#ля_ты_крыса

- Сколько будет 2х2?
- А сколько надо?

Привет, коллега!

Я очень люблю статью про 9 кругов научного ада, кто хочет может ознакомиться с русским переводом здесь. Согласно этой работе самым страшным научным грехом считается фабрикация данных. Об этом сегодня и поговорим.

Строго говоря, есть разница между фабрикацией и фальсификацией данных: в первом случае данные полностью выдуманы 🌈, а во втором существующие данные искажены. При фабрикации эксперимент придумывается, но никогда не проводится, а его данные генерируется где-нибудь в экселе. При фальсификации эксперимент всё таки проводится, но все "неудобные" результаты удаляются. Также некоторые перебирают статистические критерии до появление нужного результата. Например, t-тест является достаточно мощным и часто показывает заветное p<0.05, но не подходит для дискретных данных.

Как же распознать фальсификацию или фабрикацию данных?

🔵 Идеальные данные с очень малым разбросом. Реальность бессердечна 💔 и это нормально, когда в исследованиях данные выглядят не слишком хорошо. В целом, если у авторов абсолютно везде огромная значимость различий, то это подозрительно. Также можно увидеть повторяющиеся паттерны, например, в диаграммах рассеивания, это явный признак копипасты. Помимо неправомерного удаления данных, иногда исследователи используют стандартную ошибку среднего (SEM) в качестве мер разброса, что позволяет сделать "усы" меньше. Это не есть фальсификация, но вводит читателя в заблуждение и в целом некорректно с точки зрения описательной статистики. В будущем я обязательно напишу почему.

🔵Непрозрачность исследования. Если методика и анализ в статье написаны не очень подробно и вызывают сомнения - это повод задуматься и заподозрить неладное 🤔. Но если и на запрос (особенно рецензента) авторы не спешат делиться информацией, то что-то с этими данными скорее всего не так. Кроме случаев коммерческой или гос тайны, но это прописывается отдельно.

🔵Махинации с изображениями. Некоторые авторы подкручивают настройки изображений, например, яркость-контраст, чтобы выдать желаемое за действительное. Также можно встретить вырезанные фрагменты, которые "склеивают" друг с другом. Например, так часто делают для изображений вестерн-блота. Мне несколько раз на рецензию приходили статьи, где за результат регенерации хряща выдавали интактную область, не затронутую дефектом.

🔵Невоспроизводимость результатов. Согласно исследованию Nature 70% исследователей не могут воспроизвести результаты чужих исследований, а 60% своих же. Собственно, я лично столкнулась с тем, что взяв вещества, которые по литературе должны были стимулировать образование хряща из клеток, мы не получили хоть сколько-нибудь вменяемого результата. Вообще, у невоспроизводимости могут быть и иные причины помимо фальсификации и фабрикации и если тема интересна - ставь на этот пост 👀.

🔵Анализ предыдущих работ. Если возникают сомнения в качестве данных, то можно покопаться в предыдущих работах авторов. Вполне возможно, что там встретятся знакомые графики или изображения.

Хочу также порекомендовать блог RetractionWatch в котором можно увидеть примеры отозванных статей, в том числе из-за фабрикации и фальсификации. Насмотренность - наше всё. В России одно время действовала комиссия по противодействию фальсификации научных исследований и даже обнаруживала не совсем честные работы кандидатов в академики РАН. Мнения о работе этой комиссии противоречивы (а я своё не сформировала ввиду малого количества информации) и сейчас она не функционирует.

🐈‍⬛ Ну и в заключении ещё раз повторю, что фальсификация, фабрикация или плагиат - это, на мой взгляд, самые худшие нарушения научной этики. Я знаю примеры (и в РФ, и в Европе), когда студентов и аспирантов гнобили за то, что они не получали те данные, которые хотел руководитель, и заставляли переделывать одно и то же много много раз 👊 В таких случаях велик соблазн выдать желаемое за действительное. Если ты узнаёшь в этом себя, то это знак: беги из этого места как можно скорее. Ещё никто из моих знакомых, кто так поступил, не пожалел.