How to reduce scientific irreproducibility: the 5-year reflection
Notice bibliographique
Résumé
We discuss in depth six causes of scientific irreproducibility and their ramifications for the clinical sciences: fraud, unfounded papers published by prominent authorities, bias, technical deficiencies, fragmented science and problems with big data. Some proposed methods to combat this problem are briefly described, including an effort to replicate results from some high impact papers and a proposal that authors include detailed preclinical data in papers with supposedly high translational value. We here advocate for a 5-year reflection on papers with seemingly high clinical/translational potential, published alongside the original paper where authors reflect on the quality, reproducibility and impact of their findings. These reflections can be used as a benchmark for credibility, and begin a virtuous cycle of improving the quality of published findings in the literature.
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 | 0,608 | 0,807 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,009 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,030 |
| Communication savante | 0,036 | 0,056 |
| Science ouverte | 0,011 | 0,027 |
| Intégrité de la recherche | 0,041 | 0,067 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».