2024年，在开放科学蓬勃发展与人工智能（Artificial Intelligence，AI）技术持续精进的态势下，科研领域经历新一轮深刻变革，科技出版以及学术传播来到了转型的关键节点。就开放获取（Open Access，OA）出版而言，其发展态势因商业化与社群化这两股力量的激烈博弈而出现了新的变化。值得关注的是，转换协议（Transformative Agreements，TAs）的数量在这一年首次出现下滑趋势。这一现象反映出该领域的发展重点正逐渐发生转移，即更加侧重于对预印本、钻石OA及其质量控制方案的探索。与此同时，开放数据（Open Data）运动稳步前行，并逐渐朝着更负责任的数据共享的方向迈进。这一转变体现了科研领域对于数据质量、数据安全以及数据使用规范性和合理性提出了更高要求。此外，AI技术在学术出版领域的渗透和作用日益凸显。一方面，它初步展现出诸多积极影响，如在提升科研与出版工作效率方面，自动化流程和智能算法能有效减少人工操作的时间成本；在创造个性化知识服务体验上，对用户数据的深度分析能为科研人员提供更贴合需求的服务；在辅助检查科研诚信方面，先进的文本分析和模式识别技术有助于发现潜在的学术不端行为等。另一方面，AI也暴露出一系列问题。由于目前技术的局限性以及在应用过程中存在的不确定性，应用AI时可能产生各种偏差和错误，进而引发新的挑战。然而，尽管学术出版领域的形势复杂多变，但维护科研信任和质量始终是出版系统的核心要务。因此，各种技术与非技术解决方案不断涌现，以应对来势汹汹的新旧诚信威胁。
1 开放获取，前进还是倒退？
2024年国际开放获取周延续了上一年“社群高于商业化”（Community over Commercialization）的主题，强调以公共和学术界的利益为先，但是目前商业化对学术出版的影响依然存在甚或更为深入。如何实现公平的财务模式和参与模式，以及构建学术社群主导的OA系统，利益相关者还在努力探索。
1.1 转换协议成效，积极还是消极？
自2018年S联盟（cOAlition S）启动S计划（Plan S）以来，TAs一直是OA运动的核心焦点之一。2024年，出版巨头仍然不遗余力地倡导和签署TAs。施普林格·自然（Springer Nature，SN）通过TAs为来自六大洲3700多家机构的研究人员提供OA出版服务 [1]。泰勒弗朗西斯（Taylor & Francis Group，T&F）与950多家机构合作，通过TAs实现OA出版 [2]；同时宣布了一项基于TAs的集体OA出版试点项目（Collective Pathway to Open Publishing，CPOP），试点期刊聚焦人文社科领域，收入同时来源于TAs协议资金与订阅收入，作者无须支付文章处理费（Article Processing Charge，APC），后续根据是否达到阈值来决定期刊是整卷OA出版，还是维持订阅制并保留混合OA选项 [3]。威利（Wiley）与JISC（Joint Information Systems Committee）成功续签TAs [4]，并签订了其在台湾的首个TAs。爱思唯尔（Elsevier）与法国高等教育文献机构（The French bibliographic agency for higher education，Abes）签下了一项全国性TAs，协议价值为每年3300万欧元 [5]。
然而，2024年迎来了TAs的首次下降，与上年相比登记生效的TAs总数为201份，明显低于2021年（216份）、2022年（220份）和2023年（285份）的水平（截至统计时间2025年1月7日）。TAs是由S计划为同时实施订阅和OA出版模式的混合期刊设计的一种过渡机制，以支持出版商将期刊转变为完全OA期刊。在过渡期进入尾声的2024年，JISC发布了一份TAs审查报告，评估协议对于英国和全球研究出版物的影响，并考察其是否兑现了“临时性和过渡性”的承诺。报告显示，2018年—2022年通过TAs发布的英国文章数量增长超过900%，其中艺术、人文和社会科学（Arts，Humanities，and Social Sciences，AHSS）等研究资金较少的学科中OA论文大幅增长，同时低发表量的高等教育机构也获得了即时OA出版的便利；但是根据这几年间的期刊翻转率推测，五大出版商将其TAs中的刊物全部转变为完全OA期刊至少需要70年，而原本过渡性的TAs有可能成为常态 [6]。而且，尽管TAs的初衷是推动OA以减少付费墙的限制，但它可能会在一种理想化的“开放未来”的框架中固化高昂的订阅成本，促使订阅资金全部流向新的交易模式，从而加剧学术成果出版的商业化趋势。因为大多数TAs尤其是国家层面的转换是由大型出版商签订的，导致作者很多时候只能选择大型出版商的期刊。2024年，Elsevier、SN、Wiley通过TAs发表的文章数量已占当年全球总量的72%。这种情况将规模较小的OA出版商和学协会出版商置于不利地位，因此越来越多的独立学会将出版业务外包给大型出版商 [7]。2024年，学协会出版商延续前此10年的发展态势，继续与剑桥大学出版社（Cambridge University Press）、牛津大学出版社（Oxford University Press）、世哲出版集团（Sage）等实力较强的出版机构合作出版。[8]学协会出版商选择合作的目的不仅是为了获得期刊托管、基础设施支持及全球销售团队等服务，也是为了通过大型出版商谈判的全球TAs获得“伞式”保护 [9]，而这有可能进一步巩固学术出版巨头的市场主导地位。
1.2 APC，背离OA初衷？
OA出版曾被认为是解决大宗交易带来的“期刊危机”的有效方法，但在市场垄断的冲击下，OA的发展似乎背离了初衷 [10]。因为当知识传播成本从读者转移到作者身上时，高额的文章处理费（Article Processing Charge，APC）在学术传播中又形成了一堵新的付费墙 [11]。Delta Think的调查显示，2024年完全OA期刊的APC定价总额比一年前上涨约9.5%，最高APC仍为8900美元；混合OA期刊的APC定价上涨4.2%，最高定价12290美元（比2023年上涨600美元）。不同学科领域的APC涨幅存在显著差异，其中AHSS领域的平均涨幅较为突出，尤其是完全OA期刊。尽管APC上涨的原因部分地受到了全球通货膨胀的影响，但进入2024年后涨幅明显高于往年水平 [12]。付费出版的OA现已成为主流形式，正在剥夺没有资金支持及欠发达国家研究人员发表成果的机会。
印度的OA倡导者曾表示，由于研究资源匮乏，付费出版对像印度这样的国家来说并不适用 [13]。但经过两年的谈判，印度终于在2024年11月正式批准了“一国一订阅”（One Nation, One Subscription，ONOS）计划。该计划于2025年1月1日生效，为期3年，共投入600亿印度卢比，包含30家国际出版商与13000种期刊 [14]。ONOS的核心内容包括两部分：一是全国统一订阅期刊；二是设立15亿卢比的基金，为印度学者发表论文提供APC支持 [15]。印度此举旨在解决资金利用效率低下、资源重叠及许多学术机构和个人无法广泛接触优质学术资源等问题。在全球将近50%的研究论文已实现OA的时候，这一史上超大规模的“大宗交易”订阅协议引起了广泛讨论甚至争议。有学者认为，该计划可能会大幅增加支出但回报甚微，与其降低订阅成本和改善印度科学文献获取的预期目标相反 [16]。另有学者认为，订阅模式在学术生态系统中具有重要地位，是完全有效而且可接受的，试图推动“全球OA转型”的运动是错误的，任何有助于保持生态系统多样性（如防止OA成为唯一允许发展的出版模式）的举措都值得支持 [17]。相似地，牛津大学的管理人员也在英国资助机构就2029年卓越评估框架（Research Excellence Framework，REF）的OA政策开展咨询期间公开表示，扩大OA政策的执行会带来巨大的成本负担和官僚主义，而且过度关注OA会阻碍数据共享等其他开放研究实践的发展 [18]。与这些观点相呼应，STM OA Dashboard 2024的数据显示，订阅类出版物一改其下滑趋势，占比从2022年的50%上涨至2023年的52% [19]。
1.3 预印本，缺陷与潜力并存
预印本在相当长时间内都是学术交流中的热门话题。如今，预印本在生命科学和医学领域的广泛应用正积极推动着开放科学运动的发展。2024年3月，盖茨基金会（The Gates Foundation）更新OA政策，宣布将停止对APC的支持，并要求受资助的稿件以预印本形式迅速共享，同时鼓励发展预印本评议 [20]。同年7月，cOAlition S发布《迈向负责任的出版：全球利益相关者咨询结果》（Towards Responsible Publishing：Findings from a global stakeholder consultation），提出了具体实施策略。其中，对预印本的关注贯穿始终，发布预印本的措施也被纳入优先级最高的短期行动规划，充分体现了预印本在推动负责任出版实践中的核心地位和关键作用 [21-22]。
但是，预印本也有不足，其质量参差不齐的问题就一直备受诟病。长远来看，自动化筛查和诚信检查也许提供了可能的解决方案 [23]。近年来，部分预印本服务器已经开始担负起认证和筛选的责任。2024年，盖茨基金会与F1000联手推出新预印本平台VeriXiv，该平台的目标是尽快让更多的成果被广大读者访问和发现，同时确保这些研究的可信度和完整性 [24]。有别于其他预印本服务器，VeriXiv会对每一篇提交的文章进行20项伦理和诚信检查以评估一系列问题，包括但不限于抄袭、图像篡改、作者验证和利益冲突等，从而在一定程度上减少对未经同行评议的预印本质量的担忧 [25]。bioRxiv与medRxiv的联合创始人理查德·塞维尔（Richard Sever）认为，出版系统在评估研究论文时面临的诸多挑战如身份验证、数据来源、图像处理等，并非通过“同行评议”来发现，而是依赖其他内容审查机制；然而，这些审核在大多数期刊那里并未得到有效执行，或者被外包给了第三方。出版商呼吁研究机构要在论文诚信检查中承担更多责任，也从反面说明了这些审查可以独立于同行评议之外进行。例如，盖茨基金会提出的预印本计划就将这些检查纳入预印本服务器的功能范围 [26]。
2024年2月，米歇尔·阿维萨尔-怀廷（Michele Avissar-Whiting）等人在PLOS Biology发表了《关于加快开放预印本同行评议以改善科学文化的建议》（Recommendations for accelerating open preprint peer review to improve the culture of science）一文。该文提出的观点和建议总结了2022年12月在美国弗吉尼亚州霍华德·休斯医学研究所举行的“认可预印本同行评议”研讨会的讨论内容，提出预印本评议（preprint review）是一种特殊类型的预印本反馈（preprint feedback），内容包括讨论研究的严谨性和有效性，声明评议者的利益冲突，核查评议者的身份披露以及核实情况，而不仅只是人们撰写的对预印本的公开评价。预印本评议对读者、评议人员和期刊都具有独特优势，但是面临着诸如偏见和参与度低等挑战，因此针对研究人员、资助者、机构和期刊提出建议，包括鼓励研究人员积极参与预印本评议，呼吁资助机构和期刊认可预印本评议的学术价值，以及建议预印本服务器和索引工具加强对预印本及其评议的链接等 [27]。
随着预印本交流的接受度日益提高和预印本评议的兴起，如何在减少预印本质量风险的同时确保其优势不被削弱，成为一个需要深入思考和积极探索解决的问题。现在，国际科学界正在呼吁构建一个以研究人员为主导的、具有学术自治性的OA新路径。预印本模式可能会成为未来学术交流系统改革的重要契机。
2 开放数据：从理论到实践
在数据密集型研究范式中，数据开放的重要性不言而喻。它不仅有助于实现数据深层次的价值，同时也能让研究过程更加透明，促进科研协作，提高科研效率并增强其可信度。当前，开放数据已经从理念、理论走向实践。无论是各国政府，还是全球的科研机构和学术期刊，都在积极推行数据开放政策。
2.1 更快、更深入、更全面的数据开放
伴随开放科学的持续推进，各国政府、资助机构、大学和出版商等各类主体纷纷制定或更新相关政策，以加速数据开放进程。其中，政府层面，相关开放数据计划的增加是2024年的一个重要趋势。2024年2月，日本内阁府发布新规，要求自2025年4月起，所有公共资助的研究必须实现基础研究数据库的开放访问 [28]。在欧洲，欧盟持续推进建设其资助的欧洲数据官方门户网站data.europa.eu，2024年该网站新增开放数据集超过160000个，较上年同比增长约14% [29]。2024年3月，欧洲议会（The European Parliament）和欧盟理事会（The Council of the European Union）就欧洲健康数据空间（European Health Data Space，EHDS）达成协议，旨在改善欧洲公民对健康数据的访问和控制，并积极推动健康数据的跨境共享 [30-31]。2024年4月，《欧洲互操作法案》（Interoperable Europe Act）正式生效，该法案倡导广泛提供和使用开放数据，并通过推广公开可用的规范和指南，确保数据的互操作性 [32]。美国国立卫生研究院（National Institutes of Health，NIH）也在2024年12月发布新规，取消此前12个月的时滞期，以最大限度地加快对联邦资助研究产生的科学数据的访问 [33]。资助机构层面，盖茨基金会修订既有OA政策。新旧两版政策均明确要求受资助稿件附带基础数据可用性声明，并规定基础数据应在稿件可获得时立即提供访问；同时，新政策进一步强化了数据开放的要求，鼓励受资助方遵循FAIR（Findable，Accessible，Interoperable，and Reusable）原则 [34-35]。出版商层面，为推动作者开放其数据，《英国医学杂志》（The British Medical Journal，The BMJ）于2024年5月1日实施新规，要求所有提交试验研究的作者在发表前将其相关试验数据发布到持久的、可公开访问的存储库中，并计划未来将此政策扩展到非试验研究领域 [36]。同时，研究代码的开放共享也日益受到出版商的重视。研究代码指处理、分析和验证研究数据的编程代码 [37]。长期以来，对研究代码的访问受限严重阻碍了研究人员复现和验证关键研究发现，这已成为学术界面临的重要挑战之一。联合国教科文组织发布的《开放科学建议书》虽明确将代码视为研究数据的一种形式 [38]，但出版商的早期数据共享政策并未普遍包含代码。2024年发布的一系列新政策表明，出版商正积极将开放代码纳入开放数据的范畴。2024年2月，SN为其所有图书和期刊引入统一开放代码政策（Unified Open Code Policy），此举是2023年发布的单一数据政策（Single Data Policy）的延续，旨在降低政策复杂性，鼓励更多研究人员积极共享代码和数据 [39]。2024年5月，The BMJ实施的新规也明确要求作者在补充材料中提交相关的分析代码 [36]。出版商的开放数据政策从数据集扩展到支持研究过程的代码，将有助于更全面地促进科研透明度与可重复性。
政策对研究人员的数据开放实践往往有着直接影响。根据2024年12月Digital Science、Figshare和SN联合发布的报告《2024年开放数据现状》（The State of Open Data 2024），在美国，因受资助机构要求而选择共享研究数据的比例最高，达到10.23% [40]。然而，促进研究数据更全面的开放绝非仅仅要求研究人员共享数据就可以实现，还需要研究机构、国际组织等多元主体协同参与。它们是研究数据的重要生产者、管理者和使用者，其积极参与对拓展数据开放的广度和深度至关重要。2024年7月，经济合作与发展组织（Organization for Economic Co-operation and Development，OECD）宣布向公众开放其数据资源的免费访问权限 [41]。2024年11月，生物多样性遗产图书馆（Biodiversity Heritage Library）正式宣布将其数据集迁移至亚马逊网络服务（Amazon Web Services，AWS）云平台以供公开访问 [42]。
2.2 数据规范与共享
缺乏规范和标准的数据共享实践可能面临数据格式不统一、元数据描述不完整或缺失、数据访问链接失效、数据质量参差不齐等问题，这将阻碍数据的有效发现、访问、互操作和重用。为了应对这些挑战，2024年出版商、资助机构等主体采取一系列举措共同推动数据共享的规范化和标准化，包括鼓励或强制要求使用持久标识符（Persistent Identifier，PID）、数据存储库等基础设施，利用AI工具进行数据合规性评估，制定数据共享评价指标以衡量数据共享贡献等。
FAIR是指导数据规范共享的一组核心原则；遵循FAIR原则的数据被认为是规范共享的理想状态。然而，实践与理想状态之间还存在一定差距。根据英国物理学会出版社（IOP Publishing，IOPP）于2024年10月发布的白皮书《让研究人员参与进来：克服公开共享数据的障碍》，在30000余篇研究文章中，仅有约十分之一的文章在发表时共享了符合FAIR原则的数据 [43]。而PID则是实现FAIR原则的关键技术手段。PID是长期有效且不会随时间改变的标识符，如数字对象标识符（Digital Object Identifier，DOI）、研究资源标识符（Research Resource Identifier，RRID）、开放研究者和贡献者标识符（Open Researcher and Contributor ID，ORCID）等，用于在数字环境中唯一标识和定位对象；这些对象可以是电子文档、数据库、图像，甚至是实体对象。PID具有唯一性、长期有效性和机器可解析性等特征，是数据管理中的重要工具，因其保证了无论数据或资源如何移动或变化，人们都可以准确地找到它们。将PID应用于研究数据，数据将更容易被发现、访问、互操作和重用 [44]，因此是规范化数据共享的重要前提。2024年，NIH科学政策办公室（NIH Office of Science Policy）编制的一份计划明确要求研究人员存储数据时必须使用元数据和PID，以提高数据的可发现性和透明度 [45]。此外，数据存储库也被视为支撑数据规范共享的重要基础设施，研究人员通常通过将数据存入存储库以获得DOI等PID。2024年1月，开放获取学术出版商协会（Open Access Scholarly Publishing Association，OASPA）发布的面向全体出版商的数据共享政策管理指南强调，应鼓励使用PID并将数据上传至存储库，以推进数据共享朝着更规范的方向发展 [46]。为了帮助研究人员选择合适的存储库，SN、T&F、细胞出版社（Cell Press）等多家出版商，以及欧洲研究委员会（European Research Council）等资助机构均发布了数据存储库推荐列表，Figshare则是其中广受推荐的通用型数据存储库。2024年，澳大利亚悉尼科技大学（University of Technology Sydney）、南非威特沃特斯兰德大学（University of the Witwatersrand）、美国阿巴拉契亚州立大学（Appalachian State University）、南非林波波大学（The University of Limpopo）、英国贝尔法斯特女王大学（Queen's University Belfast）等多所高校陆续与Figshare达成合作，利用其平台实现研究数据的管理、保存和共享。
出版商是推动数据规范化共享的核心主体。为了减轻编辑在数据审核方面的工作负担，同时提高审核效率和质量，越来越多的出版商开始借助AI工具进行数据合规性评估。例如，英国皇家学会（The Royal Society）、T&F分别于2024年3月、10月与AI公司DataSeer达成合作，利用其先进的算法和机器学习技术对研究人员提交的数据进行详细检查，以评估数据共享的合规性。检查范围从相对简单的任务如文章中是否包含数据可用性声明，到相对复杂的检查如数据许可协议是否清晰、数据文件格式是否合适、数据是否使用合适的存储库、数据是否包含PID等，并最终生成合规性报告，以帮助研究人员达到期刊开放数据政策的要求 [47-48]。此外，DataSeer还与KGL（KnowledgeWorks Global Ltd.）达成合作，将数据共享的自动检查功能嵌入其Smart Review工具中，允许使用该工具的出版商可以直接借助DataSeer的功能进行数据共享检查，进而提升共享数据的规范性和可靠性。
有效的评价指标对激励研究人员规范化共享高质量数据至关重要，但目前尚缺乏相关评价机制。为激励和奖励规范且有效的数据共享实践，美国国家眼科研究所（National Eye Institute，NEI）于2024年9月牵头启动了数据共享指数（S-index）挑战赛。该赛事面向公众开放，旨在汇集研究人员、医疗专业人员、数据科学家、信息学家以及其他对数据共享感兴趣人士的智慧，共同参与S-index的创建和开发，最终形成一套综合、科学、可行的评估指标来量化评估研究人员的数据共享行为。在“数据本身的价值”之外，NEI期望S-index应涵盖FAIR原则遵守情况、数据共享及时性、注释完整性、在其他研究中的使用频率，以及是否促进新出版物和专利的产生等维度，并强调“个人和团队在共享数据实践中付出的努力与贡献”。这意味着，即使数据本身并非是突破性或具有重大意义的，如果研究人员以负责任、规范和有效的方式共享了数据，也应得到充分认可和奖励。挑战赛结果将于2026年7月5日公布，届时获胜的S-index将被NIH采用 [49]。
2.3 数据滥用与安全共享
数据开放共享是必然趋势，但并非所有数据在任何情况下都可以公开访问。部分数据一旦无限制地开放共享，可能会对国家安全、商业机密、个人隐私乃至社会稳定构成潜在威胁。因此，如何在最大程度促进数据共享的同时有效保障数据安全，已成为构建可持续数据生态系统的重大挑战。
2024年，相关主体积极探索数据共享与安全的平衡之道，具体实践涵盖技术创新与政策完善等多个方面。如利用去中心化技术构建安全可信的数据共享环境。2024年11月，马克斯·普朗克数字图书馆（Max Planck Digital Library，MPDL）发布的去中心化科学计划DeSci Connect利用区块链技术的不可篡改性、透明性和安全性等固有优势，来应对传统数据共享模式中存在的安全隐患 [50]。此外，多国机构纷纷更新和完善相关政策以适应日益复杂的数据安全形势。英国医学研究委员会（Medical Research Council，MRC）于2024年4月更新了数据管理计划模板，特别强调当涉及敏感数据或国际合作时，必须高度重视数据安全和保密性，并采取切实有效的措施来保护数据 [51]。而医学领域的数据隐私一直是学术界高度关注的重要议题。从研究参与者处收集的开放数据，常常在透明共享的学术价值观与个人隐私、数据安全之间形成紧张关系。即使经过匿名化处理的数据集，如果包含详细的人口统计学信息，仍存在再次被识别出个体或实体的风险。为此，美国医疗保险和医疗补助服务中心（Centers for Medicare & Medicaid Services，CMS）于2024年2月宣布调整研究数据访问政策，推广使用慢性病库虚拟研究数据中心（Chronic Conditions Warehouse Virtual Research Data Center，CCW VRDC），通过严格的访问控制、数据加密、隐私保护政策以及定期的安全审计，确保敏感的医疗信息在存储、传输和处理过程中的安全性 [52]。2024年7月，NIH也宣布更新其基因组数据共享（Genomic Data Sharing，GDS）政策，定义了受控访问数据，开发人员必须通过特定的审查程序才能访问这些数据，而且其在获得访问权限后必须签署数据使用协议以规范访问行为，从而降低数据泄露和滥用风险 [53]。
然而，数据的开放共享远非终点，数据重用才是释放数据价值、驱动科研创新的核心所在。但在当前，科研人员缺乏数据检索、理解、处理、利用等技能，严重制约了数据重用率的提升。为应对这一挑战，2024年各方主体多措并举以提升科研人员的数据素养，进而有效促进数据重用。如欧盟委员会（European Commission）等行政机构举办研究数据管理与应用的网络研讨会 [54]；美国哈佛医学院（Harvard Medical School）、英国爱丁堡大学（The University of Edinburgh）、芬兰赫尔辛基大学（University of Helsinki）等高校纷纷开设涵盖数据收集、分析、管理、使用的培训课程；Elsevier等学术出版商也举办有关数据重用最佳实践的网络研讨会 [55]。未来，进一步扩大数据培训的覆盖范围、优化培训内容、创新培训方式，将成为提升数据重用效率的重要途径。
3 科技出版商：在内容和技术融合中加速转型
为降低对期刊订阅收入的依赖，Elsevier、SN、Wiley等领先的跨国科技出版商于2021年左右开始寻求业务多元化，并在平台、分析和服务领域逐渐形成新的竞争类别 [9]。自ChatGPT发布以来，生成式AI技术的飞速发展以及科技巨头的“AI军备竞赛”为出版商的战略转向注入了新的变量。2024年，科技出版商快速适应AI及其他数字技术带来的变化，坚持以新兴技术驱动业务转型和内容价值增长，谋求新的发展空间。为此，SN和Wiley分别设立“首席数字官”（Chief Digital Officer）[56]、“AI增长”（AI Growth）团队 [57]，负责探索AI等先进技术的创新应用，抓住业务增长新机遇。当然，这不意味着论文出版业务不再重要；相反，拥有、抢占更多高质量、专业化的内容和数据将随着AI技术应用的深入而显现出多重作用和价值。
3.1 夯实内容资源优势，探索新的增收可能
尽管几家头部出版商的收入来源已趋于多元化，但论文出版依旧是其主营业务与支柱性收入来源。2024年Wiley的财报显示，“研究”板块的收入中86%来自出版业务，14%来自解决方案业务 [58]。而出版商的年收入增长或未来收入增长预期也部分地被归因于论文数量特别是付费出版的OA文章数量的增长。T&F母公司英富曼集团（Informa Group）2024年上半年报告提到，传统领域的强劲收入与开放研究的加速相结合，使T&F实现了基本营收增速加快 [59]。因此，2024年出版商仍然通过收购、与学协会合作出版旗舰期刊或推出新期刊、发展现有品牌期刊，以及自创新期刊等方式，扩大旗下OA期刊与非OA期刊的数量及覆盖范围，为更多文章提供发表场所。如2024年3月，T&F收购以超低APC和会员费收费模式著称的OA出版商PeerJ [60]；2024年12月，Sage收购玛丽安博特公司（Mary Ann Liebert，Inc.），直接将后者的100多种期刊收入囊中 [61]；SN则持续扩大《自然》（Nature）系列期刊阵容，一年内推出3种新期刊 [62]。
无论是最初的付费阅读模式，还是后起的付费出版模式，大批论文发表为商业出版商带来了可靠又可观的收入。2024年，一些出版商尝试利用学术内容交易开辟新的收入来源。OpenAI、谷歌、苹果、微软等大型科技公司希望与出版商合作，通过版权协议快速、合法地获取更多可靠内容，用以训练他们的基础大语言模型（Large Language Model，LLM）。2024年，Wiley、T&F、Sage等学术出版商陆续同多家科技公司达成许可交易，向后者的LLM授权部分出版内容 [63]。截至2024年10月，Wiley凭借2份协议赚取至少4000万美元，并计划签署更多授权协议。然而，Elsevier、SN这两家大型出版商尚未公开表示有相关意向开展此类内容交易。由于当前科技公司的基础LLM的训练重点是语言理解、推理能力和常识掌握，训练语料相对更依赖书籍、网络内容和新闻等，因此他们与学术出版商达成的交易主要围绕书籍而非专业性更强的期刊展开。不过，科技公司对期刊内容的需求正在不断增长，从中有利可图的出版商未来或有可能将授权内容范围扩展至期刊论文 [57]。《科学》（Science）系列期刊的传播总监梅根·费兰（Meagan Phelan）曾表示，如果科技公司的可信度及其AI工具的有用性等达到相应标准，美国科学促进会（the Advancement of Science，AAAS）未来可能会同意授权内容 [64]。
向AI授权内容已经被一些出版商视作新的增收机会，但不少研究人员对出版商不作告知便签订协议的行为颇有微词，更对作品认可和版税收入的不确定性表示担忧 [65]。针对这一情况，2024年7月美国版权结算中心（Copyright Clearance Center，CCC）宣布在其年度版权许可（Annual Copyright Licenses，ACL）中引入“AI再使用权”条款。这是首个针对AI系统内部使用受版权保护材料的集体许可解决方案 [66]。如果任何可以在线阅读的内容很可能已经或最终免不了被摄入科技公司的AI模型 [67]，那么比起被肆意抓取，版权许可和内容协议至少切实保障了学者权益和出版商收入，为多方利益的协调提供了一条路径。因此，未来或许会有更多出版商通过协议授权论文的使用。
3.2 利用AI赋能面向科研生命周期的出版工作流程
大型STM出版商常用的转型策略之一是充分利用技术的力量，构建并持续优化基于科研生命周期的出版工作流程解决方案，以为科研人员提供更好的服务。为了深入理解研究人员对AI的态度及其在工作中对AI的需求，Elsevier等出版商对全球上千名研究人员展开调查。结果显示，他们大多有较高意愿使用AI，且乐观地认为AI会加速科学创新，最终彻底改变研究和知识创造的性质；此外，他们对AI工具的透明度与高质量数据支撑也有强烈需求 [68]。一定程度上，研究人员的这些观点为出版商探索AI在出版领域的应用提供了方向和动力。2024年，出版商对AI在推动科学创新、简化出版流程方面的巨大潜力充满期待，并积极规划、开发和测试各类AI支持工具，将它们整合到作者、编辑和审稿人的工作流程中，以期提升现有解决方案的效率和效果。
在科研生产环节，出版商正在引领一场AI技术驱动的学术信息发现和阅读场景革新。他们通过开发AI驱动的对话式发现工具，并将之嵌入既有平台，以优化平台的搜索体验。如2024年1月，Elsevier发布Scopus AI正式版本以拓展其旗舰产品Scopus的功能 [69]；同时还尝试将生成式AI技术应用于ScienceDirect等旗下的其他平台，进一步增强服务能力 [70]。此类AI工具的价值主要取决于可供访问的内容，因此文献的质量、深度和广度成了出版商推广自有工具的核心宣传点，以此来与市场上激增的同类产品相区别。不过，其吸引力是否能持续下去仍有待观察，因为科技公司正在通过许可交易或其他方式获取出版商手中的内容资源。此外，科研人员对AI工具赋能科学创新的期待远不止于简单的文献检索和论文润色。鉴于AI有潜力介入更具创新性的知识生产任务，出版商的作者服务也有可能被引向未知但前景广阔的新领域。为了寻找新的增长点，2024年10月Wiley启动“AI合作伙伴”（Wiley AI Partnerships）项目，试图将其科学内容、市场研究和品牌实力等资源与合作伙伴的尖端AI应用相结合，共同探索更多有用的AI解决方案。这些方案的初期应用可能包括实验辅助与分析、信息提取与应用等。当月，Wiley还与一家名为“土豆”（Potato）的AI公司达成首个合作协议，该协议旨在通过提供专用研究协议工具实现研究过程的标准化，从而提高科学研究的可重复性 [71]。在科技出版环节，出版商正在积极开发和应用AI工具，以解决当前出版系统面临的一系列问题，如投稿量大幅增加带来的系统性压力以及科研诚信问题等，从而提升出版效率和质量。SN于2024年6月推出2款AI工具，分别用于识别虚假内容和检测有问题的图像 [72]。同时，AI在辅助审稿方面的有效性也在试点阶段得到了初步证实。一方面，AI工具能够提供评审意见初稿，从而极大地提高审稿效率，降低审稿人的工作负担；另一方面，AI工具不仅可以从结构、逻辑、数据等多个角度对文章进行全面评估，还能提出具体的改进建议，帮助作者深度修改和优化文章，提升文章质量 [73]。Wiley也在探索AI技术在改进投审稿服务中的应用，具体包括期刊推荐、审稿人选择、欺诈论文预警等 [74]。值得一提的是，Wiley在2024年3月推出了经过内部Beta测试的“论文工厂”检测工具，在试点期间该工具从期刊每月收到的10000篇稿件中标记出了10%~13%的稿件来自“论文工厂” [75]。
显然，许多出版商对AI应用的效率优势充满期待，并积极布局相关工具与服务。2024年10月，美国研究机构Ithaka S+R发布的一份报告提出，生成式AI技术在科研和出版生命周期中的应用似乎已准备就绪，未来将呈指数级增长 [76]。但事实上，AI模型的可靠性问题迄今仍未得到解决。处理专业学术信息的任务难度较大，对AI模型的要求相对更高，因此，贸然在学术出版领域使用AI工具可能并不会减少工作量，反而会带来更多问题。2023年秋，Elsevier在其旗下顶尖期刊《人类进化杂志》（Journal of Human Evolution）的校对流程中引入AI，结果投稿论文的内容和格式被AI不当修改。尽管编辑们反对，Elsevier仍继续使用AI，致使作者和编辑被迫投入大量精力进行监督。在此过程中，Elsevier还计划削减编辑人员数量。2024年12月，为抗议Elsevier的AI使用及其他罔顾期刊质量的行为，编委会除一名成员外集体辞职 [77]。无可否认，未来在科研与出版流程中使用AI可能是大势所趋，但这一事件也揭示了当前技术的不完美和局限性。AI要真正成为可靠的效率工具以赋能整个科研和学术出版链路还有很长的路要走，因此，出版商在利用AI工具减少人力投入的过程中需要更加谨慎。
3.3 开发基于AI的专业解决方案
科技出版商一直致力于利用科技和分析工具来提升特定学科领域的内容可靠性和数据集的系统性，以便为专业细分市场的用户提供高附加值的信息产品、服务和解决方案。这也是科技出版商融合转型的主要方向之一。例如，Elsevier对化学领域超过1.1亿份文档（含专利和期刊）进行数据挖掘，构建集信息检索、信息分析、数据科学应用为一体的旗舰平台Reaxys，用于支持药物发现和化学研发工作 [78]。目前，AI尤其是生成式AI对信息搜索、理解和处理的颠覆式创新为出版商的转型提供了新的可能性。它们可以助力出版商增强现有服务或者推出新服务，从而帮助他们向知识服务提供商跃迁。但是，科技公司训练AI模型的语料并非都是经过验证的内容，这可能导致AI难以全面理解和把握某一领域知识体系的独特性，在输出结果的精准性和可靠性上存在不足。这为出版商开发高度专业化的AI工具提供了现实可能性和差异化优势。
2024年，Elsevier、SN等出版商将垂直领域的精选内容、数据同AI技术相结合，发挥二者的相乘效应，打造出多款满足特定需求或适用于特定情境、专业任务的智能产品，为服务对象提供更具针对性的决策支持信息以改善其工作。2024年6月，SN凭借年用户超50万的药物研发信息数据库AdisInsight，设计了对话式产品AskAdis。该产品旨在帮助制药公司和研究人员完善关键研发信息以加速药物的发现过程 [79]。与此同时，Elsevier于2024年2月和5月分别推出两款对话式信息产品ClinicalKey AI和SciBite Chat。前者专为临床实践设计 [80]，后者主要服务于生命科学和药物研发领域 [81]。这些产品大多源自数据密集型领域，而这也是AI的强项。然而，决定这些产品能否发挥显著效应的关键还在于出版商是否拥有深厚的内容和数据资源储备。正是基于这样的背景，2024年3月，Elsevier利用其拥有的世界上最全面的化学数据库Reaxys，与AI药物发现领域的领军企业Iktos签订协议，目标是利用Reaxys的化学数据和Iktos的合成规划AI技术，为制药公司开发一个合成化学平台，以缩短药物化学研究的周期。这一举措无疑将进一步提升Elsevier在药物化学解决方案领域的价值 [78]。
4 数智时代的出版信任危机与应对
几个世纪以来，学术出版一直建立在信任的基础之上，并隐含地假设作者、编辑、审稿人等与期刊的互动是在既定的规范和实践中进行的。2023年期刊全年撤稿量激增至1万篇以上的惊人纪录，似乎在向整个期刊出版系统发出警报，这种信任越来越容易被利用 [82]。加之AI工具在科研中的不当使用，2024年更多诚信问题涌现出来，因此需要重新审视数智化背景下如何维护出版信任与研究质量。
4.1 “论文工厂”危机及其应对
在科技出版领域，虽然学术不端行为、误导性信息和撤稿事件都并非新闻，但当前面临的“论文工厂”等危机的规模和影响却是前所未有的 [83]。所谓“论文工厂”，是指那些为谋取经济利益，专门实施一系列欺诈行为的组织和机构。这些欺诈行为包括但不限于代写论文、出售作者身份，操纵编辑和审稿人员，以及通过不正当手段人为提高论文引用率等。进入2024年，越来越多已发表的论文和学术期刊被证实留有“论文工厂”的身影。值得注意的是，一些具有较高影响因子的知名期刊也未能幸免。例如，Elsevier旗下期刊《环境研究》（Environmental Research），一直宣称致力于出版高质量和前瞻性学术内容，影响因子高达7.7。但据相关报道，该期刊被指充斥着来自“论文工厂”的欺诈行为 [84]。这一情况无疑对学术期刊长期以来引以为傲的审核和把关机制提出了严峻的拷问。尽管出自“论文工厂”的文章一经核实后，大多会被撤稿，但相较于其生产的庞大的文章数量，被撤回的文章不过是冰山一角。更为糟糕的是，即便文章被撤稿，也难以彻底阻断虚假论文以及其中错误的进一步传播。出版商目前尚未制定出一套系统化、规范化的流程来及时提醒阅读或引用这些文章的读者和作者。在这种情况下，作者很可能对这些文章存在的问题缺乏足够的了解，也就无法对其研究成果可能受到的负面影响进行准确评估，更谈不上采取相应的修正措施。因此，虚假论文中的错误依然有机会通过直接引用或间接引用继续存在并扩散，进而误导更多学术研究 [85]。有专家指出，在当前的学术环境中，许多论文大量引用被撤回的文献而不自知。其中，有一篇论文的参考文献撤稿率竟然高达60%，而该文作者和编辑对此却毫无察觉 [86]。综上所述，“论文工厂”引发的学术危机已经发展到了不容忽视的地步，亟待学术界、出版界以及监管部门共同采取措施加以应对。
在当今学术生态面临诸多挑战的背景下，学术界与出版界对当前形势的严峻性有了愈发深刻且全面的认知。除了一致将“论文工厂”问题视为亟待解决的重点事项，相比于过去零散、孤立地行动，主体间的合作意愿也更加强烈。从具体实践来看，这种合作趋势在国际层面得到了充分体现，其中最具代表性的是United2Act联盟。United2Act是一项具有深远意义的共识声明，由国际出版伦理委员会（Committee on Publication Ethics，CoPE）和国际科学、技术和医学出版商协会（the International Association of Scientific, Technical & Medical Publishers）联合发起。联盟汇聚了来自15个国家/地区的出版商、科研人员、研究机构和基础设施领导者，致力于通过集体行动来终止“论文工厂”带来的威胁。为确保声明的有效实施和目标达成，联盟同步成立5个工作小组，分别聚焦于不同的关键领域：培训和宣传小组致力于提高各方对“论文工厂”问题的认识和防范意识；出版后更正小组专注于完善学术出版过程中的错误纠正机制；研究小组着重深入探究“论文工厂”的运作模式、影响范围及应对策略；开发信任标记小组旨在建立一套科学合理的信任评估体系，为学术成果的可信度提供量化依据；促进利益相关方对话小组负责搭建沟通平台，协调各方利益，推动共识形成和行动落实。该声明于2024年1月发布，而后源源不断地吸引了更多组织加入其中 [87]。
与此同时，各主体基于自身立场在能力所及范围内积极探索其他有效方案，为保障研究诚信贡献力量。出版商借助AI技术和工具，强化对问题论文的筛查与拦截工作。例如，2024年3月Wiley宣布将联合Sage、电气电子工程师学会（Institute of Electrical and Electronics Engineers，IEEE）共同迭代基于AI的“论文工厂检测”服务 [88]。基础设施组织则主要围绕撤稿可见性开展工作。2024年5月，学术发现服务提供商GetFTR（Get Full Text Research）在现有基础设施上整合了由Crossref和撤稿观察数据库（Retraction Watch Database）提供的撤回和勘误数据，以确保研究人员能够随时掌握文章最新状态 [89]。2024年6月，美国国家信息标准组织（the National Information Standards Organization，NISO）发布了《传达撤回、删除和表达关注的推荐做法》（Recommended Practice for the Communication of Retractions，Removals，andExpressions of Concern）。该建议为被撤稿相关元数据的创建、传输和显示确立了最佳实践方法，以便出版商、图书馆等快速传播撤稿信息 [90]。值得注意的是，鉴于2023年大规模撤稿潮中多数论文来自中国作者，对国家的学术声誉和学术环境造成了不利影响，中国政府投身这场危机应对之中，要求在2024年2月15日之前，各大学必须针对过去三年内的撤稿和学术不端行为进行自我审查并提交综合清单。此次行动是中国首次发起全国性的撤稿调查行动 [91]。
4.2 AI应用危机初显及应对
由于技术发展的局限性，生成式AI工具输出的内容常常包含错误、虚构和抄袭的内容。这引发了对其快速生产能力可能导致“有缺陷”内容泛滥以及其沦为学术不端工具的担忧。2024年的一些案例印证了这些担忧。2024年2月，一篇含有明显虚假的、不科学的AI生成图像的文章成功发表，但因错误过于荒谬，该文被迅速发现并在社交媒体上引发讨论。出版商Frontiers在文章发表3天后以“文章不符合期刊的编辑标准和科学严谨性标准”为由撤稿。2024年3月，一篇刊发在期刊引用报告（Journal Citation Reports，JCR）Q1区期刊上的文章在引言中遗留下了AI“足迹”：“当然，这是关于您的主题的可能引言：……” [92]。2024年7月，又一篇论文因图像错误明显、数据不一致、参考文献不可追溯等问题受到热议，作者承认使用ChatGPT制作图表、翻译和润色文本 [93]。伴随这些事件的发生，众多矛头对准了期刊编辑和审稿人，质疑同行评议制度有效性的声音也不在少数：是何种原因导致那些质量低劣的AI生成内容能够通过严谨的学术期刊审查？同时，人们更加担心生成式AI应用可能对研究的质量、可靠性及价值带来负面影响。毕竟，连明显带有AI生成痕迹的论文都能轻松通过评审，那些使用更隐蔽手法的论文或许早已悄无声息地渗透到了科学文献之中 [94]。此外，随着AI工具不断迭代更新，其使用痕迹可能愈发难以辨识，这无疑给当前已经显露缺陷的文章质量把控流程提出了更为严峻的挑战。更令人不安的是，生成式AI应用似乎已经与掠夺性期刊、“论文工厂”等问题缠结在一起。最新研究发现，含大量AI“足迹”的问题论文大多发表在具有掠夺性倾向的期刊上 [95]；而“论文工厂”也在利用生成式AI制造大量低质量的垃圾论文 [96]。这无疑加剧了系统内诚信危机的复杂性和治理难度。然而，也有研究人员在进行了深入调查后认为，目前可能没有必要过分担忧。他们以Dimensions数据库中自ChatGPT发布以来发表的文章为样本，发现含有AI模型惯用句式的文章占比极低，仅为0.00007% [92]。
尽管AI应用至今尚未引发极为严重的“危机”，但它对学术出版和科技进步构成的潜在威胁已初露端倪。2024年5月，英国国家科学院（the UK’s National Academy of Sciences）在报告《AI时代的科学》（Science in the Age of AI）中提出，在研究过程中过度依赖“不透明”的AI系统，极有可能降低科学发现的可靠性，进而限制其在应对现实世界挑战时的作用 [97]。因此，持续探索AI的最佳使用方式，并通过引导与规范、审查与监管等手段确保对AI的合理、正当使用，不仅是实现AI价值最大化的必然要求，也是新时期维护出版信任的内在需求。在AI应用行为指导方面，随着对生成式AI工作原理和实际用例的认知不断丰富，2024年部分出版商、研究机构针对生成式AI使用政策或指南进行了更新与补充，旨在厘清“绝对允许行为”和“绝对不允许行为”之间的模糊地带。2024年6月，T&F制定了AI应用的扩展指南，向作者、编辑和审稿人明确说明了一些不应借助AI工具完成的任务 [98]。2024年9月，中国科学技术信息研究所与Elsevier、SN等出版商协作完成《学术出版中的AIGC使用边界指南2.0》。相较于之前的版本，新版本增加了案例分析，并对图表制作、文字撰写等任务的AI使用建议进行了优化 [99]。在AI应用行为核查方面，鉴于现有技术工具难以精准识别生成式AI伪造的内容，科研诚信专家、出版商和科技公司竞相投入力量开发AI工具，用以检测论文中由AI生成的欺骗性元素。例如，图像完整性分析工具Proofig专门针对由AI生成的显微图像增加了一项新功能，测试结果显示其准确率可达98% [100]。需要注意的是，生成式AI作为一种新生事物，相关技术与工具仍处于不断革新之中，具体的科研用例也在不断拓展。因此，不当使用AI的边界并非固定不变，而是会随着技术的发展和应用的深入而动态变化。这意味着，无论是AI使用规范和指南，还是各种鉴别工具和手段，都需要根据实际情况适时调整和完善。这无疑是一场持久战。
4.3 同行评议困境与改进
在学术领域，同行评议程序对于保证研究质量和学术诚信发挥着至关重要的作用。某种程度上，这种文章认证功能也是学术期刊和出版商存在合法性的重要根基之一。然而，近年来随着文章数量的迅猛增长，同行评议系统正面临着前所未有的沉重压力。2024年9月，一些研究者因长期无偿从事同行评议工作，对几大出版商提出诉讼 [101]。屡禁不止的“论文工厂”现象、AI在学术领域的不当使用等新老诚信危机问题相互交织，进一步加剧了本就处于紧张状态的同行评议系统的负担，使其面临更多挑战。与此同时，科学研究格局正在发生深刻变革，向着AI辅助或协作的跨学科、开放研究方向转变。在这样的背景下，同行评议程序面临着如何与时俱进，以及提升自身包容性和透明度等一系列亟待解决的问题 [102]。
为了深入探索同行评议的演变趋势与未来发展路径，2024年举办的同行评议周（Peer Review Week）以“同行评议中的创新与技术”为主题，鼓励研究人员、出版商、编辑和其他利益相关者对AI驱动同行评议及其他同行评议创新实践进行深入思考和广泛交流 [103]。同行评议系统的各方参与主体逐渐倾向于认为，现有评议流程赋予了审稿人过多的“重任”。具体表现为，语言清晰度、相关性、数据或代码可靠性以及科研诚信等诸多方面的问题均被纳入了审稿人的职权范围。而在AI技术的协助下，其中不少任务可以由AI来分担。这样一来，审稿人便能将宝贵的时间更多地投入到对论文创新性、新颖性以及重要性的判断等最终决策环节，进而在减轻审稿负担的同时实现提升评议质量的目标 [104]。鉴于此，各主体对于如何将AI技术有机融入现行主流的同行评议程序表现出了浓厚兴趣，并针对新工作流程提出诸多富有建设性的设想。例如，有观点提出在论文流经审稿人之前设置额外的审查，利用AI诚信检测工具对论文进行初步筛查，标记出潜在问题，以便为审稿人提供参考 [105]。又如，建议设置两轮审查机制，由AI进行“预审”，审稿人再基于AI的“预审”结果开展评审 [106]。此外，在审稿人的最终决策中AI也有用武之地，如提供最新文献综述来帮助审稿人更快地判定研究的新颖性等 [107]。就实际评审流程而言，未来存在无数的可能性，关键还是要保持AI能力和人类专业知识之间的平衡。
尽管众多利益相关方对AI在同行评议中的应用持乐观态度，但当前AI工具在评审质量、保密性及偏见等方面存在明显风险。有鉴于此，Elsevier、Sage等出版商仍禁止审稿人将手稿或评审报告上传至AI工具。然而，部分出版商已开始尝试有限度地允许审稿人利用AI工具辅助改进评审报告，同时要求审稿人对报告内容承担全部责任。例如，T&F的政策已调整为“生成式AI仅可用于协助优化审稿语言，而评审人始终需确保其评审的准确性和完整性”；《物理评论》（Physical Review）系列期刊也支持“审稿人使用ChatGPT及类似的AI写作工具来润色、压缩或以其他方式微调报告内容” [76]。
在非技术性的同行评议创新实践中，“先发表后评议”（Post-Publication Peer Review）模式是较早被探索的一种方案。相较于传统由期刊主导的出版前评审流程，该模式不仅加快了研究成果公之于众的速度，还促进了研究质量评价过程中的社群参与，并有助于削弱以影响因子为核心的量化评价文化。其中，OA期刊eLife采取了最为激进的做法。它自2023年1月起取消了同行评议后接受或拒绝论文的判定过程，转而直接发布“经过评议的预印本”。在实施新型出版模式一年后，2024年2月eLife报告了相关情况并声称该模式是一种更好的科学交流模式。报告显示，从提交到出版所需时间比传统模式快2.5倍以上，且“eLife评估”和公众评论的质量得到了作者高度认可 [108]。尽管如此，在其满怀信心准备持续发展这种新模式之际，科学网（Web of Science，WoS）于2024年10月23日宣布由于该模式与同行评议验证脱节，决定暂停为eLife记录版本编制索引；随后又于11月12日宣布该刊将在2025年失去影响因子。对此，eLife两度发表声明谴责WoS的行为阻碍了基于开放科学原则改进出版和同行评议的新尝试，并指出依赖影响因子进行科研评价的方法几乎不具备有效性 [109]。这一事件再次引发了学术界和出版界关于是否应摒弃传统评价标准的广泛讨论。尽管eLife的投稿量尚未出现大幅下滑，但来自中国的投稿数量显著减少。因此，其能否在不依赖影响因子的前提下维持学术地位和财务可行性，仍有待进一步观察 [110]。
5 结语
在科学研究和科技出版领域，AI引发的革命尚处于初级阶段，然而其潜力已足以激发科研人员、出版商及其他利益相关主体的极大兴趣。他们密切关注AI带来的巨大机遇，同时也对相伴而来的不确定性和挑战保持警觉。展望未来，AI与开放科学的深度融合，尤其是与开放数据的紧密结合，有望彻底改变科研与出版工作流程。这一变革将在学术知识的生成、记录、验证、传播及存档等各个环节构建起人机协作的全新模式。同时，大型科技公司正逐步融入科学交流与出版生态，并有望成为其中的核心参与者。然而，AI的负责任使用与成功实施将是一个逐步推进的过程，离不开人类的积极参与、严格审查和有效监督，以确保其可靠性和可信度。[111]这一过程也为科技出版商将AI有机融入战略转型留出了宝贵的窗口期。出版商必须提早布局，积极拥抱新兴的AI生态，寻求业务增长和内容资产增值的新机遇，从而巩固自身的核心竞争力和“存在价值”。当然，数智化的愿景并非单纯的技术乌托邦。“论文工厂”及其他不良行为者同样可能利用先进的技术工具来规避评审程序，制造大量虚假、错误的信息，这将严重损害出版和科学的公信力，进而阻碍AI潜力的充分释放。因此，出版商、行业机构、学术界、技术开发者和监管机构等多方力量的紧密合作对于塑造一个健康的新型出版生态至关重要。在这个生态中，AI将成为推动开放科学、科研诚信和透明度等目标实现的强大助力 [112]。
参考文献
You don’t know what you’ve got till it’s gone：The changing landscape of UK learned society publishing
[J].
The oligopoly of open access publishing
[J].
Recommendations for accelerating open preprint peer review to improve the culture of science
[J].
The paper mill crisis is a five-alarm fire for science：What can librarians do about it?
[J].
A rapid investigation of artificial intelligence generated content footprints in scholarly publications
[J].
