BuyTheBy: A dataset of 18,710 text-based paper mill advertisements with 51,812 timestamped prices

ملخص تقني لورقة بحثية بعنوان: "BuyTheBy: مجموعة بيانات تضم 18,710 إعلاناً نصياً لمصانع الأوراق مع 51,812 سعراً موقوتاً زمنياً"

1. بيان المشكلة

يواجه المجتمع الأكاديمي أزمة متزايدة تتعلق بـ "مصانع الأوراق" (paper mills)—وهي كيانات تجارية تبيع مقاعد التأليف في مخطوطات مكتوبة مسبقاً، وغالباً ما تتواطأ مع المحررين لتجاوز عملية مراجعة الأقران. وبينما يتم توثيق وجود هذه المصانع وعملياتها بشكل متزايد من خلال التحقيقات النوعية، إلا أن هناك نقصاً حاداً في البيانات الكمية للسوق.

• الفجوة المعرفية: كانت البيانات السابقة حول تسعير مصانع الأوراق شحيحة، أو قائمة على ملاحظات عابرة، أو غير مباشرة (مثل دراسات حالة معزولة أو تحقيقات فردية).
• النتيجة: بدون بيانات هيكلية للأسعار، يصعب إجراء تحليلات اقتصادية لسوق الاحتيال الأكاديمي، أو فهم مرونة الأسعار، أو تتبع اتجاهات السوق عبر الزمن، أو تقييم الحوافز المالية التي تدفع هذه العمليات.

2. المنهجية

قام المؤلفون ببناء مجموعة بيانات BuyTheBy (الإصدار 1.0) من خلال تجميع ومعالجة الإعلانات من سبعة أعمال تجارية متميزة تعمل عبر سبعة دول.

• مصادر البيانات:
  • قنوات تيليجرام (الأعمال 1–3): ثلاثة أعمال تجارية تعمل في الهند والعراق وأوزبكستان. تم استخراج البيانات باستخدام ميزة "تصدير سجل الدردشة" (Export chat history) في تيليجرام. تتضمن مجموعة البيانات رسائل نصية تحتوي على أسعار بالروبية الهندية (INR)، والدولار الأمريكي (USD)، والسوم الأوزبكي (UZS).
  • المواقع الإلكترونية (الأعمال 4–7): أربعة أعمال تجارية مسجلة في لاتفيا وروسيا وأوكرانيا وكازاخستان. تم الحصول على البيانات عبر أرشفة الويب (التقاط حالة المواقع في تواريخ محددة).
• نطاق جمع البيانات:
  • الإطار الزمني: يمتد من مارس 2020 إلى أبريل 2026.
  • الحجم: 18,710 إعلاناً فردياً تم جمعها.
  • التصفية: تمت معالجة الرسائل النصية فقط؛ واستُبعدت المرفقات الصورية (الصور) وملفات PDF.
• معالجة وتنظيف البيانات:
  • حجب البيانات: استُخدمت تعبيرات نمطية مخصمة (Regular Expressions) مؤتمتة لحجب معلومات الهوية الشخصية (PII) (الأسماء، أرقام الهواتف، روابط وسائل التواصل الاجتماعي) ومعرفات الأعمال لحماية الخصوصية مع الحفاظ على النص للتحليل.
  • توحيد الأسعار: تم تحويل جميع الأسعار إلى الدولار الأمريكي (USD) باستخدام بيانات أسعار الصرف التاريخية من وزارة الخزانة الأمريكية.
  • إزالة التكرار: تم تعريف المنتجات الفريدة من خلال مطابقة العمل التجاري، وفئة المنتج، والعنوان الدقيق (مع تجاهل حالة الأحرف وعلامات الترقيم).
  • استبعاد البيانات الوهمية: في حالة واحدة (العمل التجاري 5)، تم تحديد واستبعاد 17,763 عقداً وهمياً (أضافها العمل التجاري للتهرب من المراقبة) بناءً على غياب أزرار الشراء الوظيفية ووجود سعر صفر دولار.

3. المساهمات الرئيسية

المساهمة الأساسية هي إطلاق BuyTheBy، وهي أول مجموعة بيانات واسعة النطاق وموسومة وموقوتة زمنياً لبيانات سوق مصانع الأوراق.

• إحصائيات مجموعة البيانات:
  • إجمالي الإعلانات: 18,710.
  • المعلنة مع الأسعار: 15,839.
  • المنتجات الفريدة: 5,567 منتجاً عبر 14 فئة من المنتجات.
  • إجمالي المقاعد: 2- 20,598 مقعد تأليف مدرج.
  • نقاط السعر الموقوتة زمنياً: 51,812.
• تنوع المنتجات: بينما تبيع معظم الشركات تأليف المقالات الأكاديمية، يقدم العمل التجاري 1 (الهند) محفظة متنوعة تشمل تأليف الكتب الدراسية، واختراع براءات الاختراع، وتسجيل حقوق الطبع والنشر.
• الوصول المفتوح: مجموعة البيانات متاحة على Zenodo بموجب رخصة CC BY 4.0، مرفقة بملف README، وقاموس بيانات، وكود قابل لإعادة الإنتاج على GitHub.

4. النتائج والتحليل

أجرى المؤلفون تحليلاً استكشافياً أولياً للبيانات لإثبات فائدة مجموعة البيانات:

• تقلب الأسعار بمرور الوقت:
  • الأسعار ليست ثابتة. على سبيل المثال، انخفض متوسط سعر العمل التجاري 1 لتأليف الكتب الدراسية "الدولية" من حوالي 15,000 روبية هندية (180 دولاراً) إلى حوالي 7,000 روبية هندية (84 دولاراً) بين يونيو وديسمبر 2022.
  • على العكس من ذلك، ارتفعت أسعار تأليف أوراق مؤتمرات IEEE مرتين في شهر واحد (يونيو/يوليو 2024).
• تجزئة السوق والتباين:
  • تختلف الأسعار بشكل كبير بين الشركات والجغرافيا، وهو ما قد يرتبط بمستويات دخل عملائهم المستهدفين.
  • الجهات المستهدفة: تسمي بعض الشركات (B2, B3) صراحةً ناشرين رفيعي المستوى (مثل Springer Nature, Elsevier)، بينما تركز الشركات الأخرى (B4–B7) على حالة الفهرسة (مثل "Scopus Q1") دون تسمية مجلات محددة.
  • خدمات الفهرسة: ظهرت كلمة "Scopus" في 12,012 إعلاناً، تليها "Web of Science" (5,136)، مما يشير إلى أن هذه هي المحركات الأساسية للقيمة للمشترين.
• تقديرات الأسعار المركزية:
  • عبر جميع الشركات، بلغ متوسط سعر مقعد المؤلف الأول في المقال الأكاديمي 788.41 دولاراً أمريكياً.
  • تنخفض الأسعار لمقاعد المؤلفين اللاحقين (على سبيل المثال، متوسط سعر المؤلف الثاني: 675.78 دولاراً؛ المؤلف الثالث: 570.00 دولاراً).
  • كان أقصى سعر مرصود لمقعد المؤلف الأول هو 5,631.48 دولاراً.

5. الأهمية والتطبيقات المستقبلية

• الاقتصاد الكمي للاحتيال: تتيح مجموعة البيانات هذه أول نمذجة اقتصادية صارمة لسوق الاحتيال الأكاديمي، مما يسمح للباحثين بدراسة ديناميكيات العرض والطلب، ومرونة الأسعار، وتأثير الإجراءات التنظيمية.
• دفاع الناشرين والفهارس: يمكن للناشرين وخدمات الفهرسة استخدام البيانات لتقييم مدى تعرضهم لعمليات مصانع الأوراق وتحديد المجلات أو الفئات عالية المخاطر.
• سياسات الترقية والتدريس: من خلال ربط هذه الأسعار بمعايير الترقية والتعيين المؤسسي (مثل النقاط الممنوحة لنشورات Scopus)، يمكن للباحثين قياس الحوافز المالية التي تدفع سوء السلوك الأكاديمي.
• تحليل الاستراتيجية النوعية: تسمح مجموعة البيانات بدراسة استراتيجيات الإعلان، واستخدام اللغة، وكيفية تكيف مصانع الأوراق مع جهود المراقبة (مثل تغيير عناوين المقالات للتهرب من الكشف).

القيود:
تقتقت الدراسة إلى الإعلانات النصية فقط (باستثناء الوسائط المرئية)، وتعتمد على اختيار غير منهجي للقنوات، وتعاني من فجوات جغرافية وزمنية، ولا تربط حالياً بين الإعلانات والمقالات المنشورة نهائياً (وهي مهمة صعبة لأن مصانع الأوراق غالباً ما تغير تفاصيل المخطوطة بعد الإعلان عنها).

الخلاصة

تمثل BuyTheBy مورداً تأسيسياً للمجتمع العلمي للانتقال من الفهم القائم على الملاحظات العابرة إلى التحليل القائم على البيانات للاحتيال الأكاديمي. ومن خلال جعل "سعر السوق" للنزاهة الأكاديمية شفافاً، فإنها توفر أداة جديدة للكشف عن منظومة مصانع الأوراق، وفهمها، وربما تعطيلها.