El algoritmo de optimización por enjambre de partículas (PSO) se ha utilizado ampliamente en varios problemas de optimización. Aunque el PSO ha tenido éxito en muchos campos, resolver problemas de optimización en aplicaciones de big data a menudo requiere el procesamiento de enormes cantidades de datos, que no pueden ser manejados por el PSO tradicional en una sola máquina. Ha habido varios PSO paralelos basados en Spark, sin embargo, casi todos han sido propuestos para resolver problemas de optimización numérica, y pocos para problemas de optimización de big data. En este artículo, proponemos un nuevo algoritmo de PSO paralelo basado en Spark para predecir la coautoría de artículos académicos, que formulamos como un problema de optimización a partir de datos académicos masivos. Los resultados experimentales muestran que el PSO paralelo propuesto puede lograr una buena precisión en las predicciones.