Publicado en The Scholarly Kitchen
https://scholarlykitchen.sspnet.org/2026/07/14/open-science-2-0-building-understanding-in-an-ai-mediated-world/?informz=1&nbd=567d61ec-36ea-4197-85eb-43e2bd36d175&nbd_source=informz
Ciencia abierta 2.0: construir la comprensión en un mundo mediado por la IA
Por Ashutosh Ghildiyal, Maria Machado y Gareth Dyke
14 de julio de 2026
Nota del editor: La publicación de hoy fue escrita por Ashutosh Ghildiyal, integrante de The Scholarly Kitchen, Maria Machado y Gareth Dyke. Maria es fisióloga y posteriormente se convirtió en consultora; ayuda a los científicos a transmitir el mensaje central obtenido de sus datos y a difundir rápidamente nuevos conocimientos. Gareth es consultor especializado en mercados académicos y redes de investigadores en China y Asia Central, además de cofundador de Sci-Train.
En la actualidad, la investigación es más abierta que en cualquier otro momento de la historia: puede leerse gratuitamente, se distribuye ampliamente y tiene un alcance cada vez más global. Sin embargo, la apertura nunca fue el objetivo último. El objetivo era el descubrimiento, la comprensión, la aplicación y el progreso.
En un entorno informativo mediado por la IA, en el que se accede cada vez más a la investigación mediante respuestas sintetizadas, en lugar de interactuar directamente con el registro académico, alcanzar esos resultados exige algo más que apertura. Por consiguiente, la Ciencia Abierta 2.0 debe centrarse no solo en el acceso, sino también en la confianza, la interpretación, el aprendizaje y la comunicación eficaz.
El desafío al que se enfrenta el ecosistema de la publicación académica consiste en garantizar que aquello que es abierto también sea confiable, comprensible y verdaderamente útil. Superar este desafío requiere una inversión deliberada en cuatro dimensiones interrelacionadas: apertura y acceso; confianza y verificabilidad; aprendizaje y desarrollo de conocimientos especializados; y comunicación e impacto más amplios.
Del acceso a la comprensión: la verdadera brecha
La lógica fundamental de la ciencia abierta era sencilla: eliminar el muro de pago y el conocimiento fluiría libremente. En efecto, facilitó que quienes buscaban conocimiento pudieran encontrarlo o acceder a él. Sin embargo, partía del supuesto erróneo de que el acceso y la comprensión avanzan conjuntamente, y de que poner la investigación a disposición de las personas equivale a hacerla utilizable.
La IA agudiza esta tensión simultáneamente en ambas direcciones. Por una parte, mejora de manera drástica la capacidad de descubrimiento, ya que permite a los usuarios localizar investigaciones pertinentes con mayor rapidez que cualquier interfaz de búsqueda tradicional. Por otra, el descubrimiento mediado por IA abstrae el trabajo subyacente y comprime los matices y la incertidumbre en resultados sintetizados que son eficientes, pero no siempre completos, contextualizados ni examinados críticamente.
Cada vez con mayor frecuencia, los investigadores, los profesionales clínicos, los responsables de formular políticas y los integrantes del público no leerán artículos: formularán preguntas y recibirán respuestas.
Consideremos el caso de un médico que busca orientación terapéutica para una enfermedad poco frecuente. Un sistema de IA puede sintetizar cientos de estudios en cuestión de segundos y generar una recomendación plausible. Sin embargo, lo que el médico necesita en última instancia no es simplemente una respuesta, sino comprender la solidez de la evidencia, las áreas de incertidumbre y los límites del conocimiento actual. El desafío ya no consiste en localizar la información, sino en saber cuánta confianza debe depositarse en ella y cómo aplicarla responsablemente.
Un responsable de formular políticas que consulte un sistema de descubrimiento habilitado por IA sobre adaptación climática, o un profesional clínico que busque orientación acerca de una opción terapéutica, puede recibir una síntesis útil de la evidencia disponible sin llegar a conocer las incertidumbres, las limitaciones metodológicas, las interpretaciones contrapuestas o los debates no resueltos presentes en la investigación subyacente.
Aunque el artículo sigue siendo el registro autorizado, y conserva intacta su función como instrumento de validez y de reivindicación de prioridad, ya no constituye la interfaz principal mediante la cual se experimenta la ciencia. El acceso sin interpretabilidad deja un sistema de conocimiento que es formalmente abierto, pero funcionalmente opaco para muchos de sus beneficiarios previstos. La siguiente etapa de la ciencia abierta debe afrontar esta realidad.
1. Apertura y acceso: los fundamentos se mantienen y deben ampliarse
El acceso abierto continúa siendo esencial. Las investigaciones disponibles gratuitamente se indexan e integran en los sistemas de IA con mayor facilidad que los contenidos situados detrás de muros de pago, y el argumento de equidad en favor de la apertura sigue siendo tan convincente como siempre.
Sin embargo, el alcance de lo que significa «abierto» está ampliándose: los datos abiertos, los métodos abiertos, la revisión por pares abierta y los metadatos abiertos de las citas forman parte de una infraestructura más rica de transparencia.
También lo son las licencias y la disponibilidad estructurada de los contenidos académicos para su integración responsable en la IA, una conversación que la comunidad editorial está abordando activamente, y con razón. El objetivo no consiste simplemente en aparecer en los resultados generados por la IA, sino en garantizar que estos remitan a fuentes confiables, debidamente atribuidas y revisadas por pares, y que el valor de la investigación rigurosa siga siendo visible dentro de los sistemas de IA.
2. Confianza y verificabilidad: el nuevo imperativo
Una de las consecuencias más significativas del acceso mediado por IA es la transformación de la manera en que se estructura la responsabilidad en la comunicación científica.
Cuando las revistas, las editoriales, los periodistas científicos y los comunicadores institucionales funcionaban como los canales principales mediante los cuales la investigación llegaba al público, estos actores ejercían un criterio editorial: decidían qué debía amplificarse, cómo debía presentarse y qué contexto debía proporcionarse.
Sin embargo, en un entorno mediado por IA, esa estructura de responsabilidad se vuelve difusa. Ningún actor por sí solo —ni el organismo financiador, ni la editorial, ni el comunicador científico— determina cómo se presenta un hallazgo al usuario. Esa función la desempeña el sistema de IA, configurado por sus datos de entrenamiento, sus decisiones de diseño y la consulta formulada; y ya hemos señalado que desconocemos cómo toman decisiones estos sistemas.
El resultado es un panorama de comunicación en el que el juicio contextual que exige una comunicación científica responsable no tiene una ubicación evidente.
En este punto, es importante aclarar que no se trata de un argumento nostálgico. Es un argumento en favor de invertir de manera proactiva en las señales de las que dependen los sistemas de IA para representar con precisión la investigación:
metadatos de alta calidad;
contenidos estructurados;
etiquetado contextual;
procedencia claramente identificada.
La confianza en un entorno de conocimiento mediado por IA no se hereda de las estructuras de reputación anteriores; debe incorporarse activamente a la infraestructura. En este sentido, las editoriales y las bibliotecas ocupan una posición privilegiada para asumir el liderazgo.
3. Aprendizaje y desarrollo de conocimientos especializados: la inversión previa
El debate sobre la IA y las prácticas de investigación suele centrarse en lo que ocurre en el momento de la consulta: cómo se evalúan los resultados y cómo se aplican las respuestas. Sin embargo, lo que sucede antes de que un investigador escriba una pregunta en una interfaz de IA puede ser más importante que todo lo que ocurre después.
El uso eficaz de la IA como herramienta de investigación depende de una capacidad previa: la facultad de reflexionar cuidadosamente sobre qué pregunta formular, qué supuestos contiene y qué clase de evidencia podría responderla verdaderamente.
Un investigador con profundos conocimientos especializados se aproxima a una interfaz de IA de manera muy diferente a un principiante: formula consultas más precisas, evalúa los resultados con mayor fiabilidad y cuenta con un marco de referencia para poner a prueba respuestas que parecen plausibles, pero que son incompletas.
Una idea equivocada frecuente es que la IA reduce la necesidad de conocimientos especializados porque facilita el acceso al conocimiento. En realidad, puede ocurrir lo contrario. A medida que la recuperación de información se vuelve más sencilla, aumenta el valor del juicio.
Cuando la información es abundante y las respuestas están fácilmente disponibles, la capacidad de formular preguntas significativas, evaluar críticamente la evidencia, reconocer la incertidumbre y aplicar adecuadamente el conocimiento adquiere todavía mayor importancia. La IA modifica la interfaz con la ciencia, pero no elimina la necesidad de conocimientos especializados humanos.
Este tipo de formación intelectual se construye mediante prácticas que se encuentran sometidas a presión en el entorno actual: la interacción prolongada con trabajos académicos extensos, la lectura profunda que da prioridad a la comprensión por encima de la recuperación de información y la construcción gradual de un punto de vista mediante el encuentro con fuentes múltiples y contradictorias.
Estas son precisamente las prácticas que la IA desplaza con mayor eficiencia. Los costos cognitivos a largo plazo también son reales, aunque resulten menos visibles de inmediato.
Las instituciones y las bibliotecas tienen aquí una responsabilidad particular. A nuestro juicio, la evolución de los programas de alfabetización informacional —más allá de la evaluación de fuentes y la gestión de citas, y orientada hacia el cultivo activo de los hábitos intelectuales que permiten a los investigadores utilizar adecuadamente las herramientas de IA— constituye una inversión prospectiva en capacidad epistémica.
La lectura profunda y la interacción sostenida no son mecanismos de recuperación de información; son mecanismos para generar comprensión. Esta distinción es importante y merece protección institucional.
La inversión en contenidos de síntesis más extensos, incluidos los artículos de revisión, las monografías cuidadosamente estructuradas y las obras colectivas editadas, es ahora todavía más importante. Estos formatos respaldan la infraestructura cognitiva de la que depende el pensamiento riguroso en la investigación, y su valor no debe subestimarse en una época dominada por formatos más breves y rápidos.
Estos materiales suelen constituir la base sobre la que se redactan editoriales y artículos de opinión, cuyo propósito es resultar mucho más accesibles para los públicos no especializados. La integración de contenidos en lenguaje claro, resúmenes visuales y formatos preparados para la formulación de políticas en los flujos editoriales habituales se vuelve esencial.
En última instancia, los organismos financiadores quizá dispongan de la mayor capacidad de influencia sistémica. Convertir los planes de comunicación en un componente habitual y sustantivo del diseño de la investigación —en lugar de tratarlos como un requisito secundario que se cumple marcando una casilla— y desarrollar métricas que reflejen un alcance comunicativo auténtico, junto con la calidad de la traducción del conocimiento, enviarían señales poderosas acerca de lo que valora el ecosistema.
Sería transformador apoyar el desarrollo de capacidades de comunicación en toda la comunidad investigadora y reconocer al sector profesional de la comunicación científica como beneficiario legítimo de esa inversión.
4. Comunicación e impacto más amplios: una responsabilidad compartida
Un artículo científico y una pieza de comunicación científica son contenidos fundamentalmente diferentes.
El artículo establece qué se hizo, cómo se hizo y con qué resultados; exige la interpretación y el juicio de los propios autores, permite el escrutinio por pares, respalda la reproducibilidad y sustenta las reivindicaciones de prioridad.
Nunca tuvo como propósito explicar a un profesional clínico por qué un hallazgo debería modificar la práctica, ayudar a un responsable de formular políticas a comprender el peso de la evidencia detrás de una cuestión regulatoria o proporcionar a un público interesado una idea significativa de lo que realmente intenta lograr un programa de investigación.
Los propios investigadores necesitarán cada vez más habilidades de comunicación en lenguaje claro. La capacidad de expresar de manera accesible la importancia del trabajo propio sin sacrificar la precisión no constituye una forma inferior de labor académica.
En muchos aspectos, es una tarea más difícil, porque requiere una contextualización y una visión a largo plazo de las implicaciones sociales que la escritura técnica no exige. Capacitar a los investigadores en estas habilidades y valorarlas institucionalmente junto con los indicadores convencionales de publicación figura entre las inversiones más productivas que puede realizar el ecosistema académico.
Al mismo tiempo, no todos los investigadores son —ni necesitan ser— comunicadores consumados, y esperar lo contrario establece un estándar poco realista.
Los comunicadores científicos profesionales y los periodistas científicos continúan siendo indispensables. Aportan habilidades especializadas en narrativa, comprensión de las audiencias y contextualización crítica que la mayoría de los investigadores no cuenta con la formación ni con el tiempo necesario para desarrollar.
A medida que aumenta el volumen de la producción científica y se vuelve más frecuente la síntesis mediada por IA, crece el riesgo de simplificación excesiva y tergiversación. Por ello, los intermediarios humanos especializados adquieren mayor valor, no menor. Estos profesionales deben recibir apoyo, recursos y reconocimiento como parte esencial del ecosistema de la comunicación académica.
La IA puede ayudar a todas las personas que trabajan en comunicación científica mediante la generación de borradores de resúmenes, la identificación de explicaciones que presuponen demasiados conocimientos previos y la adaptación de contenidos a diferentes formatos y audiencias.
Sin embargo, el juicio acerca de qué debe destacarse, qué debe matizarse y qué necesita comprender realmente una audiencia determinada no puede delegarse únicamente en una herramienta, porque exige la participación de alguien que comprenda tanto la ciencia como al público.
Ciencia abierta 2.0: construir juntos la comprensión
El logro fundamental del movimiento de ciencia abierta —poner la investigación a disposición de las personas— era necesario y merece ser defendido. Sin embargo, la disponibilidad por sí sola nunca fue suficiente, y el entorno informativo mediado por IA ha hecho imposible ignorar esa insuficiencia.
La Ciencia Abierta 2.0 se define por una aspiración más amplia, que exige una inversión activa en infraestructura, habilidades y normas por parte de todos los actores del sistema: desde los estándares de metadatos que hacen que la investigación sea legible para la IA hasta la capacitación en comunicación que ayuda a investigadores y profesionales a traducir los hallazgos para las audiencias que los necesitan.
La IA continuará transformando la manera en que se accede a la investigación, se sintetiza y se aplica; esa transformación ya está muy avanzada. Sin embargo, el acceso no equivale a comprensión y, sin comprensión, no puede existir confianza.
Construir conjuntamente estos tres elementos —acceso, comprensión y confianza— mediante una verdadera comunidad de práctica que incluya a investigadores, comunicadores profesionales, editoriales, bibliotecarios y organismos financiadores constituye la oportunidad decisiva para la comunicación académica en la próxima década.
El futuro de la comunicación académica no estará determinado únicamente por la eficacia con la que abramos el conocimiento, sino por la eficacia con la que ayudemos a las personas a interpretarlo.
En una época en la que la información es abundante y está cada vez más mediada por la IA, el resultado más valioso de la ciencia abierta quizá no sea el acceso al conocimiento, sino la capacidad de comprenderlo lo suficiente como para actuar con sabiduría.
………………………………………………………………………
Open Science 2.0: Building Understanding in an AI-Mediated World
By Ashutosh Ghildiyal, Maria Machado, Gareth Dyke
Jul 14, 2026
Editor’s Note: Today’s post is by Scholarly Kitchen Chef Ashutosh Ghildiyal, Maria Machado, and Gareth Dyke. Maria is a physiologist turned consultant, helping scientists transmit the core message uncovered from their data and disseminate new knowledge quickly. Gareth is a consultant specializing in scholarly markets and researcher networks in China and Central Asia, and is a co-founder of Sci-Train.
Research is more open today than at any point in history: free to read, widely distributed, and increasingly global in scope. But open was never the ultimate goal. The goal was discovery, understanding, application, and progress. In an AI-mediated information environment, where research is increasingly accessed through synthesized answers rather than direct engagement with the scholarly record, achieving those outcomes requires more than openness alone. Therefore, Open Science 2.0 must focus not only on access, but also on trust, interpretation, learning, and effective communication. The challenge facing the scholarly publishing ecosystem is ensuring that what is open is also trustworthy, understandable, and genuinely useful. Overcoming that challenge requires deliberate investment across four interconnected dimensions: openness and access, trust and verifiability, learning and expertise development, and broader communication and impact.
GRÄFICA
From Access to Understanding: The Real Gap
The foundational logic of open science was straightforward: remove the paywall and knowledge flows freely. It did make stumbling upon or accessing knowledge easier for those looking for it. But it wrongly assumed that access and comprehension move together, that making research available is equivalent to making it usable. AI sharpens this tension in both directions simultaneously. On the one hand, it dramatically improves discoverability, since users can surface relevant research faster than with any traditional search interface. On the other hand, AI-mediated discovery abstracts away the underlying work, compressing nuance and uncertainty into synthesized outputs which are efficient but not always complete, contextualized, or critically examined. Increasingly, researchers, clinicians, policymakers, and members of the public will not read papers — they will ask questions and receive answers.
Consider a physician seeking treatment guidance for a rare condition. An AI system may synthesize hundreds of studies in seconds and produce a plausible recommendation. Yet, what the physician ultimately needs is not merely an answer, but an understanding of the strength of the evidence, areas of uncertainty, and the limits of current knowledge. The challenge is no longer locating information, but knowing how much confidence to place in it, and how to apply it responsibly.
A policymaker consulting an AI-enabled discovery system about climate adaptation, or a clinician seeking guidance on a treatment option, may receive a useful synthesis of the available evidence without ever encountering the uncertainties, methodological limitations, competing interpretations, or unresolved debates contained in the underlying research. While the article remains the authoritative record, with its function as an instrument of validity and priority claims intact, it is no longer the primary interface through which science is experienced. Access without interpretability leaves a knowledge system that is formally open but functionally opaque to many of its intended beneficiaries. The next phase of open science must grapple with this reality.
GRÄFICA
1. Openness and Access: The Foundation Holds and Needs Extending
Open access remains essential. Freely available research is more readily indexed and integrated into AI systems than content behind paywalls, and the equitable argument for openness is as compelling as ever. But the scope of what “open” means is expanding — open data, open methods, open peer review, and open citation metadata are all part of a richer infrastructure of transparency. So too are the licensing and structured availability of scholarly content for responsible AI integration, a conversation the publishing community is actively navigating, and rightly so. The goal is not simply to appear in AI outputs but to ensure those outputs lead back to credible, properly attributed, peer-reviewed sources, and that the value of rigorous scholarship remains visible within AI systems.
2. Trust and Verifiability: The New Imperative
One of the most significant consequences of AI-mediated access is the transformation of how accountability for science communication is structured. When journals, publishers, science journalists, and institutional communicators served as the primary channels through which research reached audiences, those actors exercised editorial judgment, deciding what to amplify, how to frame it, and what context to provide. However, in an AI-mediated environment, that structure of accountability becomes diffuse. No single actor (not the funder, not the publisher, not the science communicator) determines how a finding is presented to a user. This is done by the AI system, shaped by its training data, its design choices, and the query posed; and we have already said that we don’t know how these systems make decisions. The result is a communication landscape in which the contextual judgment that responsible science communication requires has no obvious home.
Here, it is important to say this is not an argument for nostalgia. It is an argument for proactively investing in the signals that AI systems depend on to represent research accurately:
high-quality metadata,
structured content,
contextual tagging, and
clear provenance.
Trust in an AI-mediated knowledge environment is not inherited from prior reputational structures, it has to be actively built into the infrastructure. So, publishers and libraries are uniquely positioned to lead here.
3. Learning and Expertise Development: The Upstream Investment
Discussion of AI and research practice tends to focus on what happens at the moment of query, how results are evaluated and how outputs are applied. But what happens before a researcher types a question into an AI interface may matter more than anything that follows. Effective use of AI as a research tool depends on a prior capacity — the ability to think carefully about what question to ask, what assumptions it encodes, and what kind of evidence would genuinely answer it. A researcher with deep domain knowledge approaches an AI interface very differently from a novice, with more precisely formed queries, more reliable evaluation of outputs, and a framework against which to test plausible-sounding but incomplete answers. A common misconception is that AI reduces the need for expertise because it makes knowledge easier to access. In reality, the opposite may be true. As retrieval becomes easier, the value of judgment increases. When information is abundant and answers are readily available, the ability to ask meaningful questions, evaluate evidence critically, recognize uncertainty, and apply knowledge appropriately becomes even more important. AI changes the interface with science, but it does not eliminate the need for human expertise.
This kind of intellectual formation is built through practices that are under pressure in the current environment, namely extended engagement with long-form scholarship, deep reading that prioritizes comprehension over retrieval, and the gradual construction of a point of view through encounters with multiple and conflicting sources. These are precisely the practices that AI most efficiently displaces. The longer-term cognitive costs are also real, if less immediately visible. Institutions and libraries have a particular responsibility here. In our view, evolving information literacy programs – beyond source evaluation and citation management, toward the active cultivation of the intellectual habits that allow researchers to use AI tools well – are a forward-looking investment in epistemic capacity. Deep reading and sustained engagement are not retrieval mechanisms, they are insight mechanisms. This distinction matters, and it deserves institutional protection.
Investment in longer-form synthesis content, including review articles, carefully structured monographs, and edited collections, matters even more now. These formats support the cognitive infrastructure on which serious research thinking depends, and their value should not be underestimated at a time when shorter, faster formats dominate. These often form the basis upon which editorials and opinion pieces are written, which are meant to be much more accessible to non-specialists. Integrating plain-language outputs, visual abstracts, and policy-ready formats into standard editorial workflows becomes essential.
Ultimately, funders have perhaps the greatest systemic leverage. Making communication plans a standard and substantive component of research design (rather than a box-checking afterthought), and developing metrics that capture genuine communicative reach (alongside the quality of knowledge translation) would send powerful signals about what the ecosystem values. Transformative would be to support the development of communication capacity across the research community, and recognize the professional science communication sector as a legitimate beneficiary of that investment.
4. Broader Communication and Impact: A Shared Responsibility
A scientific article and a piece of science communication are fundamentally different content. The article establishes what was done, how, with what result, requiring the authors’ own interpretation and judgment, enabling peer scrutiny, supporting reproducibility, and anchoring priority claims. It was never meant to explain to a clinician why a finding should change practice, help a policymaker understand the weight of evidence behind a regulatory question, or give an engaged public a meaningful sense of what a research program is actually trying to achieve. Researchers themselves will increasingly need plain-language communication skills. The ability to articulate the significance of one’s work accessibly, without sacrificing accuracy, is not a lesser form of scholarship. In many respects, it is the harder one, requiring contextual framing and a long-term vision of societal implications that technical writing does not demand. Training researchers in these skills, and valuing them institutionally alongside conventional publication metrics, is among the most productive investments the scholarly ecosystem can make.
At the same time, not every researcher is, or needs to be, an accomplished communicator, and expecting otherwise sets an unrealistic bar. Professional science communicators and science journalists remain indispensable. They bring specialized skills in narrative, audience understanding, and critical contextualization that most researchers have neither the training nor the bandwidth to develop. As the volume of research output grows and AI-mediated synthesis becomes more prevalent, the risk of oversimplification and misrepresentation increases, making skilled human intermediaries more valuable, not less. These professionals should be supported, resourced, and recognized as a core part of the scholarly communication ecosystem.
AI can assist everyone in scicomms work by generating draft summaries, identifying where explanations assume too much prior knowledge, and adapting content for different formats and audiences. New tools that produce infographics and visual abstracts from prompts based on the research article, together with text to video tools and the integration of animations and “cartoonification” convey the message with appeal and immediacy. But the judgment about what to emphasize, what to qualify, and what a particular audience genuinely needs to understand cannot be delegated to a tool alone, as it requires someone who understands both the science and the audience.
Open Science 2.0: Building Understanding Together
The open science movement’s foundational achievement, making research available, was necessary and worth defending. But availability alone was never sufficient, and the AI-mediated information environment has made that insufficiency impossible to ignore. Open Science 2.0 is defined by a broader ambition which requires active investment in infrastructure, skills, and norms across every actor in the system, from the metadata standards that make research legible to AI, to the communication training that helps researchers and professionals translate findings for the audiences that need them. AI will continue to reshape how research is accessed, synthesized, and applied; that transformation is already well underway. But access is not understanding, and without understanding there can be no trust. Building all three, together, across a genuine community of practice that includes researchers, professional communicators, publishers, librarians, and funders, is the defining opportunity for scholarly communication in the decade ahead. The future of scholarly communication will be shaped not simply by how effectively we open knowledge, but by how effectively we help people make sense of it. In an age where information is abundant and increasingly mediated by AI, the most valuable outcome of open science may not be access to knowledge, but the ability to understand it well enough to act wisely.
Ashutosh Ghildiyal
Ashutosh Ghildiyal is Vice President of Growth, Strategy & Brand at Integra, where he leads marketing, brand, and growth initiatives focused on expanding upstream publishing services, including AI-assisted manuscript screening, peer review, and research integrity solutions. His work centers on shaping Integra’s brand as a trusted, future-ready partner in scholarly publishing by articulating value, strengthening market presence, and building meaningful connections with the global research community.
View All Posts by Ashutosh Ghildiyal
Maria Machado
Dr. Maria Machado is a physiologist turned consultant. She has explored different formats of peer review and attempts to bridge the gap between researchers, the academic publishing industry, and society at large. Maria has broad experience in helping scientists transmit the core message uncovered from their data and disseminate new knowledge quickly. She has worked with Bio-Protocol, Editage, and Enago to suggest revisions before Reviewer 2 demands them. Maria also writes blogs, teaches courses, and has recently become the Editor for Scientia, which enables researchers worldwide to share their work with a wider audience.
View All Posts by Maria Machado
Gareth Dyke
Dr. Gareth Dyke is an accomplished researcher, author, and journal manager with over 380 peer-reviewed publications. With extensive experience bridging academia and publishing, he has worked with Charlesworth, TopEdit, Edanz, Springer Nature, Reviewer Credits, and 4Evolution. He is a Consultant specialising in scholarly markets and researcher networks in China and Central Asia, and is a co-founder of Sci-Train. Holding a PhD from the University of Bristol, he has held faculty positions at University College Dublin and the University of Southampton, and in Beijing and Chengdu, China. Gareth is also an experienced educator, delivering global researcher training sessions and collaborating with institutions across Europe and Asia.
View All Posts by Gareth Dyke
