Neglecting the null: the pitfalls of underreporting negative results in preclinical research
Notice bibliographique
Résumé
ABSTRACTHeightened competition for funding and increased pressure to publish in high-impact journals has led to a modern-day publication culture that favours positive results. The underreporting of negative, or null, results is a form of publication bias that occurs when researchers and/or reviewers fail to communicate findings due to unfavourable directionality or perceived unimportance. For nearly three decades, recognition of this bias in clinical research has led to revised policies and guidelines in an effort to improve reporting transparency and accuracy. Only recently has the existence of this reporting bias been fully appreciated as a formidable problem in preclinical research. Considering that preclinical research provides the foundation on which many clinical trials are conceived, finding solutions to increase the reporting accuracy of preclinical studies is of paramount importance. In this commentary, we will explore how the underreporting of negative results in preclinical research distorts scientific knowledge and subsequently misguides clinical research. We will conclude with several suggestions for reducing this bias with the intention of transitioning towards a truly transparent and objective publishing landscape.
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 | 0,661 | 0,831 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,042 |
| Communication savante | 0,014 | 0,017 |
| Science ouverte | 0,011 | 0,007 |
| Intégrité de la recherche | 0,016 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».