Can a good tree bring forth evil fruit? The funding of medical research by industry
Notice bibliographique
Résumé
BACKGROUND: Systematic reviews analysing the influence of funding on the conduct of research have shown how Conflicts of Interest (COIs) create bias in the production and dissemination of data. SOURCES OF DATA: The following is a critical analysis of current opinions in respect to COIs created by industry funding of medical research in academic institutions. AREAS OF AGREEMENT: Effective mechanisms are necessary to manage COIs in medical research, and to prohibit COIs that clearly affect validity of research conduct and outcomes. AREAS OF CONTROVERSY: While most hold that industry investment in university research is not a barrier to good science, there are questions about how securing funding opportunities might be prioritized over the risks of potential COIs. It is argued that COIs are inherent risks to research integrity, requiring the strengthening of current governance frameworks. GROWING POINTS: The focus on COIs, created by the ostensibly categorical actions of industry, challenges the evolving research priorities within academic institutions. AREAS TIMELY FOR DEVELOPING RESEARCH: Less well-defined COIs are equally culpable to financial ones, in terms of the systemic damage they do to science. So, are they appropriately managed as risks within university research settings?
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 | 0,049 | 0,191 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,008 | 0,016 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».