Do individual and institutional predictors of misconduct vary by country? Results of a matched-control analysis of problematic image duplications
Notice bibliographique
Résumé
Pressures to publish, perverse incentives, financial interest and gender are amongst the most commonly discussed risk factors for scientific misconduct. However, evidence of their association with actual data fabrication and falsification is inconclusive. A recent case-controlled analysis of articles containing problematic image duplications suggested that country of affiliation of first and last authors is a significant predictor of scientific misconduct. The same analysis found null or negative associations with individual proxies of publication rate, impact and gender. The latter findings, in line with previous evidence, failed to support common hypotheses about the prevalence and causes of misconduct, but country-level effects may have confounded these results. Here we extend and complete previous results by comparing, via matched-controls analysis, articles from authors in the same country. We found that evidence for individual-level risk factors may be significant in some countries, and null or opposite in others. In particular, in countries where publications are rewarded with cash incentives, and especially China, the risk of problematic image duplication was higher for more productive, more frequently cited, earlier-career researchers working in lower-ranking institutions, in accordance with a "misaligned incentives" explanation for scientific misconduct. However, a null or opposite pattern was observed in all other countries, and especially the USA, UK and Canada, countries where concerns for misaligned incentives are commonly expressed. In line with previous results, we failed to observe a statistically significant association with industry funding and with gender. This is the first direct evidence of a link between publication performance and risk of misconduct and between university ranking and risk of misconduct. Commonly hypothesised individual risk factors for scientific misconduct, including career status and productivity, might be relevant in countries where cash-reward policies generate perverse incentives. In most scientifically active countries, however, where other incentives systems are in place, these patterns are not observed, and other risk factors might be more relevant. Policies to prevent and correct scientific misconduct may need to be tailored to a countries' or institutions' specific context.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».