1. Предвзятость публикаций: журналы печатают только «успешные» результаты
Publication Bias and Negative Results CHI KT Platform — Medium 🔗 https://medium.com/knowledgenudge/publication-bias-and-negative-results-4ce8d5e4ffab
Журналы систематически отклоняют исследования с нулевым или отрицательным результатом. Учёные знают об этом и изначально формулируют гипотезы так, чтобы «получить положительное». В итоге корпус научной литературы — это не объективная выборка реальности, а подборка «удобных» данных. Мета-анализы, построенные на такой базе, неизбежно дают смещённые выводы.
2. P-хакинг: манипуляция данными ради публикации
Sneaky Science: Data Dredging Exposed Hennie de Harder — Medium (Towards Data Science) 🔗 https://medium.com/data-science/sneaky-science-data-dredging-exposed-26a445f00e5c
The Dark Art of Data Manipulation in Research León Andrés M. — Medium 🔗 https://medium.com/@lamunozs/the-dark-art-of-data-manipulation-in-research-edd6fd71daed
P-Hacking for Beginners René F. Najera, DrPH — Medium 🔗 https://epiren.medium.com/p-hacking-for-beginners-996d0e8f5094
P-хакинг (data dredging) — практика перебора аналитических моделей до тех пор, пока не получится p < 0.05. Формально это не фальсификация, но систематически производит ложноположительные результаты. Авторы показывают: при достаточном числе итераций любой набор случайных данных можно «сделать значимым».
3. Кризис воспроизводимости: большинство результатов не повторяются
Scenes from the Replication Crisis John Borghi — Medium 🔗 https://medium.com/@JohnBorghi/scenes-from-the-replication-crisis-81651bd4415e
Top Five Real Solutions to the Replication Crisis John Schmidt — Medium (InOurLabs) 🔗 https://medium.com/@InOurLabs/top-five-real-solutions-to-the-replication-crisis-a2607a83d46f
Когда независимые группы попытались воспроизвести 100 психологических исследований, лишь ~36% дали те же результаты (Проект открытой науки, 2015). В биомедицине показатель ещё ниже. Карьерная система вознаграждает новизну, а не проверку — это структурный отбор в пользу непроверенного знания.
4. Политизация академии: идеология деформирует исследовательские вопросы
Political Agendas Are Dangerous for Academia Avi Loeb — Medium (профессор астрофизики Гарварда) 🔗 https://avi-loeb.medium.com/political-agendas-are-dangerous-for-academia-6685feb82720
Academia’s Biggest Bias Isn’t Political — It’s Demographic Musa al-Gharbi 🔗 https://musaalgharbi.com/2024/09/04/academia-bias-politics-ideology/
Ави Лёб утверждает: когда финансирование и публикуемость зависят от соответствия доминирующей повестке, учёные самоцензурируются ещё на стадии постановки вопроса. Мусса аль-Гарби добавляет: проблема глубже политики — академия демографически гомогенна, что создаёт «слепые пятна» в самых разных областях.
5. Корпоративное финансирование: кто платит, тот и заказывает музыку
12 Biases to Look Out For When Choosing Scientific Sources New Writers Welcome — Medium 🔗 https://medium.com/new-writers-welcome/12-biases-to-look-out-for-when-choosing-scientific-sources-for-your-article-3d42b10972c1
Исследования, финансируемые индустрией (фарма, пищевая, нефтяная), систематически дают результаты, выгодные спонсору — это показано на мета-уровне в десятках работ. Механизм не обязательно в прямой фальсификации: спонсор выбирает вопрос, дизайн, контрольную группу и решает, публиковать ли вообще.
6. Рецензирование как круговая порука
Классическое исследование Питерса и Сечи (разбирается на PubMed (https://pmc.ncbi.nlm.nih.gov/articles/PMC1420798/)): когда в уже опубликованные статьи меняли имена авторов с престижных на неизвестные, рецензенты их отклоняли. То есть оценивают не работу, а репутацию.