Are Men More Likely than Women To Commit Scientific Misconduct? Maybe, Maybe Not
Notice bibliographique
Résumé
In their study published in January 2013 in mBio, Fang et al. reviewed records from the Office of Research Integrity (ORI) and found more cases of scientific misconduct committed by men than women, particularly by faculty (F. C. Fang, J. W. Bennett, and A. Casadevall, mBio 4:1-3, 2013). Powerful social norms shape the way men and women behave, and implicit gender schemas can lead to different evaluation standards for men and women for tasks stereotypically linked to one gender. It is possible that norms for acceptable male and female behavior could lead to a lower threshold for men than women to engage in the risky behavior of scientific misconduct. It is also possible that women and men commit scientific fraud at the same rate but that, because crime is a male-gendered domain, evaluators require more proof of the criminal "competence" of women for an investigation to rise to the level of an ORI case or that female gender norms for likeability and a lower apology threshold more often prevent escalation of women's fraud beyond a local level. Male scientists also have more opportunity to commit fraud than female scientists because they receive more NIH research funding--a finding that may also be influenced by gender schemas. We cannot conclude from the ORI data that men are more likely than women to risk the consequences of committing scientific misconduct simply because risk taking aligns with male gender stereotypes. Neither can we conclude that because men are more likely than women to commit fraud in other contexts, men are also more likely than women to commit scientific fraud. We can conclude, however, that scientific misconduct, regardless of who commits it, diminishes all who contribute to the scientific enterprise.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».