論文の概要: Science discussions of retracted articles on Bluesky: public scrutiny or misinformation spreading?

• arxiv url: http://arxiv.org/abs/2605.04334v1
• Date: Tue, 05 May 2026 22:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.565313
• Title: Science discussions of retracted articles on Bluesky: public scrutiny or misinformation spreading?
• Title（参考訳）: ブルースキーにまつわる論文の科学的議論--公開調査か誤報拡散か?
• Authors: Er-Te Zheng, Hui-Zhen Fu, Xiaorui Jiang, Zhichao Fang, Mike Thelwall,
• Abstract要約: ポストパブリケーションのピアレビューは、従来のピアレビューの重要なサプリメントとして現れている。 削除された記事に関するソーシャルメディアの議論が、主に良い実践を反映しているかどうかは不明だ。 私たちはブルースキーの投稿を手作業でコーディングし、抽出した記事を議論して、良いプラクティスと悪いプラクティスの事例を特定しました。
• 参考スコア（独自算出の注目度）: 5.065311321920548
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Post-publication peer review (PPPR) has emerged as an important supplement to traditional peer review, with social media playing a growing role in publicising potential problems in published research. However, it remains unclear whether social media discussions of retracted articles primarily reflect good practices, such as exposing flaws and acknowledging retraction status, or bad practices, such as overlooking retractions and continuing to disseminate scientific misinformation. In this study, we collected Bluesky posts referencing scholarly articles from Altmetric and retrieved metadata for the referenced articles using OpenAlex. The final dataset included 284 retracted articles with 79 pre-retraction posts and 857 post-retraction posts, 59 retraction notices with 186 posts, and 609,461 non-retracted articles with 1,344,756 posts. We manually coded Bluesky posts discussing retracted articles to identify instances of good and bad practice. The results show that posts demonstrating good practice (89.9%) substantially outnumbered those demonstrating bad practice (10.1%). Posts reflecting good practice also had more user engagement. In the pre-retraction phase, good practice posts constituted a slight minority (43.0%), whereas in the post-retraction phase they were dominant (94.2%). Most negative posts in the pre-retraction phase (90.0%) had good practice while only 17.3% positive posts in the post-retraction phase showed bad practice. Thus, sentiment analysis can be helpful to filter posts that could flag potential flaws before retraction, but it may struggle to accurately identify the spread of misinformation after retraction. More broadly, this study highlights the potential of Bluesky to support responsible scientific communication, public scrutiny, and research integrity.
• Abstract（参考訳）: ポスト・パブリケーション・ピア・レビュー(PPPR)は、従来のピア・レビューにとって重要なサプリメントとして現れ、ソーシャルメディアは出版研究における潜在的な問題を公表する役割を担っている。 しかし, 削除記事に対するソーシャルメディアの議論が, 欠陥の暴露, 削除状況の確認, あるいは, 取り消しを見落とし, 科学的誤報の拡散を継続するといった悪行など, 主に善行を反映しているかどうかは定かではない。 そこで本研究では,Altmetric から学術記事を参照する Bluesky の投稿を収集し,OpenAlex を用いた参照記事のメタデータを検索した。 最終データセットには、79のプレリトラクションポストと857のポストを持つ284のリトラクション記事、186のポストを持つ59のリトラクション通知と、1,344,756のポストを持つ609,461の非リトラクション記事が含まれていた。 私たちはブルースキーの投稿を手作業でコーディングし、抽出した記事を議論して、良いプラクティスと悪いプラクティスの事例を特定しました。 その結果、良い実践を示す投稿(89.9%)は、悪い実践を示す投稿(10.1%)よりも大幅に多いことがわかった。 良いプラクティスを反映した投稿も、より多くのユーザーエンゲージメントを持っていた。 廃止前の段階では、優れた実務職は少数派(43.0%)であり、廃止後の段階では支配的(94.2%)であった。 プレリトラクションフェーズ(90.0%)におけるほとんどの否定的なポストは良いプラクティスであり、ポストリトラクションフェーズにおける肯定的なポストは17.3%に過ぎなかった。 したがって、感情分析は、リトラクションの前に潜在的な欠陥をフラグするポストをフィルタリングするのに役立ちますが、リトラクション後の誤報の拡散を正確に識別するのは難しいかもしれません。 より広く、この研究はブルースキーが責任ある科学コミュニケーション、公衆の監視、研究の完全性をサポートする可能性を強調している。

関連論文リスト

• When AI reviews science: Can we trust the referee? [73.47745294608072]
  私たちは、トレーニングとデータ検索、デスクレビュー、深いレビュー、反論、システムレベルといった、レビューライフサイクル全体のアタックをマップします。 評価スコアに高名度フレーミング, 断定力, 反抗薬効, 文脈中毒の因果効果を分離するために, 2つの高度なLCMベースの審判を用いた。
  論文  参考訳（メタデータ） (2026-04-26T08:03:32Z)
• How is science discussed on Bluesky? [4.486976696247063]
  本研究は,ブルースキーにおける学術論文の普及について,初めて大規模な分析を行ったものである。 我々は2023年1月から2025年7月までの532,302の学術論文を参考に、260万件以上のブルースキーの投稿を収集し分析した。 2024年11月から2025年1月にかけて、ブルースキーにおける学術活動の急激な増加が観測された。
  論文  参考訳（メタデータ） (2025-07-24T22:31:28Z)
• Are We There Yet? Revealing the Risks of Utilizing Large Language Models in Scholarly Peer Review [66.73247554182376]
  大規模言語モデル(LLM)がピアレビューに統合された。 未確認のLLMの採用は、ピアレビューシステムの完全性に重大なリスクをもたらす。 5%のレビューを操作すれば、論文の12%が上位30%のランキングでその地位を失う可能性がある。
  論文  参考訳（メタデータ） (2024-12-02T16:55:03Z)
• Can social media provide early warning of retraction? Evidence from critical tweets identified by human annotation and large language models [3.789359673129504]
  この調査は、604件の削除記事を参照する3,815件のツイートと、668件の非削除記事を参照する3,373件のツイートを分析した。 人間のアノテーションは、削除された記事の8.3%が、削除される前に少なくとも1つの重要なツイートに関連付けられていることを明らかにした。 この研究は、ソーシャルメディア信号と生成AI技術が組み合わさって、研究の整合性を高める努力をどのように支援するかについての洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-25T15:15:09Z)
• "Here's Your Evidence": False Consensus in Public Twitter Discussions of COVID-19 Science [50.08057052734799]
  プリプリントサーバからの抽象化のサンプルに基づいて,科学的コンセンサスを推定する。 アンチ・コンセンサス(反合意)の投稿や利用者は、概してプロ・コンセンサス(反合意)の投稿ほど多くはないが、Twitter上では圧倒的に過剰に表現されている。
  論文  参考訳（メタデータ） (2024-01-24T06:16:57Z)
• NeuS: Neutral Multi-News Summarization for Mitigating Framing Bias [54.89737992911079]
  様々な政治スペクトルの複数のニュース見出しから中立的な要約を生成する新しい課題を提案する。 最も興味深い観察の1つは、生成モデルは、事実的に不正確なコンテンツや検証不可能なコンテンツだけでなく、政治的に偏ったコンテンツにも幻覚を与えることができることである。
  論文  参考訳（メタデータ） (2022-04-11T07:06:01Z)
• Correcting Exposure Bias for Link Recommendation [31.799185352323807]
  露出バイアスは、ユーザーが特定の関連項目に体系的に過小評価されているときに生じる。 このバイアスを軽減するために、既知の露光確率を利用する推定器を提案する。 我々の手法は、推奨論文の研究分野においてより多様性をもたらす。
  論文  参考訳（メタデータ） (2021-06-13T16:51:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。