荣誉作者与代笔作者的区别

本文探讨了科研领域中的荣誉作者和代笔作者现象,这两种情况违背了科学文章署名的基本原则,可能导致科研团队内部矛盾,影响科研诚信。文章引用了Annette Flanagin的研究,显示在国际顶级医学期刊中,约19%的论文存在荣誉作者,11%的论文存在代笔作者。为了维护科研公正,一些期刊和机构开始采取措施,如Nature杂志要求作者详细说明各自贡献。

科学文章的撰写与一般自传、小说和演讲稿是有非常大的不同的。虽然多数期刊的投稿说明中没有对作者排序有着明确的规定,但都明确禁止以下的两种情况,一是荣誉作者(没有作者资格却被列为作者);二是代笔作者(有作者资格却未被列为作者)。这也是青年科研人员可能会遇到的但是又不知道怎么处理的两种情况。如果出现了这样的情况,不仅是对荣誉和代笔署名的不公平,而且也会带来潜在的团队成员之间的矛盾,给团队合作带来很大的破坏 。

什么是荣誉作者(honorary author)?

荣誉作者是指没有显著地为某项科研工作提供​​有效帮助的署名作者。通常情况下,荣誉作者是研究实验室或项目的负责人,他们更多的是规划项目的进度以及提供经费上的帮助,但是在具体的科研上,则并没有实质性的参与,只是在宏观上有一定的了解。实际上,文章的作者更倾向于主动添加这类作者,因为这些荣誉作者在学术圈都已经有了比较高的声誉或者知名度。在作者列表中有这些人的存在会在一定程度上增加文章的录用率,而在文章发表之后也更容易引起其他人的关注。而从荣誉作者的角度上看,既然可以不劳而获得到一篇文章的署名权,也就应该承担一定的责任。比如如果该项研究有被指出问题的话,他们也需要担当相关的责任。从权利跟义务上来说,这个是很合理的。所以那些给挂名的院士用自己没有看过文章来给造假文章推脱自己的责任是很不靠谱的。

那什么又是代笔作者(ghost author)呢?代笔作者则是相反的情况,那些为研究论文提供了显著帮助的人却未被列入名单的作者。比如有些人写作水平就是很高,但做科研就不行。所以他对文章的贡献仅限于写文章,但是没有具体的科研贡献。文章不是要按照科研的贡献来排吗?所以他就排除在作者列表之外。这也就是代笔作者的由来。除了只负责写作的“科研人员”,学生跟技术人员也通常会被省略掉,没有被加入到作者列表中。

Annette Flanagin在1998年发表了一篇文章”Prevalence of Articles With Honorary Authors and Ghost Authors in Peer-Reviewed Medical Journals” 。文章分析了6个国际顶级医学期刊(Annals of Internal Medicine, JAMA, and The New England Journal of Medicine, American Journal of Cardiology, American Journal of Medicine, and American Journal of Obstetrics and Gynecology)1996年809名通讯作者,结果显示19%(11%〜25%)的论文有“荣誉作者”,11%(7%〜16%)的论文有“代笔作者”,2% 的论文同时存在“代笔作者”和“荣誉作者”。由此可见,文章的署名不当情况是很常见的,或者大家都已经习以为常了,对具体情况都可以有“合理”的理由来解释。但是长此以往,总是会对科研文章的发表带来更大的负面效应。

现在有一些期刊和机构已经开始实行严格的措施来以防止对作者著作权的侵犯。比如一些学校明确说明除了前4个作者,其他作者一概不计入文章的有效贡献。如果需要被计入的话,就要写一个文档,清楚说明其他作者的具体贡献。还有Nature杂志在作者投稿时清晰规定每个作者分别陈述对科研的贡献和分工,以确保文章的署名是正确的。

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集个性化推荐展示,Java后端支撑高并发服务日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练全局聚合的协同逻辑,同时可基于项目架构进行算法替换功能扩展,适用于科研验证工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值