Writing a massively multi‐authored paper: Overcoming barriers to meaningful authorship for all
Notice bibliographique
Résumé
Abstract The value of large‐scale collaborations for solving complex problems is widely recognized, but many barriers hinder meaningful authorship for all on the resulting multi‐author publications. Because many professional benefits arise from authorship, much of the literature on this topic has focused on cheating, conflict and effort documentation. However, approaches specifically recognizing and creatively overcoming barriers to meaningful authorship have received little attention. We have developed an inclusive authorship approach arising from 15 years of experience coordinating the publication of over 100 papers arising from a long‐term, international collaboration of hundreds of scientists. This method of sharing a paper initially as a storyboard with clear expectations, assignments and deadlines fosters communication and creates unambiguous opportunities for all authors to contribute intellectually. By documenting contributions through this multi‐step process, this approach ensures meaningful engagement by each author listed on a publication. The perception that co‐authors on large authorship publications have not meaningfully contributed underlies widespread institutional bias against multi‐authored papers, disincentivizing large collaborations despite their widely recognized value for advancing knowledge. Our approach identifies and overcomes key barriers to meaningful contributions, protecting the value of authorship even on massively multi‐authored publications.
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 | 0,177 | 0,429 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,012 |
| Communication savante | 0,032 | 0,020 |
| Science ouverte | 0,006 | 0,031 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,006 |
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 ».