El sistema de recomendación de inteligencia artificial ha surgido como un interés de investigación significativo. Su objetivo es ayudar a los usuarios a encontrar cosas en línea al ofrecer recomendaciones que se ajusten estrechamente a sus intereses. Los recomendadores para artículos de investigación han aparecido en la última década para facilitar la búsqueda de publicaciones asociadas con el campo de los intereses de los investigadores. Sin embargo, debido a varios problemas, como las restricciones de derechos de autor, estas metodologías asumen que los contenidos de los artículos recomendados son completamente accesibles, lo cual no es necesariamente el caso. Este trabajo demuestra un modelo eficiente, conocido como RPRSCA: Sistema de Recomendación de Artículos de Investigación Usando un Enfoque Colaborativo Efectivo, para abordar estos sistemas inciertos para la recomendación de artículos de investigación de calidad. Hacemos uso de metadatos contextuales que son de acceso público para reunir relaciones ocultas entre artículos de investigación con el fin de personalizar las recomendaciones aprovechando las ventajas del filtrado colaborativo. El sistema propuesto, RPRSCA, es único y ofrece recomendaciones personalizadas independientemente del tema de investigación. Así, se propone un nuevo enfoque colaborativo que proporciona un mejor rendimiento. Usando un conjunto de datos de acceso público, encontramos que nuestro método propuesto superó a los métodos inciertos anteriores en términos de rendimiento general y la capacidad de devolver publicaciones relevantes, valiosas y de calidad en la parte superior de la lista de recomendaciones. Además, nuestra estrategia propuesta incluye sugerencias personalizadas y experiencia del cliente, además de abordar preocupaciones multidisciplinarias.