《Neuroscience & Biobehavioral Reviews》:A quantitative account of how limited information sharing undermines comprehensive literature syntheses
编辑推荐:
本文为一项量化研究报告,深入探讨了科研作者在回应数据/信息请求时的现实困境。该研究基于七个神经影像学荟萃分析项目中377次邮件请求的回顾性分析,揭示了仅52%的请求得到回复,而最终对研究有实际贡献的仅占29%的严峻现状。作者系统剖析了影响回应率和数据共享成功率的关键因素,如过时联系方式、数据类型、出版时间等,并指出其背后深层次原因在于学术体系的激励结构、研究数据管理(RDM)实践不足等。文章超越了单纯的现象描述,为改善开放科学实践、优化学术生态系统以促进研究结果的透明与高效复用,提供了基于实证的建设性意见。
在追求严谨、可重复、可复制的科学道路上,透明报告与数据共享是基石。然而,现实往往骨感。当荟萃分析研究者试图联系原始研究作者,请求未发表的组水平结果或缺失的研究信息时,他们面临着怎样的挑战与成功率?一项基于七个神经影像学荟萃分析项目的量化研究,为我们揭开了这略显尴尬却又至关重要的科研协作面纱。
核心发现:回应与共享的双重困境
研究团队在2017年4月至2023年3月期间,共向291位不同作者发送了377次邮件请求,涉及297篇不同论文。结果如何?总体而言,仅有52%的请求收到了回复,而高达48%的请求石沉大海。在这有限的回复中,又只有约56%(即占总请求量的29%)最终提供了对荟萃分析项目具有相关性的信息——其中83%的信息被成功纳入分析,17%的信息则明确了该研究应被排除的原因。这意味着,尽管积极联系作者,最终能有效丰富荟萃分析数据库的研究比例不足三分之一。
尽管如此,这一努力并非徒劳。正是通过这些获得的额外信息,研究者成功将90项额外研究纳入其荟萃分析,显著增强了相关项目的统计效能和全面性。甚至有四个项目若没有这些额外数据,将因研究数量不足(神经影像荟萃分析通常需要>17个实验)而无法进行。
为何邮件无人回复?四大影响因素浮出水面
通过广义线性混合模型(GLMM)分析,研究发现以下因素显著影响了获得回复的可能性:
- 1.
过时的联系方式:使用论文中提供的联系邮箱,反而会降低获得回复的几率(比值比OR = 0.42)。这直接反映了学术界,尤其是初级研究人员的高流动率——他们常被署名为通讯作者,但一旦毕业、更换机构或离开学术界,其邮箱便可能失效。提供ORCID等持久标识符,或使用实验室公共邮箱,或许是解决之道。
- 2.
请求信息的类型:与请求行为学数据或澄清说明相比,请求神经影像结果数据获得回复的几率更高(OR = 2.96)。这可能是因为在神经影像研究中,行为学数据常被当作次要数据,存储和管理不如影像数据系统化。
- 3.
发送提醒邮件:出人意料的是,需要发送提醒邮件的请求,其获得回复的几率反而更低(OR = 2.32,指“未发提醒”组几率更高)。这提示存在一种“选择效应”:倾向于回复的作者通常已在第一封邮件时回复;而不回复的作者,即便被提醒,也可能依然沉默。
- 4.
私人关系:如果联系人与被联系作者相识,获得回复的几率显著提高(OR = 7.96)。学术网络的影响力在此凸显。
有趣的是,论文的出版年份长短对是否获得回复并无显著影响。这意味着,即使对于较老的文献,只要能找到作者当前有效的联系方式,尝试联系仍可能有价值。
即便回复,为何仍难获所需?时间与数据管理的挑战
在获得回复的请求中,仍有相当一部分未能提供所需信息。主要原因并非通常假设的法律约束或对“被抢先发表”的担忧,而更多是实际操作问题:作者表示无法再找到或访问数据、承诺稍后发送却再无下文、或将请求转给其他合著者。这直指两个核心痛点:
- 1.
研究数据管理(RDM)缺失:神经影像数据体量大、结构复杂,若在研究项目结束后没有进行妥善的整理、归档和标注,时过境迁后,即使原作者自己也难以找回特定分析结果。遵循FAIR(可发现、可访问、可交互、可复用)原则的数据管理至关重要。
- 2.
学术激励结构错位:当前“不发表就出局”的学术压力,倾向于奖励新成果的产出,而非对过去研究数据的长效维护与共享。投入时间整理和分享旧数据,往往被视为没有直接回报的负担。
研究还发现,出版时间越长,获得相关信息的可能性确实越低。这印证了数据随时间“流失”的现实。
迈向更开放的科学:系统性变革的呼唤
尽管面临挑战,主动联系作者以获取未发表信息,对于推动荟萃分析等研究合成工作仍不可或缺。为了提升协作效率,需要在多个层面推动变革:
- •
实践层面:作者应考虑使用持久联系方式(如ORCID),在发表时更全面地报告数据(特别是行为学数据),并遵循领域报告规范(如神经影像学的COBIDAS报告标准)。
- •
技术层面:积极利用现有的数据共享平台(如NeuroVault、Open Science Framework、ANIMA等),不仅共享原始数据,也可考虑共享更广泛的组水平分析结果。
- •
教育层面:在科研训练早期,就应纳入可重复性研究、开放科学和良好数据管理的教育。
- •
系统层面:根本在于改变学术界的激励体系,在基金申请、职位晋升中,认可和奖励良好的数据管理实践和数据共享行为。将“数据善后”工作明确纳入研究项目的时间规划和预算中。
总之,这项研究量化了科研信息共享道路上的沟壑,也指明了搭建桥梁的方向。从个体研究者的数据管理习惯,到整个学术文化的塑造,每一步改进都将使科学知识的大厦建得更稳固,让基于前人工作的创新探索走得更顺畅。