Concealing research outcomes: Are there times when it is actually justified?
Notice bibliographique
Résumé
Sir, The recently published informative and well-written editorial from Dr. Bhaskar[1] addressing the reasons why as much as 60% of research results go unpublished provides several plausible and well-documented reasons including overt publication bias[2] and the “file drawer effect.” Although I agree that these effects could, in part, be related to researchers' inherent biases not to report the results of negative studies (thinking that journals' past tendencies that favour publishing positive over negative study results will reduce their chances of manuscript acceptance), other factors might also be at play. Indeed, although this type of publication bias may have been common in the past,[3] and is hopefully on the decline, there is also a large amount of research that is undertaken that involves poor study design, including studies that are either too small (and underpowered) or include an overly optimistic effect size in their power calculation. Thus, many “negative” studies are only negative (and thus “filed away” by investigators) because they were underpowered from the start and proceeding with publishing an a priori – designed underpowered trial can contribute to some distortion of the literature. So, whereas I am a firm believer that all well-conducted research should find a public forum for dissemination (i.e., through print publication), the risk of publishing negative underpowered studies cannot be overlooked. Although 60% of research is arguably far too large an amount of unpublished data, some research should arguably never be published for the single reason that it likely should not have been undertaken in the first place. Financial support and sponsorship Nil. Conflicts of interest There are no conflicts of interest.
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 | 0,143 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,006 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».