas de alto impacto y países con baja representación de fábricas de artículos (Suecia, Finlandia, Noruega, Taiwán).
El modelo lee títulos y resúmenes frase por frase, produciendo una puntuación de probabilidad para cada una. La clasificación final es la media de todas las puntuaciones a nivel de frase. En la validación interna, el modelo alcanzó un 91 % de precisión con un 87 % de sensibilidad y un 96 % de especificidad. Frente a conjuntos de validación externos — 3 094 artículos marcados de forma independiente por expertos en integridad de imágenes — la precisión aumentó al 93 %.
Patrones geográficos y editoriales
Los artículos marcados no se distribuyen uniformemente. Por país del primer autor, China representó 177 907 artículos marcados — el 36 % de todos los artículos oncológicos con primeros autores chinos. Le siguieron Irán (20 %), Arabia Saudí (16 %), Egipto (15 %) y Pakistán (13 %). Estados Unidos tuvo 10 511 artículos marcados, aproximadamente el 2 % de su producción oncológica.
Por editorial, las tasas más altas se concentraron en las operaciones más pequeñas: Verduci Editore (aproximadamente el 67 % de sus artículos marcados, principalmente en la European Review for Medical and Pharmacological Sciences), International Scientific Literature (45 %, principalmente en Medical Science Monitor) y Spandidos Publications (38 %, o 19 043 artículos). Entre las grandes editoriales, Springer Nature, Elsevier y Wiley tenían cada una aproximadamente el 10 % de sus artículos oncológicos marcados, aunque en números absolutos estas cantidades eran sustanciales — 40 293 solo para Springer Nature.
La investigación sobre el cáncer gástrico presentó la tasa más alta por tipo de cáncer, con un 22 %, seguida por el cáncer óseo/osteosarcoma (21 %) y el hepático (20 %). La biología fundamental del cáncer estaba más contaminada que las áreas clínicas: las investigaciones sobre supervivencia, epidemiología y políticas sanitarias tenían tasas de marcado inferiores al 2 %.
Tres revistas ya lo están probando
Tres revistas de una editorial importante ya han integrado el modelo en sus sistemas de envío en línea para examinar manuscritos relacionados con el cáncer en tiempo real. Los nombres de las revistas no se han revelado — los autores los ocultaron intencionalmente para evitar que las fábricas de artículos adaptaran sus plantillas.
«Es un cribado estadístico, no una atribución de mala conducta», advierten los autores en el artículo. Dada una prevalencia real estimada de aproximadamente el 10 % en la literatura, alrededor del 30 % de los artículos marcados serían falsos positivos.
Advertencias importantes
El modelo se entrenó con datos de Retraction Watch que sobrerrepresentan las retractaciones de autores chinos, lo que puede introducir un sesgo geográfico. Además, debido a que el modelo es una red neuronal profunda, las características específicas que detecta no son directamente explicables. Los autores reconocen que el modelo puede penalizar el inglés formulario de los hablantes no nativos, confundiendo potencialmente los patrones lingüísticos con los patrones de fraude.
También existe un problema de carrera armamentística: a medida que mejoran las herramientas de detección, las fábricas de artículos adaptarán sus plantillas. El auge de la IA generativa, señalan los autores, difumina aún más la frontera entre el texto genuino y el fabricado.
Fuentes
- Scancar B, Byrne JA, Causeur D, Barnett AG. «Machine learning based screening of potential paper mill publications in cancer research: methodological and cross sectional study.» The BMJ 392:e087581, 2026. DOI: 10.1136/bmj-2025-087581
- Comunicado de prensa de la Universidad de Tecnología de Queensland vía ScienceDaily