Research Transparency in 59 Disciplines of Clinical Medicine: A Meta-Research Study
Notice bibliographique
Résumé
Abstract Background Transparency in health research is crucial as it allows for the scrutiny and replication of findings, fosters confidence in scientific outcomes, and ultimately contributes to the advancement of knowledge and the betterment of society. Aim We aimed to assess five transparency practices in scientific publications (data availability, code availability, protocol registration, conflicts of interest (COI) and funding disclosures) from open-access articles published in medical journals. Methods We searched and exported all open-access articles from Science Citation Index Expanded (SCIE)-indexed journals through the Europe PubMed Central database published until March 16, 2024. Basic journal- and article-related information was retrieved from the database. We then assessed five transparency practices in the articles using the rtransparent package in R. Results The analysis included 2,002,955 open-access articles from SCIE-indexed medical journals (open-access percentage=59.0%). Of these, 87.5% (95% CI: 87.4%-87.5%) disclosed COI and 80.1% (95% CI: 80.0%-80.1%) disclosed funding. Protocol registration was declared in 6.6% (95% CI: 6.6%-6.6%), data sharing in 7.6% (95% CI: 7.6%-7.6%), and code sharing in 1.4% (95% CI: 1.4%-1.4%) of the articles. More than 76.0% declared at least two transparency practices, while all five practices were declared in less than 0.02%. The data showed an increasing trend in all transparency practices since the late 2000s. Articles published in journals with higher impact factors and articles receiving more citations had increased odds of COI and funding disclosures, as well as data and code sharing. There were notable differences in transparency practices across the disciplines. Conclusion While most articles had COI and funding disclosures, adherence to other transparency practices was grossly insufficient. To increase protocol registration, data, and code sharing, much stronger incentives and mandates are needed from all stakeholders.
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 | 0,144 | 0,286 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,030 |
| Bibliométrie | 0,012 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».