🚩 چرا بعضی مقاله‌ها Reject می‌شوند؟

گاهی فکر می‌کنیم دلیل رد شدن یک مقاله این است که:

«موضوعش به اندازه کافی جذاب نبوده.»
«Reviewer با ایده‌اش موافق نبوده.»
«ژورنال خیلی سخت‌گیر بوده.»

اما اگر به داده‌های واقعی داوری مقالات نگاه کنیم، داستان کمی متفاوت است.

یک مطالعه‌ی معروف، نظرات چندین Reviewer درباره ۱۲۳ مقاله در حوزه آموزش پزشکی را بررسی کرد تا ببیند واقعاً چه چیزهایی بیشتر از همه باعث رد شدن مقاله‌ها می‌شوند.

مشکل خیلی وقت‌ها خودِ «موضوع» نبود؛
بلکه چیزهایی بود که شاید نویسنده هنگام نوشتن مقاله اصلاً جدی‌شان نگرفته بود:

📊 تحلیل آماری نامناسب
📉 نتیجه‌گیری فراتر از داده‌ها
👥 نمونه ناکافی یا جانبدارانه
📚 مرور ادبیات ضعیف یا قدیمی
⚠️ گزارش‌های نادقیق یا ناسازگار

و این فقط یک فهرست از توصیه‌های رایج پژوهشی نیست؛
این‌ها چیزهایی هستند که در ارزیابی واقعی Reviewerها تکرار شده‌اند.

پس بیایید ببینیم داده‌ها درباره‌ی Red Flagهای واقعی یک مقاله چه می‌گویند. 👇

🚩 ۱. آمار نامناسب یا ناقص

این مورد در رتبه اول قرار داشت.

یعنی مشکل فقط این نیست که «آمار بلد نباشیم»؛
انتخاب نامناسب آزمون، گزارش ناقص تحلیل‌ها یا استفاده نادرست از روش آماری می‌تواند اعتبار کل مطالعه را زیر سؤال ببرد.

🚩 ۲. تفسیر بیش از حد نتایج

داده یک چیز می‌گوید، مقاله چیز بزرگ‌تری نتیجه می‌گیرد.

مثلاً مطالعه فقط یک ارتباط را نشان داده، اما نویسنده از زبان علّی استفاده می‌کند.

این دقیقاً همان جایی است که Reviewer ممکن است بپرسد:

«داده‌ات واقعاً اجازه چنین نتیجه‌ای را می‌دهد؟»

مطالعات روش‌شناختی و راهنماهای آماری نیز روی همین تفاوت بین association و causation تأکید کرده‌اند.

🚩 ۳. نمونه کوچک یا جانبدارانه

نمونه فقط نباید «وجود داشته باشد»؛
باید برای سؤال پژوهش و تحلیل‌های انجام‌شده قابل دفاع باشد.

حجم نمونه ناکافی یا نمونه‌ای که به‌شکل نامناسب انتخاب شده باشد.

🚩 ۴. مرور ادبیات ناقص، نادرست یا قدیمی

ارجاع دهی زیاد لزوماً یعنی Literature Review خوب نیست.

Reviewer می‌خواهد ببیند:

آیا نویسنده واقعاً وضعیت دانش موجود را فهمیده؟

یا فقط چند مقاله را پشت سر هم آورده تا Introduction پرتر به نظر برسد؟


🚩 ۵. داده‌های نادقیق یا ناسازگار

وقتی عددی در Abstract با Results نمی‌خواند،
جدول با متن تناقض دارد،
یا تعداد نمونه‌ها در بخش‌های مختلف مقاله متفاوت گزارش می‌شود،

اعتماد به کل مقاله می‌تواند آسیب ببیند.


🚩 و یک Red Flag آماری دیگر: «ماهیگیری برای معناداری»

یک مقاله در Journal of Forestry Research (2022) به چند مشکل آماری اشاره می‌کند که می‌توانند به رد مقاله منجر شوند.

یکی از آنها زمانی اتفاق می‌افتد که پژوهشگر تعداد زیادی آزمون یا مقایسه انجام می‌دهد و عملاً با آزمون‌های بیشتر، احتمال پیدا کردن یک نتیجه معنادار را بالا می‌برد.

نویسندگان این وضعیت را به‌عنوان fishing for significant results توضیح می‌دهند.

یعنی:

«بذار چند تست دیگه هم بزنیم، شاید بالاخره یکی p<0.05 شد!» 😬

مشکل اینجاست که تحلیل آماری باید از سؤال و طراحی پژوهش بیاید، نه از نتیجه‌ای که دوست داریم به آن برسیم.


🧠 اما قسمت جالب ماجرا اینجاست که:

در همان مطالعه Bordage، مقاله‌هایی که پذیرفته شده بودند بیشتر با این ویژگی‌ها شناخته می‌شدند:

🔹 اهمیت یا به‌روز بودن مسئله
🔹 کیفیت بالای نگارش
🔹 طراحی پژوهشی محکم

پس قرار نیست یک مقاله «بی‌نقص» بنویسیم.

قرار است مقاله‌ای بنویسیم که وقتی Reviewer از خودش می‌پرسد:

«چرا این کار را انجام داده‌اند؟»

برای تصمیم‌های مهم پژوهش، یک پاسخ منطقی و قابل دفاع داشته باشیم.


@kianimoghadamstudylab🪷