返回资讯中心
外部精选
软件工程
#开发者实时流

哈佛教授Gino被解雇后,数据造假指控再添一篇论文

来源标题:Data Falsificada #5: Fold Me Once

学术打假者发布第五篇帖子,指称哈佛教授Francesca Gino参与合著的另一篇论文存在数据造假。该文为2011年Adam Grant、Gino与David Hofmann合著的关于外向型领导优势的研究。此前Gino因数据篡改被哈佛调查后解雇,已有四篇论文被撤稿。

Hacker News 最新rahimnathwani2026/11/11 · 6 天前29 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

2023年,我们发布了一系列文章,列举了哈佛大学教授Francesca Gino参与合著的四篇论文中存在造假行为的证据。这四篇论文均已被撤稿,且在哈佛大学进行了长时间的调查并发现数据篡改的直接证据后(例如参见Colada 118:“Harvard's Gino Report Reveals How A Dataset Was Altered”),Gino被解雇[1]。

在那些文章的引言部分(.htm),我们强调过,我们的担忧并不局限于那四篇论文,我们相信她的许多其他论文中也包含伪造的数据。于是,我们又回来了,带来第五篇文章,描述Gino参与合著的另一篇论文中的造假证据。

具体来说,本文涉及的是2011年由Adam Grant、Francesca Gino和David Hofmann合著的一篇题为“Reversing the extraverted leadership advantage: The role of employee proactivity”的文章(.htm)。该论文的第一作者Adam Grant向我们发送了两个数据文件:一个是Gino制作的文件,包含已发表的数据;另一个是更早的文件,来自协助运行该研究的研究助理[2]。在本文中,我们只是简单地比较这两个文件,看看数据是如何被更改的[3]。

折叠一次……

在这篇被Google Scholar引用超过900次的文章中,作者假设外向型领导在员工被动时提高生产力,但在员工主动时降低生产力。文章包含两项研究。研究1为相关性研究,未经Francesca Gino分析;研究2为实验研究,由Francesca Gino进行分析[4]。我们将重点关注研究2。

研究2于2010年在北卡罗来纳大学进行,当时Gino在该校担任教职[5]。四到五人组成的团队有10分钟时间尽可能多地折叠T恤。每个团队有一人被指派扮演外向型或内向型领导,两人被指派为追随者,另有一到两名助手被指派示范主动或被动行为[6]。正如预测的那样,当团队拥有外向型领导和被动追随者,或内向型领导和主动追随者时,团队折叠的T恤更多。见下方他们的结果图[7]:

比较Gino数据文件与更早的数据文件

“更早的”数据文件——从研究助理处获得——创建时间更早(2010年3月29日,由用户名为“chip”的用户创建),而“Gino”数据文件创建于2010年4月20日(由“Francesca Gino”创建)[8]。更早的文件包含研究助理对每位参与者折叠T恤数量的计数。Gino文件也包含这些计数,以及一些额外数据,包括参与者随后对Qualtrics后续调查的回应[9]。我们的分析聚焦于计数,因为这些计数(1)在两个文件中都出现,(2)代表该研究的主要因变量[10]。

在比较文件之前,我们验证了Gino文件确实能产生已发表的结果(见脚注[11])。

Gino文件包含四名不在更早文件中的参与者数据,剩下159名参与者(共163名)在两个文件中都有数据[12]。在这159名参与者中,大多数(130名)在两个数据集中的T恤计数完全相同。然而,有29名参与者(18.2%)在两个数据集中的T恤计数不同。

如果这些差异代表随机误差,那么它们应该是……随机的。但如果它们代表数据篡改,那么它们应该压倒性地偏向研究假设的方向。

如下图所示,它们确实压倒性地偏向研究假设的方向:

该图将更早数据中的T恤计数与Gino数据中的T恤计数进行对比。如果所有计数都相同,那么所有点都会落在对角线上。但如上所述,有29个点不在对角线上。例如,最左边的点显示一名参与者在更早数据中折叠了21件T恤,但在Gino数据中为61件。其折叠计数被增加了40。

该图显示,除一个例外,所有更改都有利于作者的假设。被假设表现良好的参与者(蓝点)在Gino文件中的T恤计数远高于更早文件。被假设表现不佳的参与者(红点)在Gino文件中的T恤计数远低于更早文件。唯一的例外是一个尽可能小的更改:更早文件中的红色39变成了Gino文件中的40。

同样值得注意的是,这些更改并非小幅且随意的,而往往是大额且整数的。事实上,29个被更改的T恤计数中有25个差异至少为10(其中10个计数变化至少为30),且有21个更改恰好为10、20、30或40。如果差异源于无害的测量误差、报告错误或轻微更正,你不会看到这样的模式。

我们无法想象对这种模式有任何合理的良性解释。这些数据被篡改以达成假设结果。

事实上,如果我们使用更早的数据重新运行作者的关键分析,关键的交互效应从高度显著——F(1,51) = 7.16, p = .01——变为完全不显著——F(1,51) = 0.21, p = .65 [13]。

这几乎是最清楚不过的了。已发表的数据与更早的数据不同,且差异方向正好能得出期望的结果。我们的观点是,这表明Gino参与合著的另一篇论文中存在数据篡改。可以肯定地说,这又是Gino作为作者之一的一项被伪造的研究。

我们需要对Gino的研究进行更广泛的审计

检测数据造假通常既缓慢又困难。但这次不同。当你拥有数据更改前后的版本时,你不需要复杂的数据取证。你只需要比较一些数字。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →