What did the scientific literature learn from internal company documents in the pharmaceutical industry? A scoping review
Notice bibliographique
Résumé
Abstract Objective To identify all scientific papers that used internal industry documents in the pharmaceutical sector and analyze what and how the scientific literature learned about corporate influence in the pharmaceutical sector through these internal documents. Design Scoping review. Methods Using different series of keywords, we searched six databases, PubMed, Scopus, Web of Science, CINAHL, Business Source Complete, and PAIS, for peer‐reviewed journal articles analyzing pharmaceutical corporations' internal documents. We completed the scoping review using a purposive snowball sampling method to extract relevant case studies and peer‐reviewed journal articles from relevant articles' reference lists when our search keywords failed to capture them. To analyze the content of the literature and better categorize the types of corporate strategies at play in the pharmaceutical sector, we used categories of ghost‐management previously developed in the literature. Results We identified 37 peer‐reviewed papers in the final results. All the articles included in the final results are published in English. Almost all articles obtained most of their internal document data through legal proceedings. All 37 articles unveil dynamic ghost‐management strategies that pharmaceutical corporations employ to safeguard their corporate interest. The strategies identified relate to scientific capture (n = 28), professional capture (n = 16), regulatory capture (n = 6), media capture (n = 3), market capture (n = 4), technological capture (n = 2), civil society capture (n = 4), and others (n = 2). Conclusion The scientific literature using internal documents confirmed widespread corporate influence in the pharmaceutical sector. While the academic literature used internal documents related to only a handful of products, our research results, based on ghost‐management categories, demonstrate the extent of corporate influence in every interstice of pharmaceutical markets, particularly in clinical research and clinical practice. It also allows us to better refine the conceptual categories of ghost‐management to better map corporate influence and conflict 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 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 | 0,060 | 0,257 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,065 | 0,047 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,018 | 0,018 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».