El asesor me pide que use tramas que favorezcan nuestro enfoque, diciendo "los números en nuestro trabajo no importan, lo que importa es el mensaje".

Mi asesor me ha estado pidiendo que genere diagramas con los que me siento incómodo, ya que sobrestiman el éxito de nuestro enfoque o hacen que los datos parezcan menos ruidosos de lo que son. Él dice que está bien porque los números en el papel no importan tanto como el mensaje de alto nivel. ¿Qué tengo que hacer?

No hemos fabricado datos per se, pero algunos de los análisis son incompletos. Por ejemplo, en una gráfica estamos comparando nuestro enfoque con una línea de base, pero debido a la falta de datos, cualquier punto en el que falle nuestro enfoque también se registrará como una falla cuando le apliquemos el método de línea de base, lo que significa que nuestro enfoque siempre se verá mejor. .

Debido a la falta de datos, no hay una "trama alternativa" obvia; la alternativa sería no generar ningún complot, o generar un complot que subestime el éxito de nuestro enfoque (que, según él, es tan malo como sobrestimar su éxito). En algunos casos, nuestra trama y otra trama son igualmente defendibles, pero nuestra trama se ve mucho mejor, así que la conservamos.

¿Cómo se obtuvieron los datos?
primero, ¿dónde estás en tu carrera académica? segundo, ¿su nombre irá en el documento oficial? si eres un estudiante universitario y tu nombre no aparecerá en ninguna parte, simplemente hazlo, pero toma notas. Si los números no importan, ¿por qué incluirlos? suena falso para mí.
No está claro a partir de la información que proporcionó si esto constituye una mala conducta. En el primer ejemplo parece que no hay mucha alternativa, debido a las limitaciones en los datos. La noción de verse mejor es muy ambigua. ¿Omitiste algún dato sin reportarlo? ¿Se agregó el procedimiento de la gráfica a los datos o eligió una escala inapropiada para engañar al lector?

Respuestas (3)

Las definiciones estándar de mala conducta científica consideran la omisión de datos contradictorios como un caso de falsificación de datos; véanse, por ejemplo, las directrices aplicadas por el BMJ o Gupta 2013 sobre fraude y mala conducta:

Falsificar datos significa alterar los registros existentes. Es la distorsión u omisión deliberada de datos o resultados no deseados.

Si su asesor le pide que produzca deliberadamente una cifra que minimice los resultados no deseados, le está pidiendo que falsifique sus datos.

¿Entonces, qué debería hacer?

Habla de nuevo con tu asesor. Dígale que no se siente cómodo con la trama sugerida y explíquele que se siente obligado a informar fielmente los datos, incluidas las debilidades del análisis y las observaciones contradictorias.

Si su asesor insiste en utilizar la trama falsificadora, debe considerar elegir un asesor diferente, ya que es posible que el actual no le enseñe una conducta científica adecuada.

Estoy de acuerdo con Schmuddi, en su mayor parte. Sin embargo, si realmente no existe un método de trazado 'alternativo' (difícil de creer) o una forma de representar sus datos (aún más difícil de creer) y su asesor fuerza el problema, entonces creo que la mejor manera de manejarlo es:

  1. Pregúntales directamente, preferiblemente por correo electrónico, qué te piden que hagas. Esto mantiene un rastro de papel en el camino.
  2. Deja muy claro exactamente lo que hiciste en la sección de métodos.
  3. Niéguese a tener su nombre en el artículo como autor si se trata de eso. O si la revista a la que se está enviando tiene una sección para ello, mencione al asesor como el que diseñó los experimentos, escribió el artículo o lo que sea apropiado. Esto dejará en claro cuál fue su contribución y quién es responsable de qué.

Nuevamente, como dijo Schmuddi, tenga una discusión honesta con su asesor. Si su departamento tiene uno, pregúntele al ombudsman qué debe hacer.

Espero que esto ayude. Buena suerte.

Por lo que entendí, no estás fabricando números, ¿verdad?

No sé qué campo de investigación es el suyo, pero al informar sobre los resultados de la investigación, es necesario discutir las decisiones del diseño experimental que muestran cómo se pueden interpretar los resultados.

Un marco útil para organizar este pensamiento es la colección de criterios de "validez": validez de constructo , validez interna , validez externa , etc.

Tal vez solo tenga que admitir las limitaciones y describir lo que hizo para minimizar los errores sistemáticos.

Mejor,