Notice bibliographique
Résumé
More than 40 primary studies, and three recent systematic reviews and meta-analyses, have shown a clear association between pharmaceutical industry funding of clinical trials and pro-industry results. Industry sponsorship biases published scientific research in favour of the sponsors, a result of the strong interest commercial sponsors have in obtaining favourable results. Three proposed remedies to this problem are widely agreed upon among those concerned with the level of sponsorship bias: financial disclosure, reporting standards and trial registries. This paper argues that all of these remedies either fail to address the mechanisms by which pharmaceutical companies' sponsorship leads to biased results-design bias, multiple trials with predictable outcomes, fraud, rhetorical effects and publication bias-or else only inadequately address those mechanisms. As a result, the policies normally proposed for dealing with sponsorship bias are unable to eliminate it. Only completely separating public clinical research from pharmaceutical industry funding can eliminate sponsorship bias.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,770 | 0,919 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,015 | 0,015 |
| Études des sciences et des technologies | 0,005 | 0,018 |
| Communication savante | 0,015 | 0,021 |
| Science ouverte | 0,007 | 0,016 |
| Intégrité de la recherche | 0,016 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».