Acerca de la API:
La API de Comparación de Textos de Papermill es una herramienta diseñada para ayudar a detectar casos de posible mala conducta en la publicación académica. Compara los artículos enviados con una base de datos de artículos enviados previamente, conocida como "productos-papermill", para identificar similitudes y alertar a los usuarios sobre posibles instancias de plagio u otras formas de mala conducta.
Una nota importante es que la salida de esta API no debe considerarse como evidencia de mala conducta. En cambio, sirve como una herramienta útil para señalar problemas potenciales que requieren una investigación más profunda.
La API toma los metadatos del artículo como entrada y clasifica los artículos en tres categorías: roja, naranja y verde. Una clasificación "roja" significa que el artículo de consulta es muy similar a trabajos anteriores de papermill, mientras que una clasificación "naranja" indica que hay algún grado de similitud. Una clasificación "verde" significa que no se conocen trabajos pasados de papermill similares.
La API de Comparación de Textos de Papermill puede ser utilizada por editores académicos, universidades y otras organizaciones para ayudar a garantizar la integridad de sus publicaciones de investigación. Al identificar posibles instancias de mala conducta desde el principio, la API puede ayudar a prevenir que problemas como el plagio pasen desapercibidos.
Vale la pena señalar que la API debe usarse como una herramienta dentro de un conjunto más amplio de medidas para garantizar la integridad de las publicaciones académicas. Aunque la API puede ayudar a detectar problemas potenciales, no puede reemplazar la necesidad de una revisión por pares exhaustiva y otras formas de control de calidad.
En general, la API de Comparación de Textos de Papermill es una herramienta valiosa para editores académicos, investigadores y otros interesados en la comunidad académica. Al proporcionar alertas para envíos potencialmente problemáticos, la API puede ayudar a garantizar la integridad y calidad de las publicaciones de investigación.
Envía cualquier texto que desees analizar.
La API de Comparación de Textos de Papermill toma los metadatos del artículo como entrada y clasifica los artículos en 'rojo', 'naranja' y 'verde'.
'rojo' significa que hay trabajos anteriores de papermill que son muy similares al artículo de consulta.
'naranja' significa que hay trabajos anteriores de papermill que son un poco similares.
'verde' significa que no se conocen trabajos anteriores de papermill similares.
Editores Académicos: Los editores académicos pueden usar la API de Comparación de Textos de Papermill para verificar similitudes entre los trabajos enviados y las obras publicadas anteriormente en su base de datos. La API puede ayudar a los editores a identificar casos de plagio y otras formas de mala conducta.
Universidades: Las universidades pueden usar la API para verificar similitudes entre trabajos de estudiantes y envíos anteriores en sus propias bases de datos, así como en bases de datos externas como las que utilizan los editores académicos.
Institutos de Investigación: Los institutos de investigación pueden usar la API para verificar similitudes entre propuestas de investigación y obras publicadas anteriormente. Esto puede ayudar a garantizar que las propuestas de investigación sean originales y no simplemente una repetición de trabajos publicados previamente.
Editores de Revistas: Los editores de revistas pueden usar la API para verificar similitudes entre trabajos enviados y obras publicadas anteriormente en sus revistas. Esto puede ayudar a asegurar que la revista publique solo investigación original.
Financiadores de Investigación: Los financiadores de investigación pueden usar la API para verificar similitudes entre propuestas de investigación y obras publicadas anteriormente. Esto puede ayudar a garantizar que los fondos de la subvención no se utilicen para repetir trabajos publicados anteriormente y que se utilicen para investigación original.
Además de las limitaciones en las llamadas a la API por mes, existe una limitación de:
- 10 solicitudes por día en el Plan Básico.
La API de Comparación de Textos de Papermill es un sistema que te alerta cuando un artículo es similar a productos anteriores de papermill. Como tal, la salida de esta API no debe considerarse como 'evidencia' de mala conducta. En cambio, la salida es una alerta que puede ayudarte a encontrar casos de mala conducta.
El PTC toma los metadatos del artículo como entrada y clasifica los artículos en 'rojo', 'naranja' y 'verde'.
'rojo' significa que hay artículos anteriores de papermill que son muy similares al artículo de consulta.
'naranja' significa que hay artículos anteriores de papermill que son un poco similares.
'verde' significa que no se conocen artículos anteriores de papermill similares.
El propósito de este método es solo mostrar la probabilidad de que un artículo provenga de un papermill y actualmente está limitado a casos en ciencias biomédicas donde los papermills ya han producido grandes cantidades de artículos similares.
Publicación de Documentos - Características del Endpoint
| Objeto | Descripción |
|---|---|
Cuerpo de la Solicitud |
[Requerido] Json |
{"message": [{"id": "retracted_article_id2", "title": "Silencing circANKRD36 protects H9c2 cells against lipopolysaccharide-induced injury via up-regulating miR-138", "abstract": "Background: Myocarditis refers to the inflammatory process that affects the muscle tissue of the heart. Persistent myocardial inflammation promotes myocardial cell damage, which ultimately leads to heart failure or death. Therefore, we aimed to explore the functional impacts of circANKRD36 on myocarditis. Methods: H9c2 cells were pre-treated with lipopolysaccharide (LPS). Viability and apoptosis were evaluated utilizing CCK-8 assay and flow cytometry. Inflammatory cytokines mRNA expression and production were assessed by qRT-PCR and ELISA. Western blot was utilized to distinguish apoptosis and inflammatory related factors expression. Sequentially, the above mentioned parameters were reassessed when overexpressed miR-138. Results: LPS declined viability and as well as raised apoptosis and inflammatory injury in H9c2 cells. Silencing circular RNA ANKRD36 (si-circANKRD36) alleviated apoptosis and inflammatory injury induced by LPS. MiR-138 expression was suppressed by LPS and elevated by si-circANKRD36. Increase of viability and inflammatory injury induced by si-circANKRD36 was alleviated by down-regulation of miR-138. Eventually, si-circANKRD36 inhibited p38MAPK/NF-\u03baB pathway which activated by LPS via up-regulating miR-138. Conclusion: Si-circANKRD36 exerted its anti-apoptosis and anti-inflammatory function under the condition of LPS in H9c2 cells through p38MAPK/NF-\u03baB pathway and up-regulation of miR-138.", "message": {"status": "red", "message": "This article is highly similar to other papers which are believed to have originated from paper-mills. This does not necessarily mean that this paper originated in a paper-mill. We recommend taking special care to check that this paper meets your criteria for consideration before peer-review."}}], "status_code": 200}
curl --location --request POST 'https://zylalabs.com/api/1915/papermill+text+comparison+api/1621/document+posting' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"id": "retracted_article_id2",
"title": "Silencing circANKRD36 protects H9c2 cells against lipopolysaccharide-induced injury via up-regulating miR-138",
"abstract": "Background: Myocarditis refers to the inflammatory process that affects the muscle tissue of the heart. Persistent myocardial inflammation promotes myocardial cell damage, which ultimately leads to heart failure or death. Therefore, we aimed to explore the functional impacts of circANKRD36 on myocarditis. Methods: H9c2 cells were pre-treated with lipopolysaccharide (LPS). Viability and apoptosis were evaluated utilizing CCK-8 assay and flow cytometry. Inflammatory cytokines mRNA expression and production were assessed by qRT-PCR and ELISA. Western blot was utilized to distinguish apoptosis and inflammatory related factors expression. Sequentially, the above mentioned parameters were reassessed when overexpressed miR-138. Results: LPS declined viability and as well as raised apoptosis and inflammatory injury in H9c2 cells. Silencing circular RNA ANKRD36 (si-circANKRD36) alleviated apoptosis and inflammatory injury induced by LPS. MiR-138 expression was suppressed by LPS and elevated by si-circANKRD36. Increase of viability and inflammatory injury induced by si-circANKRD36 was alleviated by down-regulation of miR-138. Eventually, si-circANKRD36 inhibited p38MAPK/NF-κB pathway which activated by LPS via up-regulating miR-138. Conclusion: Si-circANKRD36 exerted its anti-apoptosis and anti-inflammatory function under the condition of LPS in H9c2 cells through p38MAPK/NF-κB pathway and up-regulation of miR-138."
}'
| Encabezado | Descripción |
|---|---|
Autorización
|
[Requerido] Debería ser Bearer access_key. Consulta "Tu Clave de Acceso a la API" arriba cuando estés suscrito. |
Sin compromiso a largo plazo. Mejora, reduce o cancela en cualquier momento. La Prueba Gratuita incluye hasta 50 solicitudes.
La API devuelve una clasificación del artículo enviado basada en su similitud con trabajos pasados de papermill. Las clasificaciones son 'rojo' (alta similitud), 'naranja' (alguna similitud) y 'verde' (sin trabajos similares conocidos). Además, proporciona metadatos sobre artículos similares, incluyendo títulos y resúmenes.
Los campos clave en los datos de respuesta incluyen 'id' (identificador del artículo similar), 'title' (título del artículo similar) y 'abstract' (resumen del artículo similar). Estos campos ayudan a los usuarios a entender el contexto de las similitudes.
Los datos de respuesta están estructurados como un objeto JSON que contiene un arreglo 'message'. Cada entrada en el arreglo representa un artículo similar, con campos para 'id', 'título' y 'resumen', lo que permite a los usuarios analizar y utilizar fácilmente la información.
La API proporciona información sobre la similitud de los artículos enviados con trabajos previamente publicados, incluidas clasificaciones de similitud y detalles sobre los artículos que son similares. Esto ayuda a los usuarios a identificar posibles infracciones.
La API compara los artículos enviados con una base de datos de trabajos enviados previamente, conocida como "productos de fábricas de papel". Esta base de datos incluye obras principalmente en ciencias biomédicas, donde las fábricas de papel han producido numerosos artículos similares.
Los usuarios pueden personalizar sus solicitudes proporcionando metadatos específicos del artículo como entrada. Estos metadatos pueden incluir el título, los autores y el resumen del artículo que se está analizando, lo que permite comparaciones personalizadas contra la base de datos.
Los casos de uso típicos incluyen editores académicos que verifican la originalidad de los trabajos presentados, universidades que verifican las entregas de los estudiantes y financiadores de investigaciones que aseguran que las propuestas de subvenciones sean únicas. Estas aplicaciones ayudan a mantener la integridad del trabajo académico.
Los usuarios pueden utilizar los datos devueltos analizando la clasificación y revisando los detalles de artículos similares. Una clasificación 'roja' puede indicar la necesidad de una investigación adicional, mientras que 'verde' indica originalidad, ayudando en la toma de decisiones para la publicación o el financiamiento.
Nivel de Servicio:
100%
Tiempo de Respuesta:
250ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
127ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
388ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
263ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
1.571ms
Nivel de Servicio:
83%
Tiempo de Respuesta:
191ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
393ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
393ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
381ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
1.002ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
16ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
12.606ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
15.406ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
16ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
17ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
279ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
8.434ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
9.827ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
1.732ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
592ms