domingo, 13 de septiembre de 2026

1/3 de la búsqueda de información científica se hace a través de la IA y no de la consulta de las fuentes primarias

Publicado en Research information
https://www.researchinformation.info/news/ai-now-mediates-a-third-of-scholarly-information-discovery-study-finds/






La IA ya interviene en un tercio del descubrimiento de información académica, según un estudio

16 de julio de 2026

Un tercio del descubrimiento de información académica ya está mediado por la inteligencia artificial, y muchos investigadores desconocen hasta qué punto la IA está influyendo en su visión de la literatura científica.

Estos hallazgos proceden de la primera fase de Taming the Crocodile, un importante estudio del sector realizado por Kudos, que combina encuestas a 11,500 investigadores y 200 bibliotecarios con un análisis del entorno basado en más de 300 fuentes. El informe de la Fase I ya fue entregado a los patrocinadores e incluye análisis, recomendaciones y una hoja de ruta estratégica para editoriales, bibliotecarios y proveedores tecnológicos que buscan responder al rápido crecimiento del descubrimiento de información impulsado por IA.

Entre los hallazgos más relevantes del informe se encuentra que uno de cada diez investigadores comienza ahora su búsqueda de información directamente en herramientas de IA, mientras que otro 25 % empieza en motores de búsqueda generales, donde las respuestas generadas por inteligencia artificial están cada vez más integradas. Este cambio es todavía más pronunciado entre los investigadores en etapas iniciales de su carrera y quienes trabajan en entornos corporativos, donde se duplica la proporción de personas que comienzan sus búsquedas mediante herramientas de IA.

El estudio también pone de relieve una falta generalizada de comprensión sobre el papel que actualmente desempeña la IA en el descubrimiento académico. Según los resultados, el 40 % de los investigadores cree que las síntesis generadas por IA en los motores de búsqueda fueron creadas o seleccionadas por seres humanos, porcentaje que se eleva al 46 % entre los estudiantes. Los bibliotecarios informaron que los usuarios solicitan cada vez con mayor frecuencia artículos que no existen, tras haber sido dirigidos hacia referencias inventadas o «alucinadas» por sistemas de inteligencia artificial.

El informe sugiere que el auge del descubrimiento mediado por IA podría estar afectando ya las métricas tradicionales de interacción con los contenidos académicos. Los bibliotecarios señalaron una disminución en el uso de fuentes primarias a medida que cambian los comportamientos de búsqueda, y muchos expresaron su preocupación por el hecho de que las decisiones de adquisición de suscripciones sigan dependiendo en gran medida de las métricas de uso.

Al mismo tiempo, los bibliotecarios indicaron que desean que las editoriales desempeñen un papel más activo para garantizar que los contenidos académicos estén representados con precisión en los sistemas de IA. El informe encontró un fuerte respaldo a una mayor transparencia sobre la relación de las editoriales con la inteligencia artificial y a la adopción de enfoques cuidadosamente diseñados para otorgar licencias de contenidos destinados al entrenamiento de IA y a consultas realizadas por agentes.

Una de las recomendaciones más claras surgidas de la investigación es la necesidad de que las editoriales produzcan contenidos estructurados y redactados en lenguaje sencillo, específicamente diseñados para facilitar su descubrimiento mediante IA. El informe señala que los especialistas en optimización para inteligencia artificial recomiendan de manera consistente desarrollar contenidos «preparados para responder», que expliquen con claridad la importancia y la relevancia de una investigación.

El informe de la Fase I incluye orientaciones sobre la optimización de contenidos para entornos de IA, mientras que la Fase II se centrará en desarrollar buenas prácticas sectoriales en materia de esquemas, metadatos y marcado, con el fin de mejorar la visibilidad y la atribución en sistemas de inteligencia artificial.

Entre las recomendaciones adicionales se incluyen métodos para comparar y evaluar la visibilidad en IA, materiales educativos para bibliotecarios e investigadores, orientaciones sobre optimización para motores generativos y sobre optimización de IA para motores de búsqueda, estrategias para mantener la visibilidad en China y enfoques para reposicionar a las editoriales como curadoras y administradoras del conocimiento, y no únicamente como distribuidoras de contenidos.

«Los hallazgos nos proporcionan a todos una base muy sólida para ayudar a adaptar la infraestructura de nuestro sector», declaró Emilie Delquié, directora de Producto y Éxito del Cliente de Silverchair, empresa patrocinadora del estudio.

«Esta es la primera base de evidencia que hemos visto que conecta la forma en que los investigadores realizan realmente sus búsquedas con lo que autores y editoriales deberían hacer al respecto», afirmó Shane Rydquist, vicepresidente asociado de Entrega y Soluciones de CACTUS Communications. «El hallazgo más importante es que los investigadores recurren a la IA, pero no confían en ella, y que la evidencia y una atribución clara son lo que genera tanto el clic como la cita. Ya estamos utilizando estos resultados para definir la manera en que ayudamos a los autores a lograr que sus trabajos sean descubribles y creíbles en un mundo mediado por la IA».

Dan Penny, director de Inteligencia de Mercado de Springer Nature, añadió: «El impacto acelerado e imprevisible de la IA en todos los aspectos de la comunicación académica hace indispensable mantenerse a la vanguardia. Todos debemos actuar con rapidez y responsabilidad a partir de estos hallazgos para garantizar que sigamos apoyando a los investigadores, a la comunidad en general y a la integridad de la comunicación académica».

La siguiente fase de Taming the Crocodile pasará del diagnóstico a la respuesta. Examinará el impacto del descubrimiento impulsado por IA sobre el uso y los ingresos de las editoriales, observará directamente el comportamiento de los investigadores y desarrollará estándares compartidos para los contenidos, el marcado y las señales legibles por máquina que los actores de la comunicación académica desean que los sistemas de IA incorporen, interpreten y atribuyan correctamente.

Puede obtenerse más información sobre el proyecto y el informe completo a través de Kudos.



………………………….

AI now mediates a third of scholarly information discovery, study finds

16 July 2026 


A third of scholarly information discovery is now being mediated by artificial intelligence, with many researchers unaware of the extent to which AI is shaping their view of the scientific literature.

These findings come from the first phase of Taming the Crocodile, a major industry study by Kudos that combines surveys of 11,500 researchers and 200 librarians with an environmental scan of more than 300 sources. The Phase I report has now been delivered to sponsors and includes analysis, recommendations and a strategic roadmap for publishers, librarians and technology providers responding to the rapid growth of AI-driven discovery.

Among the report’s most significant findings is that one in 10 researchers now begin their search for information directly in AI tools, while a further 25 per cent start with general search engines where AI-generated answers are increasingly embedded. The shift is even more pronounced among early-career researchers and those working in corporate environments, where the proportion beginning with AI tools doubles.

The study also highlights widespread misunderstanding about the role AI now plays in scholarly discovery. According to the findings, 40 per cent of researchers believe that AI-generated overviews in search engines have been created or curated by humans, rising to 46 per cent among students. Librarians reported that users are increasingly requesting articles that do not exist, having been directed to hallucinated references generated by AI systems.

The report suggests that the rise of AI-mediated discovery may already be affecting traditional measures of engagement with scholarly content. Librarians reported seeing declines in usage of primary sources as discovery behaviour changes, with many expressing concern that subscription purchasing decisions continue to be heavily influenced by usage metrics.

At the same time, librarians indicated that they want publishers to take a more active role in ensuring that scholarly content is represented accurately within AI systems. The report found strong support for greater transparency around publishers’ engagement with AI and thoughtful approaches to licensing content for AI training and agentic querying.

One of the clearest recommendations to emerge from the research is the need for publishers to create structured, plain-language content designed specifically for AI discovery. The report notes that AI optimisation specialists consistently recommend the development of “answer-ready” content that explains the importance and relevance of research in clear language.

The Phase I report includes guidance on content optimisation for AI environments, while Phase II will focus on developing industry best practice for schema, metadata and mark-up to improve AI visibility and attribution.

Additional recommendations include methods for benchmarking AI visibility, educational materials for librarians and researchers, guidance on generative engine optimisation and AI optimisation for search engines, strategies for maintaining visibility in China, and approaches to repositioning publishers as curators and stewards of knowledge rather than simply distributors of content.

“The findings give us all such a strong foundation to help adapt our industry infrastructure,” said Emilie Delquié, Chief Product & Customer Success Officer at Silverchair, which sponsored the study.

“This is the first evidence base we have seen that connects how researchers actually search to what authors and publishers should do about it,” said Shane Rydquist, Associate Vice President, Delivery and Solutions at CACTUS Communications. “The finding that matters most is that researchers rely on AI but do not trust it, and that evidence and clear attribution are what earn both the click and the citation. We are already using it to shape how we help authors make their work discoverable and credible in an AI-mediated world.”

Dan Penny, Head of Market Intelligence at Springer Nature, added: “The fast-moving and unpredictable impact of AI on all aspects of scholarly communication makes it essential to stay ahead. We all need to act quickly, and responsibly, on the findings here to ensure that we continue to support researchers, the wider community, and the integrity of scholarly communication.”

The next phase of Taming the Crocodile will move from diagnosis to response, examining the impact of AI-driven discovery on publisher usage and revenues, observing researcher behaviour directly, and developing shared standards for the content, mark-up and machine-readable signals that scholarly communication stakeholders want AI systems to ingest, interpret and attribute.

Further information about the project and the full report is available from Kudos.

viernes, 11 de septiembre de 2026

Ranking Shanghai: BRASIL lidera ampliamente con 14 universidades. México, Colombia y Chile: con 2. Argentina: 1

Publicado en Bloomberg en Línea
https://www.bloomberglinea.com/latinoamerica/las-21-mejores-universidades-de-latinoamerica-y-el-pais-que-lidera-en-2026-segun-el-shanghairanking/





Las 21 mejores universidades de Latinoamérica y el país que lidera en 2026, según el ShanghaiRanking

Las universidades públicas vuelven a destacar entre las mejores de la región, con Brasil a la cabeza, al concentrar 14 instituciones en el listado.


10 de septiembre, 2026




jueves, 10 de septiembre de 2026

DINAMARCA quiere prohibir los celulares en las escuelas tras resultados de prueba PISA

Publicado en El Economista
https://www.eleconomista.com.mx/internacionales/dinamarca-quiere-prohibir-celulares-escuelas-resultados-prueba-pisa-20260910-832874.html






Dinamarca quiere prohibir los celulares en las escuelas tras resultados de prueba PISA

El gobierno danés, que prohibirá el uso de las redes sociales a los menores de 15 años, quiere vetar también la presencia de teléfonos móviles en escuelas y centros de educación secundaria, anunció este jueves la primera ministra.

Por: AFP

Publicado: 10.09.2026 - 08:33
Actualizado: 10.09.2026 - 10:25

El gobierno danés, que prohibirá el uso de las redes sociales a los menores de 15 años, quiere vetar también la presencia de teléfonos móviles en escuelas y centros de educación secundaria, anunció este jueves la primera ministra.

"Este gobierno propone una prohibición total de los celulares", declaró Mette Frederiksen durante una rueda de prensa.

La prohibición
se aplicará tanto en las aulas como en los patios de recreo, precisó.

Afectará a los alumnos desde primero de primaria hasta el final de la educación secundaria.

El anuncio llegó poco después de que se conociera el último informe internacional PISA, según el cual los resultados de los jóvenes daneses se desploman.

Con una puntuación de 478, Dinamarca se sitúa justo por debajo de la media europea, de 482 puntos.

"Estoy convencida de que los resultados están estrechamente relacionados con el hecho de que, en Dinamarca, tenemos una de las infancias más conectadas", afirmó por su parte la jefa de gobierno.

"Los adultos hemos permitido que los niños y los jóvenes pasen demasiadas horas al día frente a una pantalla", lamentó Frederiksen.

 Su anterior gobierno ya había estudiado legislar sobre esta cuestión, pero el proyecto, que nunca llegó a debatirse en el Parlamento, simplemente contemplaba obligar a los consejos escolares a establecer normas para convertir sus centros en espacios libres de celulares.

  



miércoles, 9 de septiembre de 2026

La IA está arruinando la producción académica

Publicado en The Chronicle of Higher Education
https://www.chronicle.com/article/ai-is-ruining-scholarship 





La IA está arruinando la producción académica

Cuando delegamos la revisión de la literatura a los algoritmos, perdemos sectores enteros del conocimiento.

The Review | Ensayo
Por Mya Poe y Dylan B. Dryer
10 de agosto de 2026

Pregúntele hoy a cualquier editor de una revista académica sobre los efectos de la inteligencia artificial generativa en la publicación académica y tendrá mucho que contarle. No se trata únicamente de que el estilo de la IA resulte irritante (aunque lo es). Más allá del estilo sintácticamente plano, léxicamente rebuscado, artificioso y aburrido de los textos generados por IA, los editores de revistas están recibiendo manuscritos completos de revisión y reenvío (revise and resubmit) que, milagrosamente, han sido reelaborados en una sola noche. Y estamos siendo desbordados por los envíos. En congresos académicos recientes sobre lingüística aplicada y estudios de escritura, editores de revistas académicas informaron que sus tasas de recepción de manuscritos se han duplicado o incluso triplicado durante el último año. Todos esos trabajos escritos por máquinas todavía tienen que ser leídos y discutidos ante la posibilidad de que contengan algo valioso, y examinar toda esta basura desvía la atención de los editores de artículos con conjuntos de datos auténticos y verdaderas aportaciones humanas.

Entre los indicios reveladores a nivel de las oraciones y las inverosimilitudes a nivel del manuscrito, ahora podemos identificar un problema insidioso de nivel intermedio. Muchos artículos generados por IA presentan una revisión de la literatura caracterizada por referencias superficiales a tres o cuatro trabajos fundacionales del campo (a menudo de la década de 1980 y principios de la de 1990), seguidas de una serie de afirmaciones sobre la importancia del tema actual respaldadas por citas no integradas de entre 15 y 20 artículos publicados entre 2023 y 2026. Por lo general, no citan ningún trabajo publicado entre mediados de la década de 1990 y principios de la década de 2020. Hemos denominado a este fenómeno «el vacío intermedio» (the missing middle).

¿Por qué ocurre esto? Porque los modelos de IA generativa no pueden atravesar las barreras de acceso de las editoriales, recuperan artículos fundamentales que han sido subidos a internet y los combinan con enormes cantidades de preprints y artículos recientes de acceso abierto, muchos de ellos procedentes de revistas depredadoras. De ahí surge el vacío intermedio: trabajos que mencionan puntualmente artículos muy importantes de hace décadas y luego saltan hasta publicaciones muy recientes, sin hacer referencia alguna a la abundante literatura producida entre ambos períodos. Lo que tenemos es la apariencia superficial de una revisión exhaustiva de la producción académica relevante a lo largo del tiempo, pero sin una verdadera interacción con las múltiples líneas de investigación que conforman una disciplina académica moderna.

Lo que tenemos es la apariencia superficial de una revisión exhaustiva de la producción académica relevante a lo largo del tiempo, pero sin una verdadera interacción con ella.

Algunos signos reveladores de un artículo con «vacío intermedio» son los siguientes: no contiene citas textuales ni siquiera referencias a páginas específicas. No ofrece una narración matizada sobre cómo un campo pasó de aquellos trabajos fundacionales a su situación actual. No hay indicios de que el autor comprenda la historia del trabajo empírico que puso a prueba y perfeccionó aquellos estudios pioneros hasta llegar al presente. Tampoco demuestra conocimiento de cómo esas preguntas originales se transformaron para abordar temas surgidos durante las décadas posteriores. No existe sensibilidad histórica respecto de aquello que esas perspectivas fundacionales pasaron por alto ni de las razones por las que siguen vigentes. Solo hay bots que afirman enfáticamente que existe una «laguna» académica en los últimos tres años de investigación que debe ser subsanada.

A partir de ahí, la revisión de la literatura con un vacío intermedio se traslada a la sección de Discusión. Como saben los escritores académicos experimentados, la sección de Discusión es el lugar donde los autores retoman una selección de los trabajos citados en la revisión de la literatura y ponen sus propios hallazgos en diálogo con ellos. Pero, como los modelos de IA generativa no pueden «leer» y relacionar hallazgos novedosos con la literatura más pertinente, muchos de los manuscritos que recibimos presentan secciones de Discusión que no vuelven a la literatura para mostrar de qué manera los datos y el análisis del estudio profundizan el conocimiento en algún ámbito específico del campo. Simplemente repiten los hallazgos, generan algunas aplicaciones, hacen una referencia superficial a limitaciones evidentes —como el tamaño de la muestra o la homogeneidad de la población— y luego pasan directamente a las investigaciones futuras.

Entonces, ¿qué significa todo esto para la publicación académica y para aquello que consideramos producción académica?

Con las infraestructuras editoriales resquebrajándose bajo el peso de todo este contenido generado automáticamente, unas revisiones de literatura deficientes podrían no parecer una preocupación de primer orden. Sin embargo, el vacío intermedio que estamos observando actualmente en las revisiones de literatura generadas por IA tiene consecuencias importantes para la construcción del conocimiento. Cuando los autores delegan el análisis de la literatura de investigación en algoritmos basados en el reconocimiento de patrones textuales de recursos de acceso abierto —algunos de los cuales funcionan bajo modelos de pago por publicar y cuentan con poca o ninguna supervisión editorial—, perdemos sectores enteros del conocimiento académico. Perdemos la investigación académica cotidiana y fundamental que se encuentra en revistas de alta calidad sometidas a revisión por pares.

Una revisión sólida de la literatura es mucho más que mencionar un par de nombres, añadir una falsa elaboración y tratar de demostrar la actualidad del tema. Constituye una garantía de que los autores han examinado su ámbito del campo con suficiente profundidad como para saber qué tipos de preguntas de investigación y metodologías permitirán hacerlo avanzar mejor. Y es también una señal de que ellos son las personas adecuadas para formular esas preguntas y recopilar esos datos.

Las revisiones de literatura con un vacío intermedio no solo empobrecen la producción de conocimiento: también perjudican a los académicos en activo.

Las revisiones de literatura con un vacío intermedio no solo empobrecen la producción de conocimiento: también perjudican a los académicos en activo. Las revisiones de literatura generadas por IA vuelven a amplificar unas pocas fuentes que ya eran importantes, con efectos devastadores para los investigadores que se encuentran en las etapas iniciales e intermedias de sus carreras y que necesitan ser citados para progresar profesionalmente. Se pierden líneas innovadoras de investigación que no utilizan las palabras clave reconocidas por los modelos de IA generativa. En el proceso, las revistas depredadoras adquieren mayor visibilidad, y algunas de ellas llegan a presumir de factores de impacto comparables a los de revistas académicas legítimas. La IA deja el conocimiento académico convertido en una mezcla desordenada de fuentes citadas incorrectamente, presentada mediante marcadores de cohesión artificialmente suavizados y transiciones mecánicas.

Estamos llamando la atención de nuestros colegas sobre el vacío intermedio no porque pensemos que los editores de revistas puedan o deban intentar vigilar el uso que los investigadores hacen de las aplicaciones de IA —una tarea que probablemente sería inútil—, sino porque constituye una oportunidad para reflexionar sobre cómo ha cambiado el trabajo editorial, cómo podrían responder los editores y revisores y qué nos gustaría que hicieran los autores. Como editores de revistas, no debemos tener reparos en rechazar de entrada los manuscritos cuyas revisiones de literatura presenten claramente este vacío intermedio. Debemos pedir a los revisores que lean los manuscritos teniendo presente este problema. Y debemos insistir en que el poco glamuroso trabajo de revisar cuidadosamente la investigación existente no es simplemente una oportunidad para repetir lo que los autores ya saben, sino una forma de establecer nuevas conexiones entre el pasado y el presente. Revisar la literatura es bueno para los seres humanos: tanto el producto como el proceso valen la pena.

Como investigadores de los estudios de escritura, nosotros mismos comprendemos lo difícil que resulta elaborar una buena revisión de la literatura. Pero si los investigadores se saltan esa revisión —si no construyen por sí mismos ese tramo intermedio—, pierden la oportunidad de hacer avanzar verdaderamente el conocimiento. Siguen siendo los seres humanos quienes, mediante la lectura de la literatura, aprenden lo suficiente como para poder afirmar con certeza que no están redescubriendo algo que ya se conoce (o, peor aún, repitiendo errores del pasado). Y son los seres humanos, no las máquinas, quienes deberían trazar el camino del descubrimiento académico.

Sobre los autores

Mya Poe es profesora de inglés en la Universidad Northeastern.

Dylan B. Dryer es profesor asociado de estudios de composición en la Universidad de Maine.



………………………………………………………


AI Is Ruining Scholarship

When we outsource literature review to algorithms, we lose entire sectors of knowledge.


The Review | Essay

By Mya Poe and Dylan B. Dryer

August 10, 2026


Ask any journal editor today about the effects of generative AI on academic publishing, and you’ll get an earful. It’s not just that AI style is irritating (though it is). Beyond the syntactically flat, lexically precious, oily, and boring style of AI-generated writing, journal editors are receiving entire revise-and-resubmit requests miraculously executed in a single evening. And we are getting crushed with submissions. At recent academic conferences in applied linguistics and writing studies, academic journal editors reported that their submission rates have doubled or even tripled in the last year. All those machine-written submissions must still be read and discussed on the chance that there might be something to them, and vetting all this slop takes editors’ attention away from papers with authentic datasets and real human insights.

Between the sentence-level “tells” and the manuscript-level implausibilities, we can now identify an insidious meso-level problem. Many AI-generated papers feature a literature review characterized by drive-by references to three or four foundational papers in the field (often from the 1980s and early ‘90s) and then a string of assertions about the importance of the current topic bolstered by nonintegral citations of 15 to 20 papers from 2023 to 2026. They typically cite no papers published between the mid-'90s and early 2020s at all. We have termed this phenomenon the missing middle.

Why does this happen? Because GenAI models cannot get behind publishers’ firewalls, they retrieve seminal articles that have been uploaded to the internet, combined with reams of recent pre-print and open-access articles, many from predatory journals. Hence, the missing middle: papers that spot-check highly important papers from decades ago and then leap forward to very recent publications without any reference to the deep literature in between. What we have is the surface appearance of a comprehensive survey of relevant scholarship over time, but without genuine engagement with the ramifying lines of inquiry that make up a modern academic discipline.

What we have is the surface appearance of a comprehensive survey of relevant scholarship over time, but without genuine engagement.

Some telltale signs of a “missing middle” paper: No direct quotations or even references to specific pages. No nuanced narrative about how a field got from those seminal works to where it is now. No signs that the author understands the history of empirical work that tested and refined those pioneering studies to get to the present day. No demonstrated awareness of how these original questions have changed to address topics that emerged in the decades that followed. No historical sensitivity to what those foundational perspectives missed, or why they persist. Just bots emphatically asserting that there is a scholarly “gap” in the last three years of research that must be filled.

From there, the missing middle literature review travels downstream to the Discussion section. As experienced academic writers know, the Discussion section is where authors return to a selection of the papers they cited in the literature review and place their own findings in conversation with those works. But because GenAI models cannot “read” and connect novel findings to the most relevant literature, many of the submissions we receive feature Discussion sections that do not return to the literature to show how the study’s data and analysis deepens knowledge in some specific corner of the field. They just repeat the findings, generate some applications, nod to obvious limitations of sample size or population homogeneity, and then march on to future research.

S
o what does all this mean for academic publishing and what counts as scholarship?

With publishing infrastructures cracking under the weight of all this auto-content, crappy literature reviews may not seem like a first-order concern. But the missing middle that we are now seeing in GenAI literature reviews has significant consequences for knowledge building. When authors offload analysis of the research literature to algorithms that are based on text-pattern recognition in open-access resources (some of which are pay-to-play operations with little to no editorial oversight), we lose entire sectors of scholarly knowledge. We lose the bread-and-butter academic research found in high-quality, peer-reviewed journals.

A solid literature review is more than just a couple of name-checks, faux elaboration, and a bid for topicality. It’s a warrant that the authors have surveyed their corner of their field thoroughly enough to know what kinds of research questions and methodologies will best advance it. And it is a signal that they are the right ones to ask those questions and collect that data.

Missing-middle literature reviews don’t just impoverish the production of knowledge: They penalize working scholars as well.

Missing-middle literature reviews don’t just impoverish the production of knowledge: They penalize working scholars as well. Gen-AI literature reviews reamplify a few already significant sources, with devastating effects for early and mid-career researchers who need to be cited to advance their careers. Innovative strands of research that do not use keywords recognized by GenAI models are lost. In the process, predatory journals get elevated, with some of them boasting impact-factor scores comparable to legitimate academic journals. GenAI leaves academic knowledge a jumble of incorrectly cited sources, presented with smoothed-over cohesive markers and mechanical transitions.

We are bringing the missing middle to our colleagues’ attention not because we think journal editors can or should try to police researchers’ use of AI applications — most likely a hopeless task — but as an occasion to think about how the work of editing has changed, how editors and reviewers might respond, and what we’d like authors to do. As journal editors, we need to have no qualms about desk-rejecting manuscripts with obviously missing-middle literature reviews. We need to prompt reviewers to read submissions with this problem in mind. And we need to insist that the unglamorous work of careful research reviews is not just an opportunity to recite what authors already know but a way to forge new connections between past and present. Reviewing the literature is good for humans: Both the product and the process are worthwhile.

As writing-studies researchers ourselves, we understand how challenging it is to write a good literature review. But if researchers skip the literature review — if they don’t forge the middle for themselves — they skip the opportunity to truly advance knowledge. It’s still humans who learn enough from reading the literature to be able to say for sure that they are not rediscovering what is already known (or worse, recommitting past mistakes). And it’s humans who should be charting the path of academic discovery, not machines.


About the Author

Mya Poe

Mya Poe is a professor of English at Northeastern University.

About the Author

Dylan B. Dryer

Dylan B. Dryer is an associate professor of composition studies at the University of Maine.