Falsification de résultats de recherche
Falsification de résultats de recherche
Le Code ALLEA définit la falsification comme suit :
- » La falsification est la manipulation de matériels, d’équipements, d’images ou de procédés de recherche, ou la modification, l’omission ou la suppression de données ou de résultats sans justification « .
Falsification ou fabrication ?
Il existe souvent une confusion entre falsification et fabrication. En général, si les résultats rendent compte d’expériences qui n’ont jamais eu lieu, il s’agit de fabrication (inventer des résultats). Si les expériences ont bien eu lieu, mais que les résultats ont été modifiés, il s’agit de falsification. Cependant, certains cas sont limites : si la même image est utilisée pour représenter deux expériences différentes, il peut s’agir de falsification (modification des données) ou de fabrication (invention des données). La différence peut être importante pour les chercheurs et autres scientifiques : si les données « réelles » d’une expérience falsifiée sont disponibles quelque part, il peut être possible de corriger les données scientifiques sur la base de ces données. Si les données ont été entièrement inventées, elles sont essentiellement sans valeur. Cependant, cela ne rend pas la falsification moins grave que la fabrication.
Impact
L’impact de la falsification sur la science est similaire à celui de la fabrication : elle porte atteinte aux archives scientifiques et à la carrière des chercheurs impliqués. Elle nuit également à la carrière des chercheurs collaborateurs qui n’étaient pas au courant de la falsification. La falsification entraîne des coûts en termes de gaspillage des ressources de recherche et de frais d’enquête.
Contrairement à la fabrication, la falsification a également des répercussions négatives sur les participants à la recherche (puisque les résultats falsifiés sont basés sur des expériences réelles). Pour les participants humains, cela peut aller d’une perte de temps et d’une atteinte à leur confiance dans la science, à la soumission à des procédures pénibles ou douloureuses sans raison valable. Cela a été particulièrement flagrant dans l’affaire Wakefield, où des infirmières ont dû pratiquer des procédures douloureuses sur des enfants. Les animaux de laboratoire souffrent également inutilement lorsqu’ils sont utilisés dans des expériences dont les résultats sont ensuite falsifiés.
Manipulation d’images
Bien qu’il soit parfois justifié de modifier des images, comme nous l’avons vu dans le Module 3, certains types de manipulation d’images constituent une fraude.
Dans la vidéo ci-dessous, le Dr Thorsten Beck, du Humboldt-Elsevier Advanced Data and Text Centre (HEADT Centre) à Berlin, aborde certains des défis fondamentaux liés au traitement des manipulations d’images.
Détection d'erreurs potentielles, de falsifications et/ou d'affabulations
À l’instar des solutions utilisées par de nombreuses revues et institutions pour détecter le plagiat, il existe toute une gamme d’outils et de stratégies commerciaux et non commerciaux permettant de détecter d’autres irrégularités spécifiques. Voici quelques exemples :
- Outils permettant de détecter les problèmes potentiels liés aux analyses statistiques dans les études ou à l’ensemble de données sous-jacent :
- Le test de Grim évalue si les moyennes des résultats sommaires rapportés sont cohérentes avec la taille de l’échantillon et le nombre d’éléments donnés (Brown et Heathers, 2017). En termes simples, lorsque l’on travaille avec des nombres entiers et un nombre fixe d’observations, certaines moyennes ne peuvent être obtenues, ce qui indique qu’il y a un problème avec l’analyse et/ou l’ensemble de données sous-jacent.
- Statcheck vérifie si les valeurs p rapportées sont cohérentes avec les statistiques de test et les degrés de liberté associés et signale les résultats où les valeurs p calculées ne correspondent pas comme une erreur (Nuijten et al, 2016).
- Le détecteur de phrases torturées peut être utilisé pour détecter des phrases étranges et inattendues qui pourraient être le résultat de textes générés ou réécrits par une IA douteuse tentant d’échapper aux logiciels de détection de plagiat (Cabanac, 2021).
- Dans le domaine biomédical, Seek & Blastn peut aider à vérifier les réactifs de séquence nucléotidique dans les publications et les manuscrits (Labbé, 2019).
- Il existe plusieurs outils commerciaux permettant de détecter les altérations et les duplications d’images scientifiques. Le groupe de travail STM Image Alterations & Duplications Working Group a compilé une liste des outils intéressants.
Bien que les outils susmentionnés soient très utiles pour détecter des problèmes potentiels, il est toutefois important de noter qu’aucun d’entre eux n’est fiable à 100 % et qu’ils peuvent donc générer à la fois des résultats faussement positifs et faussement négatifs. La validité des observations doit toujours être vérifiée en personne. De plus, un résultat confirmé ne signifie pas automatiquement qu’il y a eu falsification ou fabrication. Des erreurs dues à des fautes involontaires ne peuvent être exclues.
