Veri Uydurma ve Sahtekarlığı
Definition, Detection, and Prevention of Research Data Fabrication and Falsification · Ayrıca şöyle bilinir: FFP Data Violations, Data Integrity Violations
Veri uydurma ve sahtekarlığı, araştırma verilerinin kasıtlı olarak yanlış beyan edilmesini içeren ciddi araştırma suistimali biçimleridir. Uydurma, aslında hiç toplanmamış verilerin icat edilmesi anlamına gelirken; sahtekarlık, anlamı değiştirmek için orijinal verilerin değiştirilmesi anlamına gelir. Her ikisi de bilimsel dürüstlüğü zayıflatır, araştırma kaynaklarını boşa harcar ve araştırma deneklerine ve halka zarar verebilir. Federal politika (42 CFR Bölüm 93) bu ihlalleri resmi olarak tanımlar; istatistiksel analiz araçları ve veri şeffaflığı uygulamaları sayesinde tespit giderek iyileşmektedir; önleme ise sağlam veri yönetimi ve hesap verebilirlik kültürü gerektirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veri bütünlüğü doğrulaması aşağıdakiler için esastır: (1) klinik araştırmalar (yüksek risk – güvenlik ve etkinlik iddiaları hasta sağlığını etkiler); (2) büyük gözlemsel çalışmalar (büyük N, uydurma kalıplarını tespit etmeyi kolaylaştırır); (3) önemli pozitif/şaşırtıcı bulgulara sahip araştırmalar (artan inceleme); (4) hızlı yayın yörüngesine sahip araştırmalar (akranlarından çok daha fazla yayın yapan araştırmacı, şüphe uyandırır); (5) endüstri tarafından finanse edilen araştırmalar (pozitif sonuçlar için teşvik); (6) etik kaygıları olan araştırmalar (tarihsel olarak, uydurma bazen etik açıdan şüpheli çalışmalarda ortaya çıkmıştır – gözetim eksikliği sahtekarlığı mümkün kılmıştır). Veri doğrulaması yüksek riskli alanlarda rutin olmalı; iyi uygulama, doğrulamayı tüm araştırmalara genişletir.
Güçlü yönler & sınırlılıklar
- Tespitdeki gelişmeler: istatistiksel yazılımlar artık uydurma veya sahtekarlığı düşündüren şüpheli kalıpları (Benford Yasası analizi, varyans testi, p-değeri dağılım analizi) tanımlayabilir; sahtekarlığı gizlemeyi zorlaştırır.
- Doğrulamayı sağlayan veri şeffaflığı: açık bilim uygulamaları (veri arşivleme, paylaşım) bağımsız araştırmacıların ham verilere erişmesine ve yeniden analiz etmesine olanak tanır; yayın sonrası uydurma/sahtekarlığı yakalar.
- Denetim izleri: modern elektronik veri sistemleri, kimin ne zaman değişiklik yaptığını otomatik olarak kaydeder; verilerin iz bırakmadan sessizce değiştirilmesini önler.
- Kurumsal gözetim: veri denetimleri, izleme prosedürleri ve araştırma yürütme sırasındaki (sonra değil) istatistiksel kontroller sorunları daha erken yakalar.
- Kariyer sonuçları: kanıtlanmış uydurma/sahtekarlık, fon yasakları, yazarlık kaybı, geri çekmeler, bazen işten çıkarma ile sonuçlanır; güçlü bir caydırıcıdır.
- Literatür düzeltmesi: uydurma tespit edildiğinde, dergiler geri çekmeler yayınlar; yanlış bulgulara sürekli güvenilmesini önler.
- Önleme eğitimi: veri bütünlüğü üzerine açık talimat, kariyerinin başındaki araştırmacıların beklentileri anlamalarına ve suistimalden kaçınmalarına yardımcı olur.
- Gelişmiş sahtekarlığı yakalamak zor: istatistiksel uzmanlığa sahip araştırmacı, istatistiksel anomali kontrollerini geçen veriler uydurabilir (gerçekçi dağılımlar oluşturur, uygun varyans, p-değeri kümelenmesinden kaçınır). Birden fazla tespit yöntemi gerektirir.
- Sahtekarlığı tespit etmek uydurmadan daha zor: araştırmacının meşru ham verileri varsa ancak bazı değerleri seçici olarak rapor edip diğerlerini atlarsa, istatistiksel kontroller bunu yakalayamayabilir (dağılımlar hala gerçekçidir, sadece seçilen bir alt küme rapor edilmiştir).
- Büyük veri kümeleri denetimi karmaşıklaştırır: veri kümeleri büyüdükçe (büyük veri, milyonlarca kayıt içeren elektronik sağlık kayıtları), tüm değerleri denetlemek hesaplama açısından pahalı hale gelir; tipik olarak sadece rastgele örnekler kontrol edilir.
- Yayın sonrası tespit: birçok sahtekarlık vakası yayınlandıktan yıllar sonra keşfedilir (örn. Diederik Stapel'in psikoloji sahtekarlığı 10+ yıl sonra ortaya çıktı). O zamana kadar, diğer araştırmacılar sahtekarlık bulguları üzerine inşa etmişlerdir.
- Araştırmacılar üzerindeki yük: ayrıntılı dokümantasyon, denetim izleri, veri paylaşımı gerektirmek, araştırmacı iş yükünü ve veri yönetimi için gereken süreyi artırır.
- Gizlilikle çelişkiler: doğrulamayı sağlamak için ham verileri paylaşmak, kimliksizleştirmeye rağmen denek gizliliğini tehlikeye atabilir; bazı hassas veri kümelerini (genetik, ruh sağlığı) gizliliği korurken paylaşmak zordur.
- Kurumsal değişkenlik: küçük kurumlar, düşük kaynaklı ortamlar sağlam veri denetimleri için kapasiteye sahip olmayabilir; tutarsız gözetim yaratır.
SSS
Bir makalede yanlış bir istatistik (aritmetik hata) rapor edersem, bu sahtekarlık olarak kabul edilir mi?
MUHTEMELEN HAYIR—eğer dürüst bir hataysa. Sahtekarlık, verileri yanlış beyan etme niyeti veya pervasızlık gerektirir. Aritmetik hata (1+1=3 hatası) sahtekarlık değildir; ihmal/hatadır. Ancak, istenen yönde sonuçları sistematik olarak yanlı hale getiren TEKRARLANAN düzeltilmemiş hatalar, pervasızlığı (istenilen sonuca ulaşmak için kasıtlı dikkatsizlik) düşündürür ki bu sahtekarlık teşkil edebilir. Önleme: (1) Tüm hesaplamaları iki kez kontrol edin; formülleri doğrulamak için yazılım kullanın. (2) Hata keşfedilirse, derhal düzeltme/erratum yayınlayın. (3) Göndermeden önce yayınlanmış verileri doğruluk açısından dikkatlice inceleyin. Yayın sonrası önemli bir hata keşfedilirse, dergiyle iletişime geçin ve erratum talep edin. Hata hakkındaki şeffaflık dürüstlüğü gösterir.
Analizden bazı veri noktalarını (örn. protokole uymayan denekten) hariç tutmak istiyorum. Bu veri sahtekarlığı mıdır?
Verileri hariç tutmak, önceden belirlenmiş kriterlerle şeffaf bir şekilde yapılırsa sahtekarlık DEĞİLDİR. Sahtekarlık, hariç tutmayı GİZLEMEK veya hangi verilerin analiz edildiğini YANLIŞ BEYAN ETMEKTİR. UYGUN VERİ HARİÇ TUTMA: (1) Hangi verilerin neden hariç tutulacağını önceden belirleyin (protokol, ön kayıt). Örnekler: denek onamını geri çekti, uygunluk kontrolünü geçemedi, protokol ihlali. (2) Hariç tutma nedenini veri dosyasında belgeleyin (sessizce silmeyin; 'hariç tutuldu: onam geri çekildi' notu ekleyin). (3) Makalede kaçının hariç tutulduğunu ve nedenini bildirin. (4) Duyarlılık analizi yapın (sonuçların hariç tutmadan kaynaklanmadığını göstermek için hem hariç tutulan hem de hariç tutulmayan verilerle rapor edin). UYGUNSUZ VERİ HARİÇ TUTMA (SAHTEKARLIK): (1) Uygunsuz veri noktalarını belgelemeden veya raporlamadan sessizce silmek. (2) İstenen sonucu desteklemediği için verileri post-hoc (sonuçları gördükten sonra) hariç tutmak. (3) Nedenini açıklamadan farklı analizlerde farklı denek sayıları rapor etmek (verilerin seçici olarak dahil edildiğini/hariç tutulduğunu düşündürür). Şeffaf, önceden belirlenmiş hariç tutma meşrudur; gizli, post-hoc hariç tutma sahtekarlıktır.
Verilerimi birden fazla şekilde analiz edip sadece en geçerli olduğuna inandığım sonucu rapor edebilir miyim?
Şeffaf olup olmadığınıza bağlıdır. UYGUN ANALİZ SEÇİMLERİ: (1) Birincil analiz yöntemini protokolde/ön kayıtta önceden belirtin. Verileri birincil yöntemle analiz edin, birincil sonucu belirgin bir şekilde rapor edin. (2) İkincil analizler (keşifsel, duyarlılık kontrolleri) kullanıyorsanız, bunları ikincil/keşifsel olarak açıkça etiketleyin. (3) Analiz yöntemini değiştirdiyseniz nedenini haklı çıkarın (veri ihlali keşfedildi, daha iyi yöntem öğrenildi vb.). Hem orijinal hem de revize edilmiş yöntemi rapor edin. UYGUNSUZ (SAHTEKARLIK): (1) Birçok analiz yapmak, sadece istenen sonucu veren 1'ini rapor etmek, diğer analizleri gizlemek. Bu 'p-hacking' veya 'HARKing' (Sonuçlar Bilindikten Sonra Hipotez Kurma) olarak adlandırılır. (2) İlk yöntem boş sonuç verdiği için analiz yöntemini post-hoc değiştirmek, yöntemleri değiştirdiğinizden bahsetmeden revize edilmiş yöntem sonucunu rapor etmek. En iyi uygulama: birincil analizi önceden kaydetmek; anlamlılığına bakılmaksızın TÜM birincil ve ana ikincil sonuçları rapor etmek.
Hangi istatistiksel kalıplar, araştırmam gereken veri uydurmayı düşündürür?
Olası uydurma için KIRMIZI BAYRAKLAR: (1) ÇOK MÜKEMMEL DAĞILIMLAR: Verilerde aykırı değer yok, aşırı düşük varyans veya mükemmel simetrik dağılımlar (gerçek veriler daha karmaşıktır). (2) ŞÜPHELİ HASSASİYET: Rapor edilen ölçümlerin imkansız hassasiyeti (kan basıncı 0.0001 mmHg'ye; sıcaklık 98.6000°F). (3) BENFORD YASASI İHLALİ: İlk basamaklar Benford yasasına göre dağılmıyor (gerçek veriler karakteristik bir dağılım gösterir; uydurma veriler genellikle tekdüzedir). (4) P-DEĞERİ KÜMELENMESİ: .05'in hemen altında orantısız sayıda p-değeri (p-hacking veya uydurmayı düşündürür). (5) AYNI DEĞERLER: Sözde değişken bir özellikte birçok denekte aynı ölçümler (örn. tam olarak aynı ağırlığa sahip 10 denek). (6) TUTARSIZ ÖZETLER: Rapor edilen istatistikler ham verilerle eşleşmiyor (N, ortalama, SD tutarsız; toplamlar uyuşmuyor). (7) İMKANSIZ DEĞERLER: Negatif sayımlar, %100'den büyük oranlar, makul aralığın dışındaki ölçümler. (8) TEKRAR KAYITLAR: Birden çok değişkende aynı demografik özelliklere ve aynı ölçümlere sahip birden fazla denek. Bu kalıpları gözlemlerseniz, araştırın; ham veri doğrulaması talep edin, hesaplamaları kontrol edin, denetim prosedürlerini belgeleyin.
Alıntı yaptığım yayınlanmış bir makalede uydurma veri olup olmadığını nasıl anlayabilirim?
OLASI UYDURMAYI DÜŞÜNDÜREN İŞARETLER: (1) Makale geri çekilmiş veya endişe ifadeleri yayınlanmış; dergi editörü endişeleri işaretlemiş. (2) Makalenin bulguları aynı konudaki diğer araştırmalarla tutarsız ve hiçbir zaman başarılı bir şekilde tekrarlanmamış (hileliyse, replikasyon girişimleri başarısız olur). (3) Retraction Watch veya PubPeer yorumları istatistiksel imkansızlıkları işaret ediyor (örn. Carlisle, iddia edilen yöntemlerle tutarsız verilere sahip anestezi makalelerini tespit etti). (4) Makalenin yazarı daha sonra suistimal nedeniyle soruşturulmuş veya daha önce geri çekmeleri olmuş. (5) Bağımsız yeniden analizlerle tespit edilen istatistiksel anomaliler (örn. Carlisle'ın anestezi literatürü analizi, matematiksel olarak imkansız dağılımlara sahip makaleleri tespit etti). NE YAPMALI: (1) Geri çekme durumu için Retraction Watch veritabanını kontrol edin. (2) Makale hakkındaki yorumlar için PubPeer'i (yayın sonrası hakem değerlendirme platformu) arayın. (3) Makale kendi çalışmanız için temel teşkil ediyorsa, ana bulguları tekrarlamayı veya diğer kaynaklardan onay almayı düşünün. (4) Uydurmadan şüpheleniyorsanız, dergi editörüne ve/veya Araştırma Bütünlüğü Ofisi'ne bildirin. (5) Makaleleri alıntılarken, kalitelerini ve sınırlamalarını not edin; tek bir şüpheli çalışmaya aşırı güvenmekten kaçının.
Kaynaklar
- U.S. Office of Research Integrity. (2005). Public Health Service Policy on Research Misconduct. 42 CFR Part 93. Definitions of fabrication and falsification. link ↗
- Carlisle, J.B. (2017). Data Fabrication and Deviation in Statistics in Anesthesia Articles. Anesthesia, 72(2), 221–237. link ↗
- Nuijten, M.B., Hartgerink, C.H., van Assen, M.A., et al. (2015). The Prevalence of Statistical Reporting Errors in Psychology (1985-2013). Behavior Research Methods, 48(4), 1205–1226. DOI: 10.3758/s13428-015-0664-2 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Definition, Detection, and Prevention of Research Data Fabrication and Falsification. ScholarGate. https://scholargate.app/tr/research-ethics/data-fabrication-falsification
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Araştırmada Çıkar ÇatışmasıAraştırma etiği↔ karşılaştır
- Araştırma Bütünlüğü İlkeleriAraştırma etiği↔ karşılaştır
- Araştırma SuiistimaliAraştırma etiği↔ karşılaştır