Preregistration of Research on Research Integrity is still Not Common: Findings from the Hong Kong, Cape Town, and Athens Editions of the World Conference on Research Integrity
Notice bibliographique
Résumé
Background: This article reports on prevalence of preregistration of empirical studies presented at three editions of the World Conference on Research Integrity (Hong Kong, 2019; Cape Town, 2022; Athens, 2024) at the time of abstract submission, and the association of preregistration with the characteristics of the study and of the researchers submitting the abstract. Method: During registration and abstract submission, applicants were invited to answer questions on preregistration of their study and their academic background. Information collected varied somewhat across conferences, as our insights developed over time. Because of modest sample sizes, we only present descriptive analyses of the prevalence of preregistration and its association with the study’s research theme, and the applicant’s career stage and academic rank. Results: The prevalence of preregistration among presenters of empirical research did not improve across the three WCRIs, and stagnated on average at a modest 28 percent. The verifiability of claims of preregistration did improve over time, however, and increased from 44 to 88 per cent of the abstracts of empirical studies that claimed to have preregistered. . Reasons given for not preregistering varied highly, but little faith in its usefulness and unfamiliarity were frequently mentioned. Younger researchers tended to preregister more often than others, and researchers with a biomedical background preregistered more often. Conclusions: Preregistration of research integrity studies still is not common, and the trend over time suggests stagnation at a rather low level. Reasons for not preregistering participants were too varied to extract one clear-cut solution. We suggest to simplify the preregistration process and propose that funding agencies, research institutes and scholarly journals should demand preregistration of empirical studies.
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: Reproductibilité · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
| gpt | MétarechercheIntégrité de la recherche Domaine: Reproductibilité · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
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 | 0,046 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,043 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».