Response pattern analysis: Assuring data integrity in extreme research settings
Notice bibliographique
Résumé
Research summary : Strategy scholars increasingly conduct research in nontraditional contexts. Such efforts often require the assistance of third‐party intermediaries who understand local culture, norms, and language. This reliance on intermediation in primary or secondary data collection can elicit agency breakdowns that call into question the reliability, analyzability, and interpretability of responses. Herein, we investigate the causes and consequences of intermediary bias in the form of faked data and we offer Response Pattern Analysis as a statistical solution for identifying and removing such problematic data. By explicating the effect, illustrating how we detected it, and performing a controlled field experiment in a developing country to test the effectiveness of our methodological solution, we encourage researchers to continue to seek data and build theory from unique and understudied settings . Managerial summary : Any form of survey research contains the risk of interviewers faking data. This risk is particularly difficult to mitigate in Base‐of‐Pyramid or developing country contexts where researchers have to rely on intermediaries and forms of control are limited. We provide a statistical technique to identify a faking interviewer's ex post data collection, and remove the associated data prior to analysis. Using a field experiment where we instruct interviewers to fake the data, we demonstrate that the algorithm we employ achieves a 90 percent accuracy in terms of differentiating faking from nonfaking interviewers . Copyright © 2016 John Wiley & Sons, Ltd.
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 | 0,336 | 0,674 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».