Fabricación de datos
Ejemplos de fabricación o invención explícita de datos abundan. Un estudio reporta que casi el 2% de los investigadores están dispuestos a admitir haber fabricado, falsificado o modificado datos al menos una vez. Es probable que haya muchos más que no están dispuestos a admitir que hayan tenido una mala conducta.
| Corrupción |
 |
| en la Ciencia |
Ejemplo de falsificación de datos
Un ejemplo de fabricación de datos es alarmante, como el conocido caso de Dong Pyou Han, el investigador de la Universidad Estatal de Iowa que falsificó los datos en los ensayos de vacunas contra el VIH. Este caso es dramático porque afectó a muchas personas, desperdició millones de dólares, envió a los investigadores hacia caminos de estudios mal dirigidos, y ha mancillado la reputación de la universidad y los colegas de Han. Han fue enviado a prisión y recibió una multa de 7.2 millones de dólares. En el curso de las investigaciones, Han admitió que su engaño había comenzado mucho antes, cuando actuó para encubrir una confusión de muestras que había hecho años atrás.
Otros casos son graves, pero al mismo tiempo absurdos, como la publicación de documentos generados por computadora, sin que mano humana estuviera implicada en la creación. La fabricación de datos es uno de los peores pecados posibles en la publicación, ya que hace desprecio del trabajo de la mayoría de los investigadores que han dedicado sus carreras a la búsqueda de explicaciones verificables de cómo funcionan nuestro mundo, nuestros cuerpos y nuestras mentes. Tal vez, lo que es peor, es que la fabricación de datos da forraje a los que desconfían de la ciencia y los científicos.
La comunidad científica toma esas faltas muy en serio. Cuando un editor descubre este problema, se lo notificará al autor (o autores). La institución académica en la que trabaja el autor será notificada y tendrá que hacer frente a tales acusaciones. El manuscrito será rechazado, pero esto puede ser la menor de las preocupaciones del autor.
En pocas palabras: no vuelvas a fabricar datos de ningún tipo en ningún nivel, y si metes la pata, admitirlo y solucionarlo.
Hacer trampa con los datos
Esto utilizar los datos de forma selectiva o elegir métodos estadísticos que enmascaran debilidades en los resultados. Hacer trampa mediante el uso de datos de forma selectiva - pecado de omisión - o el uso de estadísticas para hacer girar los datos para apoyar sus conclusiones es diferente de la fabricación de datos, pero igual es un pecado y puede tener consecuencias igualmente nefastas. Consideremos, por ejemplo, las implicaciones del artículo de The Lancet que vincula el autismo con la vacuna triple vírica contra el sarampión, las paperas y la rubéola. [1] Este trabajo fue retirado en 2010, después de que las pruebas descubrieron que el autor principal, Andrew Wakefield había manipulado los datos y violado varios otros códigos éticos de conducta. Sin embargo, hubo daños de larga duración, que incluyeron socavar la confianza del público en las vacunas, no pudo remediarse con una simple retracción. Después del artículo de The Lancet, las tasas de vacunación cayeron con fuerza, y esta disminución ha sido vinculado a un aumento de los casos de sarampión, paperas y rubéola, que puede tener consecuencias de por vida para los niños afectados.
En pocas palabras: no vuelvas a alterar los datos de ninguna manera. Debes aceptar los datos resultantes de los experimentos que has hecho, hacer lo mejor para su publicación, y si estás en busca de otros resultados, diseña un estudio diferente.
Exageración de resultados
La ambición sesga el juicio en el área científica. Aunque este es un tema enorme y, en un cierto nivel, tan simple: los investigadores pueden llegar a creer que su trabajo es más importante de lo que es. Un impulsor de esta ilusión es que la gente pasa tanto tiempo estudiando un pequeño componente de un problema que tal componente - y su papel en la solución del problema- llena su campo de visión. Se convierte en el bosque y los árboles; todo el rompecabezas en lugar de una sola pieza.
La investigación se convierte en la razón de ser del investigador y, aunque importante, adquiere más significado del que realmente tiene, en el contexto más amplio. Esto se convierte en una miopía insidiosa. Los investigadores afirman que su trabajo es gradual (a menos que estén satisfechos con la publicación en PLoS ONE), ya que, con el fin de ser publicado en una revista de prestigio (o al menos una que contará como tal en la tenencia o promoción), uno debe presentar el trabajo de uno como "importante", "crítico" o "significativo" de alguna manera. Mientras más elogios de los propios hallazgos, mejor.
Si el efecto de este pecado es confundir a los lectores, entonces esta es una forma menor, pero aún impactante, de mala conducta científica. El resultado de exagerar las implicaciones de un estudio puede conducir a enviar un documento a la revista de nivel equivocado, que a su vez puede confundir a los lectores y hacer perder el tiempo de los editores y, por lo general, de los colaboradores. A menudo, la exageración es descubierta; la mayoría de las revistas de alto impacto envían sus cartas de rechazo informándoles a los autores que su trabajo es más apropiado para una revista "especializada", cuyos lectores puedan estar interesados en los pequeños, pero importantes avances incrementales.
En pocas palabras: Presente sus resultados con precisión, interprételos de manera objetiva y sea realista acerca de la importancia de sus hallazgos.[2]
Otros artículos relacionados
Referencias y ligas externas
(Nota de la administración) Algunas ligas podrían estar rotas o algunos videos pueden haber sido eliminados.
|