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。

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念分析方法;②掌握利用Simulink进行电力系统建模仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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