كيف يقيّم الباحث العلمي مصداقية المقالات العلمية؟

أملك طريقة سريعة لتصفية الأوراق المشكوك فيها قبل الغوص الكامل فيها. أولاً أقرأ الملخص والعنوان لأرى ما إذا كانت النتائج متناسقة ومنطقية مع الطريقة. ثم أنظر مباشرة لقسم الطرق والنتائج: هل حجم العيّنة معقول؟ هل هناك مجموعات ضابطة وعشوائية؟ هل الأرقام والجداول تظهر انحراف معياري أو فواصل ثقة واضحة؟ هذه الأشياء تكشف عن جودة التصميم دون الحاجة لقراءة كل سطر.

أتحقق بعد ذلك من الشفافية: وجود بيانات خام، كود مفتوح، أو ملاحق مفصّلة يحسّن كثيراً من المصداقية. كما أبحث عن الإفصاحات المالية وبيانات تضارب المصالح—تمويل مؤسسي محايد مختلف جذرياً عن تمويل من جهة لديها مصلحة تجارية مباشرة. وأستخدم أدوات سريعة مثل البحث عن المقال على Google Scholar للاطّلاع على الاقتباسات وردود الفعل، وPubPeer للتعليقات النقدية، وRetraction Watch إن كان هناك تاريخ سحب أو قضايا سابقة.

القواعد الذهبية عندي: لا أُصدّق الادعاءات الاستثنائية من دون أدلة استثنائية، لا أعطي وزنًا كبيرًا للأوراق المفردة إذا لم تُدعَم بسلسلة دراسات، وأُفضّل الدراسات التي تنشر بروتوكولاتها مقدماً وتشارك بياناتها. هذه القائمة المختصرة عادة توفر لي قراراً سريعاً وعقلانياً حول ما إذا كانت الورقة تستحق قراءة متعمقة أو تصنيفها كمرجع موثوق.

أحبّ تفكيك الأوراق العلمية وكشف ما وراء السطور. أبدأ دائماً بنظرة سريعة للماكينة المحيطة بالمقال: مجلّة النشر، سنة النشر، وجود DOI، ومن هم المؤلفون ومؤسّساتهم. المجلات المعروفة ولها نظام مراجعة محكّم تمنح مستوى ابتدائي من الثقة، لكن هذا ليس كافياً؛ أتحقق كذلك مما إذا كانت الدراسة مرجعية أو جزءاً من سلسلة تجارب مع سجلات تجريبية مسجلة ('pre-registered') أو تجارب سريرية مسجلة في قواعد مثل ClinicalTrials.gov. القوّة الأولى التي أفحصها هي شفافية النشر—هل هناك بيانات خام متاحة؟ هل الكود البرمجي مرفق؟ هل توجد ملاحق توضح البروتوكولات؟ كل هذا يجعل إعادة التكرار أصعب أو أسهل، ويؤثر مباشرة على المصداقية.

بعد الفحص الأولي أغطس في المنهجية: حجم العيّنة ومدى تمثيلها، وجود مجموعات ضابطة، عشوائية وتقنية التعمية، وكيفية التعامل مع المتغيرات المربكة. أبحث عن اختبارات السلطة الإحصائية ('power analysis') وطرق التحليل: هل استخدموا مقاييس التأثير وليس فقط قيم p؟ هل أُبلغ عن فواصل الثقة؟ أتحقق أيضاً من مدى صلابة النتائج تجاه تغيّرات طفيفة في الافتراضات الإحصائية، لأن النتائج الحساسة للغاية غالباً ما تكون أقل موثوقية.

شأن مهم آخر هو تضارب المصالح والتمويل: تمويل من شركات مهتمة بالنتيجة، أو افتقار صريح إلى الإفصاح، يُضعف الثقة. أقرأ مناقشة المؤلفين لأرى ما إن تضمنوا حدود دراستهم وبدائل تفسيرية؛ الباحثون الموثوقون يعترفون بالقيود ولا يضخمون النتائج. أستخدم أدوات خارجية لمزيد من التحقق: البحث عن الاقتباسات في Google Scholar، فحص التعليقات في PubPeer، والبحث في Retraction Watch عن سحب أو تنبيهات، ومراجعة متريكات Altmetric لمعرفة ردود الفعل المجتمعية والعلمية.

هناك علامات حمراء واضحة تجعلني أتوقف فوراً: ادعاءات استثنائية دون بيانات قوية، أحجام عينات صغيرة جداً، غياب قسم المنهج، نتائج تعتمد على p-value تقترب من 0.05 فقط مع عدم الإبلاغ عن تعديلات للمقارنات المتعددة، ونشر في مجلات مفترسة بلا مراجعة حقيقية. في النهاية، أقوم بتجميع هذه المؤشرات—المجموعة تعطي حكم أكثر واقعية من أي معيار فردي—وأنهي القراءة بتقييم يعتمد على قابلية التكرار والشفافية أكثر من مجرد سطوع العنوان أو عدد الاقتباسات. هذا الأسلوب يجعلني أقل انجذاباً للدعايات وأكثر اهتماماً بالعلم الذي يُمكنني الاعتماد عليه في عملي وتوصياتي.