Fréquence des rétractations d’articles scientifiques : ce que les études nous apprennent en éducation, sciences humaines et sciences sociales
Bibliographic record
Abstract
Les rétractations d’articles sont le dernier recours de la science pour assurer sa crédibilité. Cette étude souhaite identifier les raisons qui poussent les chercheurs à investiguer les rétractations dans leur champ de recherche. Pour ce faire, une revue de littérature et une analyse qualitative de celle-ci sont menées. Les résultats montrent que 70 % des études sur les rétractations ont été menées dans le domaine des sciences naturelles et médicales. Huit raisons de s’y intéresser sont identifiées, les plus fréquentes étant l’impact négatif sur la recherche et la pratique, la haute médiatisation des cas de fraude et le nombre annuel élevé de publications. Les résultats contribuent à justifier la prévalence de ces études en sciences naturelles et médicales, mais soulèvent la nécessité de réaliser des études supplémentaires et d’établir des bases de données compréhensives dans les autres champs de recherche pour assurer la qualité de la recherche scientifique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.149 | 0.569 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.016 | 0.014 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.013 | 0.013 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".