Podział literatury naukowej

Literatura naukowa obejmuje szeroki zakres publikacji, które można sklasyfikować według ich charakteru, przeznaczenia i formatu. Podział ten jest istotny dla naukowców, studentów i instytucji akademickich, ponieważ pomaga w odpowiednim doborze źródeł oraz w ich cytowaniu. Poniżej przedstawiono podstawowe kategorie literatury naukowej wraz z ich opisem. Poniższa lista została sporządzona na bazie serwisu Researchgate.

1. Artykuł (Article)

Artykuł naukowy to recenzowana publikacja, która prezentuje wyniki badań, analizy lub przegląd literatury w danej dziedzinie nauki. Może być opublikowany w czasopiśmie naukowym.

2. Książka (Book)

Publikacja naukowa w formie monografii, która dogłębnie omawia określony temat badawczy. Może zawierać wyniki wieloletnich badań.

3. Rozdział w książce (Chapter)

Cześć książki naukowej, która koncentruje się na określonym aspekcie tematycznym. Czasami jest wynikiem współpracy wielu autorów.

4. Kod (Code)

Dokumentacja lub publikacja zawierająca kod źródłowy, algorytmy i ich opisy stosowane w badaniach naukowych.

5. Referat konferencyjny (Conference Paper)

Artykuł prezentowany na konferencji naukowej, który może być publikowany w materiałach pokonferencyjnych.

6. Strona tytułowa (Cover Page)

Pierwsza strona pracy naukowej zawierająca tytuł, autora, afiliację oraz inne istotne informacje.

7. Zbiór danych (Data)

Opublikowany zbór danych wykorzystywanych w badaniach naukowych, dostępny dla innych badaczy.

8. Wyniki eksperymentu (Experiment Findings)

Publikacja prezentująca rezultaty przeprowadzonych badań eksperymentalnych.

9. Metoda badawcza (Method)

Opis zastosowanej metody badawczej, która może być wykorzystana przez innych badaczy w replikacji wyników.

10. Wyniki negatywne (Negative Results)

Publikacja prezentująca wyniki badań, które nie potwierdziły hipotezy, ale są istotne dla dalszych badań.

11. Patent

Opis wynalazku lub technologii opatentowanej w wyniku badań naukowych.

12. Plakat (Poster)

Wizualna prezentacja badań naukowych przedstawiona na konferencjach i sympozjach naukowych.

13. Preprint

Wstępna wersja artykułu naukowego opublikowana przed oficjalnym procesem recenzji.

14. Prezentacja (Presentation)

Materiały wizualne używane podczas wykładów i konferencji naukowych.

15. Surowe dane (Raw Data)

Nieprzetworzone dane zebrane w trakcie badań naukowych.

16. Projekt badawczy (Research Proposal)

Dokument opisujący cel, metodykę i planowane wyniki przyszłych badań.

17. Raport techniczny (Technical Report)

Dokument zawierający szczegółowe wyniki badań naukowych lub technicznych, zwykle publikowany przez instytucje badawcze.

18. Praca dyplomowa (Thesis)

Obszerna praca naukowa napisana w celu uzyskania stopnia naukowego (licencjat, magister, doktorat).

Podsumowanie

Podział literatury naukowej ułatwia klasyfikację i wybór odpowiednich źródeł do badań. Każda kategoria ma swoje specyficzne cechy i przeznaczenie, co pomaga w skutecznym wykorzystaniu dostępnych materiałów w pracy naukowej.

więcej

Ewolucja coachingu: od intuicji do naukowo ugruntowanej praktyki z perspektywy EBM

Coaching przeszedł fascynującą transformację – od luźnych, intuicyjnych metod bazujących na osobistych doświadczeniach i inspiracji, do solidnie ugruntowanej, metodycznej praktyki opartej na dowodach naukowych. W kontekście EBManagement (Evidence-Based Management) oznacza to, że współczesne podejście do coachingu musi spełniać kryteria rzetelności, mierzalności i skuteczności, bazując na dowodach empirycznych, a nie tylko subiektywnych odczuciach.

1. Pierwszy etap: coaching intuicyjny i inspiracyjny

W początkowej fazie coaching często opierał się na charyzmie coacha oraz jego indywidualnym podejściu do klienta. Dominowały metody intuicyjne, czerpane z doświadczeń osobistych, psychologii popularnej i inspiracji duchowych. Coaching był postrzegany jako sztuka wspierania ludzi w osiąganiu celów, ale brakowało mu formalnych ram metodologicznych.

2. Wzrost świadomości i pierwsze strukturalne modele

W miarę popularyzacji coachingu zaczęły pojawiać się pierwsze modele pracy, jak np. model GROW (Goal, Reality, Options, Will) czy podejście skoncentrowane na rozwiązaniach (Solution-Focused Coaching). Były to pierwsze próby strukturalizacji procesu coachingowego, ale nadal brakowało solidnych badań potwierdzających ich skuteczność.

3. Coaching w erze EBM – oparcie na dowodach naukowych

Współczesny coaching, zgodnie z zasadami Evidence-Based Management, musi opierać się na:

• Najlepszych dostępnych dowodach naukowych – czyli badaniach empirycznych dotyczących skuteczności różnych metod coachingowych.
• Doświadczeniu i ekspertyzie praktyków – weryfikacja skuteczności narzędzi w praktyce biznesowej i organizacyjnej.
• Preferencjach i wartościach klientów – personalizacja podejścia w oparciu o dane i potrzeby danej organizacji.
• Analizie kontekstu organizacyjnego – coaching w biznesie nie może funkcjonować w oderwaniu od strategii firmy, kultury organizacyjnej i celów biznesowych.

4. Neurocoaching i psychologia behawioralna

Obecnie coaching coraz częściej wykorzystuje neuronalne podstawy podejmowania decyzji oraz wiedzę z zakresu psychologii behawioralnej, co pozwala na skuteczniejsze modelowanie procesów zmiany i rozwój kompetencji miękkich. Techniki oparte na neurolingwistycznym programowaniu (NLP) czy psychologii pozytywnej są analizowane pod kątem ich rzeczywistej skuteczności.

5. Coaching przyszłości – AI, Big Data

Kolejnym krokiem w rozwoju coachingu będzie wykorzystanie sztucznej inteligencji i analizy big data do personalizacji procesów rozwojowych. Już teraz AI wspiera coachów w analizie postępów klientów, predykcji ich zachowań i dostosowywaniu metod pracy do indywidualnych preferencji.

Podsumowanie

Współczesny coaching jest daleki od luźnych, intuicyjnych metod sprzed lat. Stał się naukowo ugruntowaną praktyką, której skuteczność można mierzyć i optymalizować. W kontekście EBManagement oznacza to, że organizacje wdrażające coaching muszą:

1. Stawiać na sprawdzone metody i modele poparte badaniami.
2.  Monitorować skuteczność coachingu na poziomie organizacyjnym.
3.  Dostosowywać programy rozwojowe do realnych potrzeb biznesu.

Tylko wtedy coaching będzie narzędziem realnie wpływającym na efektywność liderów, zespołów i organizacji. 

Polecam

Janulek, P., Ewolucja w coachingu, https://www.linkedin.com/feed/update/urn:li:ugcPost:7293539695374876672/  [2025-02-06]

więcej

Tagi Google (kody śledzenia) w służbie nauki

Google Tag Manager (GTM) to narzędzie, które pozwala na łatwą integrację z różnymi tagami na stronie, np. kodami śledzenia Google Analytics, tagami remarketingowymi, pikselami Facebooka, czy też niestandardowymi skryptami. Dzięki GTM naukowcy zyskują wygodny sposób na zbieranie i analizowanie danych związanych z interakcjami użytkowników na stronach internetowych lub platformach e-learningowych. W tym artykule omówimy, jak GTM może być zastosowany w kontekście badań naukowych oraz jakie korzyści płyną z jego wdrożenia.

1. Zbieranie danych i analiza ruchu w badaniach naukowych
W wielu dziedzinach nauki, zwłaszcza w psychologii, socjologii, czy naukach o edukacji, ważne jest zbieranie danych o interakcjach użytkowników z treściami dostępnymi na stronach internetowych. GTM umożliwia łatwe implementowanie narzędzi analitycznych, takich jak Google Analytics czy Hotjar, które pomagają w śledzeniu, jak użytkownicy wchodzą w interakcję z danymi materiałami. Tagi mogą rejestrować informacje o kliknięciach, przewijaniu stron, czasie spędzonym na stronie czy porzuceniu formularzy.

Takie dane mogą być kluczowe w badaniach dotyczących efektywności materiałów edukacyjnych, testów online, czy w eksperymentach dotyczących zachowań użytkowników w środowisku cyfrowym.

2. Optymalizacja badań eksperymentalnych
Google Tag Manager daje badaczom możliwość przeprowadzania zaawansowanych eksperymentów online bez potrzeby ręcznego modyfikowania kodu strony. Badacze mogą implementować różne tagi w celu testowania hipotez, np. poprzez A/B testing, czyli testowanie dwóch wersji strony (lub komponentu strony) w celu sprawdzenia, która z nich lepiej odpowiada na potrzeby użytkowników. Dzięki temu można przeprowadzać eksperymenty związane z interakcją z treściami edukacyjnymi, oceną wrażeń użytkowników lub zachowaniami konsumentów w badaniach rynkowych.

3. Monitorowanie wyników edukacyjnych i efektywności kursów online
GTM może wspierać badania związane z nauką i edukacją, szczególnie w kontekście kursów online i platform edukacyjnych. Naukowcy mogą monitorować, jak uczestnicy kursów korzystają z materiałów edukacyjnych: które elementy są klikane najczęściej, jakie materiały są oglądane w pełni, a które są porzucane. Dodatkowo, można śledzić, w jaki sposób użytkownicy angażują się w interaktywne elementy, takie jak quizy, testy czy fora dyskusyjne. Te dane mogą posłużyć do analizy efektywności metod nauczania i do optymalizacji kursów w oparciu o rzeczywiste zachowania użytkowników.

4. Zastosowanie w badaniach socjologicznych i psychologicznych
Google Tag Manager pozwala na zbieranie danych związanych z zachowaniami użytkowników na stronach internetowych, co jest cenne w badaniach socjologicznych i psychologicznych. Analiza śladów cyfrowych pozwala na zgłębianie tematów takich jak uzależnienie od internetu, wpływ mediów społecznościowych na zachowanie jednostek czy badanie reakcji ludzi na różne typy treści. GTM ułatwia zbieranie tych danych w sposób zautomatyzowany, co pozwala na uzyskanie rzetelnych i szerokich wyników, które można analizować za pomocą narzędzi statystycznych.

5. Integracja z narzędziami zewnętrznymi i badania międzyplatformowe
GTM może być używany do integracji z innymi narzędziami analitycznymi i badawczymi, co daje naukowcom jeszcze szersze możliwości zbierania i analizy danych. Dzięki współpracy z narzędziami takimi jak Google Optimize (A/B testing), Google BigQuery (analiza danych w chmurze) czy Zapier (automatyzacja procesów), badacze mogą tworzyć kompleksowe systemy do analizowania danych z różnych źródeł i platform. Możliwość zbierania danych z różnych kanałów (strony internetowe, aplikacje mobilne, social media) pozwala na bardziej holistyczne podejście do badań.

6. Zwiększenie dostępności danych naukowych
GTM może również wspierać inicjatywy związane z dostępnością danych naukowych. Dzięki jego elastyczności, tagi mogą być używane do gromadzenia informacji o interakcjach z publikacjami naukowymi, repozytoriami danych, a także o udostępnianiu wyników badań. Naukowcy mogą śledzić, jakie materiały są najczęściej pobierane lub przeglądane, co pozwala na lepsze dostosowanie zasobów do potrzeb odbiorców.

7. Popularyzacja nauki
Google Tag Manager wspiera popularyzację nauki poprzez poprawę dostępności treści edukacyjnych i popularnonaukowych. Dzięki łatwemu implementowaniu tagów umożliwiających analizę efektywności przekazu, badacze mogą lepiej dopasować treści do odbiorców i testować różne formy prezentacji wyników badań. GTM może także wspomagać badania nad tym, jak różne grupy społeczne reagują na określone komunikaty naukowe, co jest cenne w kontekście strategii komunikacji nauki.

Jak narzędzia analityczne wspierają procesy zarządzania dowodami

Tabela pokazuje, jak narzędzia analityczne wspierają procesy zarządzania dowodami, umożliwiając gromadzenie, analizowanie i ocenę efektywności działań zarządzających, co jest kluczowe dla podejmowania decyzji opartych na rzetelnych dowodach.

Obszar	Wsparcie w zarządzaniu dowodami	Zasada etyki
Zbieranie	Umożliwia efektywne śledzenie interakcji użytkowników z badaniami, raportami, dokumentami oraz innymi źródłami danych, co pozwala na gromadzenie cennych informacji dotyczących efektywności różnych strategii zarządzania.	Przejrzystość i integralność – Dane muszą być zbierane w sposób rzetelny i przejrzysty, zapewniając pełną zgodność z przepisami prawa i normami etycznymi.
Monitorowanie	Śledzi, które informacje i zasoby są najczęściej przeglądane i z jakim zaangażowaniem, co umożliwia ocenę skuteczności prezentowanych dowodów i podejść zarządzających.	Odpowiedzialność za dane – Należy odpowiedzialnie gromadzić dane, chroniąc prywatność użytkowników oraz zachowując transparentność procesów analitycznych.
Ocena	Pozwala analizować, które materiały edukacyjne (szkolenia, artykuły, kursy online) są najskuteczniejsze w przekazywaniu wiedzy oraz wspierają lepsze decyzje w procesach zarządzania.	Bezstronność – Materiały edukacyjne i analizy muszą być oparte na wiarygodnych, sprawdzonych źródłach, bez faworyzowania jakichkolwiek interesów zewnętrznych.
Analiza	Umożliwia monitorowanie i analizowanie, które podejścia lub narzędzia w procesie zarządzania są najczęściej wybierane, co pozwala na optymalizację działań opartych na dowodach.	Uczciwość w analizach – Wyniki analiz muszą być prezentowane w sposób uczciwy, bez manipulacji danymi, w celu dostarczenia obiektywnego obrazu efektywności działań.
Integracja	Ułatwia integrację z narzędziami analitycznymi, co pozwala na lepsze zbieranie, przetwarzanie i raportowanie danych w kontekście decyzji zarządzających opartych na dowodach.	Bezpieczeństwo danych – Zapewnienie odpowiednich środków ochrony danych przed nieautoryzowanym dostępem, naruszeniami prywatności i ich niewłaściwym wykorzystaniem.
Audyt	Umożliwia przeprowadzanie audytów jakości działań zarządzających, pomagając ocenić ich skuteczność w oparciu o konkretne dane i wyniki analiz.	Transparentność wyników – Wyniki audytów powinny być dostępne i przejrzyste dla wszystkich zainteresowanych stron, w celu zachowania odpowiedzialności i wiarygodności w procesie zarządzania.

Wnioski

Google Tag Manager to narzędzie o dużym potencjale dla naukowców, którzy chcą analizować zachowania użytkowników, przeprowadzać eksperymenty online oraz optymalizować procesy edukacyjne. Dzięki jego elastyczności i integracji z różnymi platformami analitycznymi, badacze mogą gromadzić wartościowe dane, które stanowią fundament do tworzenia nowych hipotez i wniosków. GTM wprowadza nową jakość w badaniach naukowych, umożliwiając bardziej precyzyjne i rzetelne monitorowanie zjawisk w środowisku cyfrowym.

Źródło grafiki: https://ads.google.com/home/privacy/solutions/google-tag/

więcej

Inicjatywa Retraction Watch

Retraction Watch to inicjatywa, która od lat odgrywa kluczową rolę w monitorowaniu retrakcji artykułów naukowych. Projekt Retraction Watch Data, dostępny na platformie GitLab, stanowi istotne narzędzie wspierające przejrzystość i rzetelność w świecie nauki. Dzięki regularnym aktualizacjom i otwartemu dostępowi do danych, społeczność naukowa oraz osoby zainteresowane mają możliwość dogłębnej analizy problemów związanych z retrakcjami.

Co oferuje projekt Retraction Watch Data?

1. Dane o retrakcjach
   Projekt gromadzi informacje o retrakcjach z wielu źródeł, takich jak strony wydawnicze, bazy danych naukowych oraz inne zasoby online. Te dane pozwalają śledzić przypadki wycofania publikacji z powodów takich jak błędy metodologiczne, plagiaty czy inne naruszenia etyki naukowej.

2. Codzienne aktualizacje
   Dzięki regularnym aktualizacjom użytkownicy mogą mieć pewność, że korzystają z najnowszych dostępnych informacji. Aktualizacja danych odbywa się codziennie, co pozwala na bieżące śledzenie zmian w zakresie retrakcji i powiązanych wydarzeń.

3. Dostępność danych w formacie CSV
   Dane są udostępniane w formacie CSV, co czyni je łatwo dostępnymi dla użytkowników zajmujących się analizami statystycznymi, budowaniem modeli danych czy wizualizacjami. Dzięki temu naukowcy, dziennikarze oraz instytucje mają możliwość skutecznego korzystania z tych zasobów w swoich badaniach.

Dlaczego projekt jest ważny dla nauki?

Retrakcje naukowe są ważnym narzędziem zapewniającym odpowiedzialność i rzetelność w publikacjach naukowych. Informowanie o nich pomaga wyeliminować błędy, zapobiegać nieetycznym praktykom i budować zaufanie do nauki. Projekt Retraction Watch Data, dzięki swojej dostępności i przejrzystości, wspiera ten proces, umożliwiając społeczności naukowej:

• Identyfikowanie problematycznych obszarów w publikacjach naukowych,
• Śledzenie trendów w zakresie retrakcji i ich przyczyn,
• Pogłębianie wiedzy na temat tego, jak poprawić procesy publikacyjne.

Jak skorzystać z projektu?

Projekt Retraction Watch Data dostępny jest na GitLabie, co pozwala każdemu na bezpłatne pobieranie danych i korzystanie z nich zgodnie z własnymi potrzebami. Platforma GitLab umożliwia także integrację tych danych z różnymi narzędziami analitycznymi, co czyni projekt jeszcze bardziej uniwersalnym i użytecznym.

Podsumowanie

Projekt Retraction Watch Data to krok naprzód w budowaniu przejrzystości w nauce. Codzienne aktualizacje, otwarty dostęp i łatwość wykorzystania danych czynią go niezwykle cennym źródłem informacji dla wszystkich, którzy dążą do utrzymania wysokich standardów etyki i rzetelności naukowej.

Źródło: 

1. https://retractionwatch.com/papers-that-cite-retraction-watch/ [2025-01-26]
2. Małgorzata Skórzewska-Amberg, Weryfikacja pozycji naukowej autora i jego jednostki kluczem do walki z papierniami, https://forumakademickie.pl/sprawy-nauki/weryfikacja-pozycji-naukowej-autora-i-jego-jednostki-kluczem-do-walki-z-papierniami/; (26 01 2025).

więcej

Retrakcja naukowa

Retrakcja naukowa to proces wycofania wcześniej opublikowanego artykułu naukowego z literatury naukowej. Retrakcja jest zwykle ogłaszana przez wydawcę lub autorów i może być spowodowana różnymi przyczynami, takimi jak błędy metodologiczne, fałszowanie danych, plagiat lub inne nieetyczne praktyki. Celem retrakcji jest korygowanie literatury naukowej i zapewnienie jej integralności oraz dokładności.

Wycofania artykułów naukowych powinny być ogłaszane w sposób przejrzysty i zrozumiały dla całej społeczności – zarówno badaczy, jak i społeczeństwa. Informacje o przyczynach wycofania muszą być jasne i łatwo dostępne, aby umożliwić korektę dalszych badań oraz zapobiec powielaniu błędów lub manipulacji.

Retrakcje są istotnym elementem w utrzymaniu rzetelności badań naukowych i ochronie wiarygodności literatury naukowej. Aby zachować przejrzystość, informacje o retrakcjach są zazwyczaj publicznie dostępne i mogą być śledzone przez różne bazy danych, takie jak Retraction Watch.

więcej

Cherry-picking w służbie hipotezy

Cherry-picking, czyli wybiórcze przedstawianie danych naukowych, to zjawisko polegające na świadomym wybieraniu jedynie tych informacji, które potwierdzają określoną hipotezę, przy jednoczesnym ignorowaniu dowodów, które mogłyby ją podważyć. Choć nauka opiera się na dążeniu do obiektywności i prawdy, cherry-picking podważa te ideały, prowadząc do zniekształcenia rzeczywistości oraz wprowadzania w błąd odbiorców.

Przykłady cherry-pickingu można odnaleźć w raportach dotyczących zmian klimatycznych, medycyny czy żywienia, gdzie prezentowane są jedynie wybrane fragmenty danych, ignorujące pełny kontekst i przeciwwskazania. Jak jednak zdiagnozować cherry-picking w badaniach lub publikacjach naukowych?

Wskaźniki diagnostyczne cherry-pickingu

Poniższa tabela przedstawia trzy kluczowe wskaźniki, które mogą świadczyć o stosowaniu cherry-pickingu:

Wskaźnik	Opis	Znaczenie dla diagnozy
Brak równowagi w przedstawianiu wyników	Autorzy eksponują tylko dane wspierające ich tezę, pomijając inne badania lub wyniki sprzeczne z hipotezą.	Wskazuje na selektywność w celu uwiarygodnienia z góry przyjętego stanowiska.
Nieprzejrzystość w doborze źródeł	Brak uzasadnienia, dlaczego niektóre dane zostały uwzględnione w analizie, a inne pominięte.	Może sugerować ukrywanie dowodów niewygodnych dla tezy badawczej.
Zniekształcenie statystyk	Prezentowanie danych w sposób wyolbrzymiający pozytywne wyniki lub bagatelizujący wyniki negatywne.	Wskazuje na manipulację interpretacją danych w celu ich uprawdopodobnienia.

Dlaczego cherry-picking jest niebezpieczne?

Cherry-picking narusza etos naukowy, osłabiając zaufanie do badań. W praktyce może prowadzić do fałszywych wniosków i nieodpowiednich decyzji – w polityce zdrowotnej, ochronie środowiska czy medycynie. Na przykład wybiórcze badania dotyczące skuteczności terapii mogą powodować promowanie nieskutecznych metod leczenia, co jest szczególnie niebezpieczne dla pacjentów.

Jak przeciwdziałać cherry-pickingowi?

Zjawisko to wymaga większej przejrzystości w procesie badawczym, rzetelnego recenzowania publikacji oraz edukacji zarówno naukowców, jak i społeczeństwa w zakresie krytycznego podejścia do prezentowanych danych. Tylko dzięki temu nauka może pełnić swoją podstawową funkcję – dostarczanie obiektywnej i wiarygodnej wiedzy o rzeczywistości.

więcej

Papiernie naukowe (ang. research paper mills)

Papiernie naukowe (ang. research paper mills) to organizacje lub grupy osób zajmujące się masową produkcją artykułów naukowych, które następnie są publikowane w renomowanych czasopismach w sposób niezgodny z zasadami etyki naukowej. Ich działalność polega na dostarczaniu „gotowych” tekstów na zamówienie lub sprzedaży miejsc współautorskich w artykułach już przygotowanych do publikacji. W ofercie papierni często znajdują się także usługi tłumaczeń, korekty naukowej oraz wsparcie w procesie publikacji. Model biznesowy takich organizacji opiera się na wykorzystywaniu presji wywieranej na naukowców, którzy w celu podniesienia swojego dorobku naukowego, niejednokrotnie sięgają po usługi tego typu.

W kontekście rosnącej liczby przypadków związanych z papierniami, kluczowym aspektem walki z tym zjawiskiem staje się weryfikacja pozycji naukowej autorów oraz instytucji, z którymi są oni związani. Tylko w ten sposób można zapewnić rzeczywistą przejrzystość i odpowiedzialność w środowisku naukowym. Proces weryfikacji obejmowałby dokładniejsze sprawdzenie afiliacji naukowca oraz powiązań z jednostką naukową, w której publikuje. Wycofanie artykułu z renomowanego czasopisma, w wyniku wykrycia powiązań z papiernią, może być początkiem procesu mającego na celu nie tylko ukaranie autora, ale i instytucji, z którą jest związany. Z tego powodu, w niektórych przypadkach, należałoby rozważyć żądanie zwrotu funduszy uzyskanych przez naukowca i uczelnię na podstawie zakwestionowanej publikacji.

Taki system weryfikacji nie tylko zmniejszyłby popularność papierni, ale także mógłby stanowić mocny argument dla zachowania etyki naukowej. Zjawisko papierni podważa nie tylko wiarygodność pojedynczych publikacji, ale i cały system oceny naukowej, który wciąż opiera się w dużej mierze na liczbie publikacji w prestiżowych czasopismach. Działania mające na celu eliminację publikacji z papierni pozwolą na odzyskanie zaufania do rzetelnych badań naukowych oraz sprawią, że uczelnie i grantodawcy zaczną większą wagę przykładać do jakości badań, a nie tylko do ilości opublikowanych artykułów.

więcej

Plan S i arXiv Czy to odpowiedź na problemy nauki?

Współczesna nauka znajduje się na rozdrożu. Z jednej strony naciska na nią potrzeba otwartości i dostępności wyników badań, czego przykładem są inicjatywy takie jak Plan S i arXiv. Z drugiej strony, istnieje problem nadprodukcji naukowych publikacji – zjawiska określanego mianem „papierni” naukowej – które podważa wartość i celowość niektórych badań. Jak te dwa nurty wpływają na siebie nawzajem? Czy otwarta nauka jest lekarstwem na presję publikacyjną?

Presja publikacyjna a „papiernia” naukowa

Presja publikacyjna, określana hasłem „publish or perish” (publikuj albo zgiń), zmusza naukowców do regularnego publikowania wyników badań, aby utrzymać się w akademickiej grze. System oceniania naukowców oparty na liczbie publikacji, cytowaniach i wskaźnikach takich jak impact factor, prowadzi do szeregu negatywnych zjawisk:

1. Nadprodukcja niskiej jakości artykułów: badania o wątpliwej wartości naukowej są publikowane w masowych ilościach, często w czasopismach o niskim standardzie recenzji.
2. Fragmentacja badań: duże projekty badawcze są sztucznie dzielone na mniejsze artykuły, by zwiększyć liczbę publikacji (tzw. salami slicing).
3. Problemy etyczne: presja na wyniki prowadzi czasem do manipulacji danymi, plagiatu lub publikowania w pseudonaukowych czasopismach (tzw. predatory journals).

Plan S i arXiv jako odpowiedź na problemy nauki

Plan S – zmiana systemowa

Plan S to inicjatywa mająca na celu wprowadzenie obowiązkowego otwartego dostępu do wyników badań finansowanych ze środków publicznych. Jej założenia nie tylko wspierają otwartość nauki, ale również zmuszają do refleksji nad jakością publikacji.

• Ograniczenie nadprodukcji: Plan S promuje model, w którym nacisk kładzie się na jakość publikacji, a nie na ich ilość. Naukowcy muszą publikować w otwartych czasopismach lub repozytoriach, co eliminuje możliwość ukrywania prac w płatnych, niskiej jakości periodykach.
• Zwiększenie dostępności: dzięki Planowi S wyniki badań stają się dostępne dla wszystkich, co z kolei sprzyja lepszej współpracy i wymianie wiedzy między naukowcami.

Jednak Plan S nie jest wolny od krytyki. Niektórzy badacze obawiają się, że obowiązkowe publikowanie w otwartym dostępie zwiększy presję finansową na naukowców, zmuszając ich do opłacania kosztów publikacji (APC – article processing charges). To z kolei może pogłębiać nierówności między bogatymi a biednymi ośrodkami badawczymi.

arXiv – platforma dla naukowców

arXiv, jako repozytorium preprintów, odgrywa kluczową rolę w promowaniu szybkiego i otwartego dostępu do wyników badań. W kontekście presji publikacyjnej i nadprodukcji arXiv oferuje kilka rozwiązań:

1. Szybka publikacja wyników: dzięki arXiv naukowcy mogą udostępniać swoje prace jeszcze przed ich oficjalną recenzją. To zmniejsza presję na publikowanie w wysokopunktowanych czasopismach i promuje otwartą dyskusję naukową.
2. Transparentność: publikowanie preprintów na arXiv umożliwia naukowcom udostępnianie pełnych wyników badań, co przeciwdziała fragmentacji badań.
3. Dostęp dla każdego: wszystkie materiały na arXiv są dostępne bezpłatnie, co eliminuje finansowe bariery dostępu do wiedzy.

Choć arXiv działa głównie w środowiskach takich jak fizyka, matematyka i informatyka, jego model z powodzeniem może być adaptowany w innych dziedzinach nauki.

Fot. Pogens [w] English-language Wikipedia Paul Henry Ginsparg (ur. 1 stycznia 1955) fizyk, twórca arXiv.org .

Czy otwarta nauka rozwiązuje problem „papierni”?

Zarówno Plan S, jak i arXiv dążą do zwiększenia dostępności i transparentności nauki, ale czy mogą być remedium na problem nadprodukcji publikacji?

• Zalety otwartego dostępu: inicjatywy takie jak Plan S i arXiv promują publikacje o wysokiej jakości, które są dostępne dla szerokiego grona odbiorców. W dłuższej perspektywie mogą ograniczyć presję na ilość publikacji, przenosząc ciężar oceny naukowców na jakość ich pracy.

• Ryzyko paradoksu: jednocześnie otwarty dostęp może paradoksalnie nasilać problem „papierni”, jeśli nie zostaną wprowadzone odpowiednie mechanizmy kontroli jakości. Bez odpowiedniej edukacji i zmiany kultury naukowej, nawet w modelu otwartym może dochodzić do nadużyć i nadprodukcji.

Propozycje rozwiązania problemu

1. Zmiana systemu oceny naukowców: odejście od oceny opartej na liczbie publikacji i wskaźnikach cytowań na rzecz bardziej jakościowych kryteriów, takich jak wpływ badań na społeczeństwo, współpraca międzynarodowa czy jakość dydaktyki.
2. Promowanie repozytoriów jak arXiv: rozszerzenie takich platform na nowe dziedziny nauki oraz stworzenie zachęt dla naukowców do publikowania w otwartym modelu.
3. Edukacja naukowców: szkolenia z zakresu etyki publikacyjnej i znaczenia otwartego dostępu mogą pomóc zmienić podejście do publikowania.
4. Transparentne finansowanie: zarówno Plan S, jak i inne inicjatywy Open Access powinny gwarantować, że koszty publikacji nie będą barierą dla naukowców z mniej zamożnych ośrodków.

Podsumowanie

Plan S i arXiv to kluczowe inicjatywy w walce o otwartość i dostępność nauki. Choć nie są one wolne od wyzwań, ich potencjał w przeciwdziałaniu problemom presji publikacyjnej i „papierni” naukowej jest ogromny. Kluczem do sukcesu jest jednak zmiana nie tylko narzędzi, ale i kultury naukowej – odejście od ilości na rzecz jakości, wspieranie współpracy zamiast konkurencji oraz zapewnienie, że nauka pozostaje dostępna dla wszystkich, a nie tylko dla wybranych.

więcej