Zum Inhalt springen
celeste-makow-5foF73voxfY-unsplash
23 Februar 2016

Missverständnisse über akademischen Datenaustausch

Ein kürzlich veröffentlicher Leitartikel im New England Journal of Medicine behandelte den offenen Zugang zu Forschungsdaten. Nach Meinung der Autoren Longo und Drazen sind die Nutzer von Sekundärdaten “Parasiten”. Diese Haltung zeigt, dass es noch weit hin ist mit der Offenheit in der akademischen Forschung, glauben Benedikt Fecher und Gert Wagner.

In a recent editorial in the New England Journal of Medicine, the authors Longo and Drazen critically assessed the concept of data sharing in medicine. Their main concern is that a “new class of research person will emerge” that uses data for their own original research questions. The authors, although indirectly, later refer to this class of researcher as “research parasites“. The label “research parasites” does certainly not reflect the zeitgeist of an increasingly collaborative research and initiatives towards openness and transparency. However, it reflects common misconceptions about academic data sharing.

Longo and Drazen make the (valid) point that data might be misinterpreted. On the other hand misinterpretation might be a matter of insufficient data documentation by primary researchers. Moreover, potential misinterpretation cannot be an argument for not sharing research data.

Longo and Drazen miss the very point of scientific research when they write, that the researchers may “even use the data to try to disprove what the original investigators had posited“. It is at the core of the scientific paradigm that researchers take nothing as final truth. This is what Popper proposed in his critical rationalism and Merton in his conceptualization of skepticism.

Longo’s and Drazan’s requirement to “start with a novel idea, one that is not an obvious extension of the reported work” is simply misleading. Especially medical research (which is the subject of Longo’s and Drazan’s) can immensely profit from old ideas through meta-analyses and replication studies that use original datasets.

However the authors touch upon a valid point: the issue of adequate credit for scientific data sharing. They indicate that the adequate form of recognition for data sharing is co-authorship. They suggest to work “symbiotically, rather than parasitically, with the investigators holding the data, moving the field forward in a way that neither group could have done on its own.”

While that is certainly true in particular cases, we argue that co-authorship as the solely instrument for giving credit will unnecessarily restrict the potential of data sharing and can even be to the detriment of the original researcher, for instance if the resulting publications lack quality. And in the case of replication studies, co-authorship makes no scientific sense.

The best instrument for giving “credit where credit is due” would be a much higher appraisal of data sharing by research communities via citations of data sets and the consideration of data “production” in career prospects, funding application and evaluations.

With this end in mind, this “new class of research person” is exactly the opposite of a “research parasite”. This person would be someone who is essential to the scientific enterprise in an increasingly data-intensive and collaborative environment. Longo and Drazen’s editorial however shows that there is still a long way to go before we reach Open Science.

Dieser Beitrag spiegelt die Meinung der Autorinnen und Autoren und weder notwendigerweise noch ausschließlich die Meinung des Institutes wider. Für mehr Informationen zu den Inhalten dieser Beiträge und den assoziierten Forschungsprojekten kontaktieren Sie bitte info@hiig.de

Benedikt Fecher, Dr.

Assoziierter Forscher & Ehem. Forschungsprogrammleiter: Wissen & Gesellschaft

Auf dem Laufenden bleiben

HIIG-Newsletter-Header

Jetzt anmelden und  die neuesten Blogartikel einmal im Monat per Newsletter erhalten.

Forschungsthema im Fokus Entdecken

Du siehst eine Bibliothek mit einer runden Treppe die sich in die höhe schraubt. Sie steht sinnbildlich für die sich stetig weiterentwickelnden digitalen Infrastrukturen unserer Wissensgesellschaft. You see a library with a round staircase that spirals upwards. It symbolises the constantly evolving digital infrastructures of our knowledge society.

Offene Hochschulbildung

Wir erforschen den Einsatz von offener Hochschulbildung, um Wissen für alle in unserer zu fördern, zu teilen und zu verbreiten.

Weitere Artikel

Drei Gruppen von Menschen haben Formen über sich, die zwischen ihnen und in Richtung eines Papiers hin und her reisen. Die Seite ist ein einfaches Rechteck mit geraden Linien, die Daten darstellen. Die Formen, die auf die Seite zusteuern, sind unregelmäßig und verlaufen in gewundenen Bändern.

Beschäftigte durch Daten stärken

Arbeitsplätze werden zunehmend datafiziert. Doch wie können Beschäftigte und Gewerkschaften diese Daten nutzen, um ihre Rechte zu vertreten?

Eine stilisierte Illustration mit einem großen „X“ in einer minimalistischen Schriftart, mit einem trockenen Zweig und verblichenen Blättern auf der einen Seite und einem leuchtend blauen Vogel im Flug auf der anderen Seite. Das Bild symbolisiert einen Übergangsprozess, wobei der Vogel das frühere Twitter-Logo darstellt und das „X“ das Rebranding der Plattform und Änderungen im Regelwerk von X symbolisiert.

Zwei Jahre nach der Übernahme: Vier zentrale Änderungen im Regelwerk von X unter Musk

Der Artikel beschreibt vier zentrale Änderungen im Regelwerk der Plattform X seit Musks Übernahme 2022 und deren Einfluss auf die Moderation von Inhalten.

Das Bild zeigt einen Traktor von oben, der ein Feld bestellt. Eine Seite des Feldes ist grün bewachsen, die andere trocken und erdig. Das soll zeigen, dass nachhaltige KI zwar im Kampf gegen den Klimawandel nützlich sein, selbst aber auch hohe Kosten für die Umwelt verursacht.

Zwischen Vision und Realität: Diskurse über nachhaltige KI in Deutschland

Der Artikel untersucht die Rolle von KI im Klimawandel. In Deutschland wächst die Besorgnis über ihre ökologischen Auswirkungen. Kann KI wirklich helfen?