The Fragility of Scientific Rigour and Integrity in “Sped up Science”: Research Misconduct, Bias, and Hype and in the COVID-19 Pandemic
Notice bibliographique
Résumé
During the early years of the COVID-19 pandemic, preclinical and clinical research were sped up and scaled up in both the public and private sectors and in partnerships between them. This resulted in some extraordinary advances, but it also raised a range of issues regarding the ethics, rigour, and integrity of scientific research, academic publication, and public communication. Many of the failures of scientific rigour and integrity that occurred during the pandemic were exacerbated by the rush to generate, disseminate, and implement research findings, which not only created opportunities for unscrupulous actors but also compromised the methodological, peer review, and advisory processes that would usually identify sub-standard research and prevent compromised clinical or policy-level decisions. While it would be tempting to attribute these failures of science and its translation solely to the "unprecedented" circumstances of the COVID-19 pandemic, the reality is that they preceded the pandemic and will continue to arise once it is over. Existing strategies for promoting scientific rigour and integrity need to be made more rigorous, better integrated into research training and institutional cultures, and made more sophisticated. They might also need to be modified or supplemented with other strategies that are fit for purpose not only in public health emergencies but in any research that is sped-up and scaled up to address urgent unmet medical needs.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | MétarechercheIntégrité de la recherche Domaine: Méthodes · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | low |
| gpt | MétarechercheIntégrité de la recherche Domaine: Méthodes · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | high |
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 | 0,410 | 0,600 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,025 | 0,247 |
| Communication savante | 0,036 | 0,053 |
| Science ouverte | 0,006 | 0,029 |
| Intégrité de la recherche | 0,045 | 0,061 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».