面向负责任研究的科研数据信用风险敏捷治理体系研究

王 今，邹纯龙，马海群

(1.哈尔滨理工大学经济与管理学院，黑龙江 哈尔滨 150080；2.黑龙江大学信息资源管理研究中心，黑龙江 哈尔滨 150080)

0 引言

在科学研究过程中，数据作为研究的基础，是科研生命周期中的关键性也是过程性资料，通过收集不同科研阶段的数据资料，不仅可用于后续验证结果，而且作为记录科研过程的原始资料，具有重要意义[1]。然而近几年，国内外均出现了数据造假、篡改数据、数据剽窃抄袭、虚拟实验数据等不良事件，这些不断出现在科学研究中的科研数据失信行为令人惴惴不安。我国国家科技部仅在2022年初就公布了46起涉及教育、医学等学科的科研诚信案件调查处理结果。在此情景下，如何应对科研数据失信问题，在科技研发、设计等上游环节建立具有原则性与程序性的规则体系成为亟待解决的关键问题。

从国内外实践看，负责任研究行为在全球学术界悄然兴起并得到广泛关注。该思想强调对科研不端行为调查处理程序的建立和完善，而且重视对科研诚信的教育，倡导以科研诚信和研究伦理为核心的教育活动[2]。伴随中国社会和技术水平的迅速发展，近年来科研共同体、企业、政府和社会对社会责任的态度行为发生了不同程度的变化，科学生态重组对原有规范形成挑战[3]，也对负责任研究提出迫切需求。2016年《 “十三五”国家科技创新规划》明确指出要倡导负责任的研究与创新，由此时刻警醒和规范着科研主体的行为，促使各主体明确其角色职责并予以遵守，也为本研究探究科研数据失信提供了新视角。

然而现有关于科研诚信的解决方式主要围绕自律和他律两个视角[4]，一方面研究强调将科研道德转化为自愿遵守的科研道德自律建设，重点在于引导与教化[5]；另一方面研究通过制定相应科研活动行为准则、规范等，引入外部行为，实现科研道德的他律建设[6-7]。然而解决科学失信问题，不能仅限于事后问责和惩罚等措施，也不能简单呼吁个人德行的提升，而应该探讨协同机制，以更加系统的思想，建立一套柔性的、流动的、灵活的和具有适应性的敏捷行动方案。通过数字化技术的张力，建立科学有效的数据信用风险治理体系，使法律制度、数字技术和诚信伦理三者相结合，才能从根本上约束并促进科研人员更规范地、合乎道德地进行科研工作。

鉴于此，本研究聚焦科学研究过程中的数据失信等行为，从负责任研究视角出发，基于敏捷治理理论，依靠数字化平台及技术能力，提出具有可行性的科研数据信用风险敏捷治理体系建设思路，并设计出 “数据收集与开放-智能感知与监测-人本审核与判断”为路径的 “数-智-人”科研数据信用风险敏捷治理机制。该体系有助于使科研工作者强化责任意识，自觉承担角色责任，并在此基础上发挥数据信用文化与政策在科研数据失信行为中的软约束与规范作用。

1 基本概念和相关理论

本研究将以数据信用为核心概念，从负责任研究视角出发，结合敏捷治理理念，探究科研数据信用风险敏捷治理体系。下面将结合数据信用和负责任研究的相关研究以及敏捷治理的成果，梳理相关概念及理论的支撑作用，同时明确数据信用、负责任研究在科研数据相关不端行为风险治理方面的内在逻辑。

1.1 数据信用

根据 《汉语言词典》， “信”有两种内涵，一是指信守诺言的道德，即一个人观念、行为、态度和语言与其行为结果之间的一致性；二是指依赖、依靠的品质，即在社会互动中，通过判断和预测，相信对方的言行[8]。从 “信”的内涵及其构成词语看，主要涉及3类相关语义：①诚信为代表的信心、信念、信仰等概念，主要涉及个体心理与行为。在学术研究背景下，熊新正等[9]在研究中表明科研诚信 (Research Integrity)在描述个人行为时，指个人完全遵守道德准则、诚实、真诚。当个人违背科研道德，就会产生科研诚信问题，出现科研不端等行为，如韩国克隆之父黄禹锡干细胞造假事件、上海交通大学陈进 “汉芯”系列芯片造假和欺骗行为、中国工程院院士李连达科研团队的论文造假事件等等。②信誉为代表的信任、信誉、信托等概念，主要发生于社会关系、社会互动及市场交易。③以信任、信誉等为基础所引起的 “信用”一词具有特殊含义，信用可以被视为对 “信”的运用，或是一种交换的媒介，通过这一媒介能够增强社会的信用量[10]。可见，信誉以诚信为基础，是主体在长期实践中通过一系列良好诚实信用行为积淀的客观结果，是主体因信用积累到一定程度所获得的社会评价。

在大数据背景下，对科研过程中缺乏诚信的数据偏差、数据剽窃、数据伪造、数据歪曲、虚拟实验数据等行为可以通过建设数据信用体系的手段进行治理，从而维护科研信誉[11]。据此，本研究提出科研数据信用概念，即在数据诚信框架下，使更多科研主体参与到信用体系中，使个人信用等级成为高校或科研等机构的组成部分，从而形成合力，实现科研数据共建共治共享的治理格局，这种信用治理模式被称为科研数据信用。张鸿翔[11]提出，科研信用体系的建立不仅依靠法律体系和制度，更需要科研活动者之间的信任和诚信理念来维系。这种意识和理念要通过加强全社会范围内的信用教育、科研活动者的培训、信用管理推广来实现。在数字化技术背景下，为解决科研数据失信等道德伦理问题，本研究提出以科研数据信用为手段的治理体系，从政策法律和道德理念两个层面探索科研数据信用治理的思想、路径与机制，以期为科研数据的开放、共享、利用提供良好的信用文化及制度支持。

1.2 负责任研究

负责任研究行为多译为负责任研究，最早起源于1992年美国科学院在《负责任的科学：确保研究过程中的诚信》报告中第一次重点提出要对有问题的研究行为 (QRP)进行概念探讨[2]。实际上，自20世纪70年代以来，科技创新活动备受关注，科学知识和技术创新与社会、文化和价值因素密切相关。然而科技作为第一生产力，在推动人类社会快速发展的同时，由于科研环境不断变化和日趋复杂，技术研发及应用的高风险、不确定性和难预测性也在不断引发科技信任危机[3]。正因如此，负责任研究理念因其在治理科技创新负效应、技术冲突、控制困境、新兴科技伦理争议等难题中发挥着重要的理论指导和价值观引领作用[12]，不断引发学界的关注。

现有关于负责任研究的思想存在相似概念和若干具有代表性的观点。其中包括社会伦理视角，倡导要开展符合社会发展趋势和社会福祉的创新性研究，主要包括过程说[13]、方法说[14]、价值说[15]、责任说[16]和范式说[17]等。另外，包括社会信用视角，从科学范式出发，塞耶[18]指出负责任研究是基于新的社会契约建立起对科学、政策与社会三者间的责任共享过程。通过对现有科研活动的集体管理，能够实现对未来的关注[19]。与此同时，尚伯格指出，负责任研究的内涵是以社会需求共识为基础形成的科技与社会各主体关系的系统性转变，是对科研创新的系统引导，因此，应该使开放科学成为负责任创新的目标条件[20]。王丹丹等[21]的研究亦表明，科学范式正由传统闭合科学走向开放科学，开放科研数据有助于提高科研效率，并促进研究过程更严谨、有效与可重复性。可以说，在大数据时代的数字化技术影响下，数据开放共享既是加强数据联系，促进学术个体、学术组织、社会之间更有效地沟通协作，发挥开放科学协同创新的关键手段，同时也对科研数据质量提出更高要求。因此，负责任研究对科研数据开放与利用的意义是：①以数据产生为源，提升科研人员在数据采集分析过程中的道德认知，明确科研数据诚信是科技创新不可推卸的责任；②拓宽科研机构、学会和专业团体等合作形式，就科研数据诚信和研究伦理为主题开展教育工作，提升科研人员的数据素养；③通过数据开放共享平台，推动学术工作者建立持续、安全的数据信用体系，使数据信用成为科研人员重要的内部约束力。

鉴于上述原因，本文针对科学研究过程中数据失信方面的治理难题，从负责任研究视角出发，划清角色责任边界，明晰科研数据管理周期中个体责任与组织责任、社会责任与道德伦理责任，避免有组织的不负责任，并从伦理道德层面进一步规范科研行为，实现道德约束及引领作用。

1.3 敏捷治理

敏捷治理起源于对传统瀑布式软件开发方法弊端的反思改进。这一概念在世界经济论坛上正式提出并掀起学界的热议，用以再思考第四次工业革命中的政策制定问题[22]。2007年，Qumer[23]描述敏捷治理在软件领域的应用图景，通过动态业务目标、绩效与风险管理战略协同，能够实现敏捷理念与治理过程的结合。近年来，敏捷治理更是广泛运用于企业管理、教学管理以及公共管理等领域[24]。Costa等[25]将敏捷治理拓宽到多学科领域，将其定义为在组织环境中为实现和改善战略竞争优势而采取的手段，以便更快、更好、更廉价地交付价值。Lappi等[26]提出敏捷项目管理研究中的业务实例、外包、控制、指导、决策与能力建设6个方面，为评价敏捷项目绩效优劣提供了可行标准。同时，敏捷治理能适应组织内外部环境变化，通过建立预测体系来观察趋势，研判影响因素并匹配相应方案，从而自上而下地监测并应对潜在结构性风险[27]。

相较于集中式治理与回应式治理，敏捷治理是一种新型治理形式。集中式治理以治理结果为重心[28]，强调等级划分、权力集中和服从指挥等特点[29]，回应式治理则强调不再依靠政府强制管理，而由共同目标支持行动。在治理过程中，以公众需求为导向，在履行政府职责的基础上，通过公共服务和供需衔接，提升公众满意度，从而推动治理有效实现合作、协商和共创。因此，回应式治理将更多的权限与自由交付合作机构，优点在于各参与主体可以结合自身现状制定有益和有效的政策，提高参与意愿和积极性[30]。但由于在组织架构与管理规范方面存在着趋利性和单向性问题，又要求对更多需求或偏好作出回应，导致较多具体问题无法得到有效处理[31]。敏捷治理作为区别于回应式治理和集中式治理的新治理模式，强调敏捷回应的治理理念、韧性容错的治理工具和开放包容的治理主体，能够实现治理过程的反向促进和动态适配[32]，是支撑本研究科研数据信用风险治理体系建构的重要理论基础。

2 基于敏捷治理的科研数据信用风险治理体系建构

2.1 科研数据信用风险治理体系构建

结合数据信用理念和负责任研究视角，本研究将融合法律制度、数字技术和诚信伦理3个重要方面构建科研数据信用风险治理体系。首先，法律制度及相关政策条例是治理效率的根本保证，健全惩罚机制是确保科研数据信用风险治理的基本要求和必然手段。其次，诚信伦理，由于科研失信具有隐蔽性等特征，所以加强内部监督的重要手段不仅包含基本的道德教育，更在于具有内部约束作用的数据信用机制。最后，数字技术是实现数据信用治理体系交付的支持手段，在技术赋能下构建风险识别的结构化模式，提高常态化治理效率和质量。该科研数据信用风险治理体系的建构主要基于敏捷治理理论，包括治理目标、治理主体和治理工具，如图1所示。

图1 基于敏捷治理的科研数据信用风险治理体系

2.2 敏捷治理理念对科研数据信用风险治理体系的支撑

本研究将敏捷治理理念应用于科研数据信用风险治理结构设计，通过敏捷回应的治理理念、韧性容错的治理工具和开放包容的治理主体，实现治理过程的反向促进和动态适配。一方面，在组织层面，能够使治理主体间具有灵活的互动与反馈关系，协调与平衡主体间的价值冲突与利益诉求，凝聚治理共识，以促进系统最优；另一方面，从治理范围与工具看，能够突破伦理道德教化的不确定性，以及问责制与程序导向的模糊性，避免应付治理的弊端，进而通过数字化信息工具整合治理场域中的多样化资源，使各个治理主体在互动过程中各司其职，对数据信用风险进行有效预测与识别。

本研究将结合敏捷治理的相关思想，探究并提出克服科研数据失信的数据信用风险敏捷治理思路，具体包括以下3个方面。

(1)科研数据信用风险敏捷治理目标。结合敏捷治理框架，科研数据信用风险治理存在动态变化的治理过程，在循序渐进原则上，治理目标具有层次性。具体分为3个层次：①从宏观战略角度看，要促进科研工作者主动开展负责任研究，通过将信用管理纳入科研数据开放共享过程，使个体科研工作嵌入整体秩序，从而沿着负责的、为社会服务的伦理方向发展，符合相关的规章、条例、准则和公认的职业道德规范或标准。②从中观组织角度看，基于伦理与技术双重考量的科研数据信用风险治理活动，打破了传统治理的僵化与被动局限，能够实现跨领域、多主体参与者间的合作与监督，有利于提高风险数据行为监测和预警的敏捷性。③从微观数据角度，基于负责任研究与开放共享框架，构建具有快速感知、灵活响应和持续协调能力的科研数据信用风险治理体系，一方面能够结合不同需求营造良好学术氛围，从道德层面鼓励学术诚信；另一方面有利于建立科研数据开放共享平台，形成数据联盟，通过支持数据归集管理、质量管理与安全管理的技术与行政手段，保证科研数据的质量与安全。

(2)科研数据信用风险敏捷治理主体。敏捷治理框架下科研数据信用风险治理的理念是将与科研数据信用建设有关的组织者和参与者都纳入治理主体范畴，实现以高校科研管理部门为主导的多元主体治理模式。其中，重要的科研数据信用风险治理主体包括政府、高校科研管理部门、伦理咨询委员会、数据开放共享参与者等。

政府作为科研数据信用治理的顶层建设者，主要作用在于政策拟定与行政监管。对于科研过程中的数据偏差、数据剽窃、数据伪造、数据歪曲、虚拟实验数据等失信问题，建立伦理审查体制及科研数据开放共享机制，据此出台相关法律政策，明晰各治理及参与主体的责任边界，为科研数据信用治理建立制度基础。

高校科研管理部门作为科研数据信用治理的具体执行者与协调者，主要作用在于根据相关政策规范制定具体措施，落实伦理道德教育、科研数据失信惩戒、科研数据开放共享平台建设3个环节的具体工作，加强对科研数据信用问题的灵敏感知与响应。

伦理咨询委员会主要由独立的专家组成，需要结合各专业特征和需求挑选在业界具有一定地位的科研工作者。伦理咨询委员会主要受各级科研管理部门的组织支持，但完全独立，可以针对各学术机构传递的问题和其他途径获取的问题作出反应，也可以主动采取一定的计划措施。

科研数据开放共享参与者主要是各机构、各领域的科研工作者。这些参与者一方面是科研数据信用治理的对象，同时也是科研数据开放共享平台的治理主体，对于平台和其他渠道获取的科研数据失信问题进行监督和反馈。

(3)科研数据信用风险敏捷治理工具。治理工具是组织机构或个体为实现治理目标而生成的活动及方案，是在明确的价值理念与治理策略指导下，不同类型的参与主体付诸治理对象的措施和规范。结合周超等[33]的研究，在构建治理工具分类时，需要考虑指向治理客体与治理的内在需求。具体来说，分为规制型工具、激励型工具、参与型工具和文化信息型工具4种类别。其中，规制型工具指在科研数据信用风险敏捷治理中，政府和高校科研管理部门以法律法规、规章制度、行政命令等形式对科研过程中数据失信行为的强制性和制约性手段；激励型工具指通过数据信用体系，以社会化关系约束为出发点，对科研过程中数据失信行为的治理手段；参与型工具指通过建设数据开放共享平台，使各方主体能够参与数据信用敏捷治理为目标的活动中的机制手段；文化信息型工具是指在数据信用风险敏捷治理中，通过讲座、思政课程、宣传手册和标语等方式对科研工作者的思想进行伦理教化的手段。

3 面向负责任研究的科研数据信用风险敏捷治理机制

科研数据信用风险治理体系强调促进负责任研究的治理目标、多主体互动的治理主体、策略性的治理工具，其实现过程需要一套具有动态协调和适应性的行动方案。参考乔利利等[34]的研究，可归纳为 “数-智-人”为路径的面向负责任研究的数据信用风险敏捷治理机制，如图2所示。

图2 面向负责任研究的科研数据信用风险敏捷治理机制

3.1 “数”据收集与开放

科研数据是学术研究过程中的重要产出，是科研人员为分析或验证研究结果所搜集、创建和保留的记录事实的原始材料，如观察、调查、实验、模拟等的科研过程数据、半成品或成果数据等，它们是支撑研究论文和科研项目成果的关键基础。明确科研数据生产及收集的参与主体，并面向各类需求建设科研数据开放与共享平台，促进科研数据采集、处理、存储、共享、再利用等全周期流转，是 “数-智-人”敏捷治理路径中的首要环节。因为科研数据的收集与开放，是建立数据信用敏捷治理快速感和监测的基础。一方面要明确参与主体。数据收集的主体包括高校及科研院所、科研部门和来自企业及社会团体等的科研数据开放与共享的参与者。另一方面要创建数据开放与共享平台，为各参与主体提供共建及监督平台，为敏捷治理奠定基础。基于高校科研数据管理特征，可以将各院 (所)主导建立的科研数据共享平台；以调查数据库为基础演变的数据共享平台；国家资金资助建成的科研数据共享平台实现联通。在 “数”这一阶段，该治理体系建设初期势必存在科研数据供给动力不足、数据来源匮乏这一问题。当共享平台得不到充足的数据时，治理主体与客体的信任基础薄弱，开展合作的自主性也相当有限。因此，要注意依据一定科研数据采集标准、数据伦理规则确定数据收集的规范与开放的边界，最大限度地实现科研数据的安全整合，为数据提供者创造安全的共享环境，但这一局面随着治理体系有效运行得以改观。

3.2 “智”能感知与监测

智能算法是大数据技术时代的关键要素，也是依托科研数据共享平台进行数据信用风险识别的核心驱动力。基于智能算法及风险识别模型建设智能感知与监测路径，能够使多元价值目标实现协同，使更广泛、更具关联性的治理主体有效融合，是提高数据信用风险敏捷治理效率的重要环节。首先，根据不同类型科研数据失信行为，在开放共享平台建立典型案例库，提炼关键判断指标，形成科研数据信用体系建设的量化标准。使科研人员在数据信用治理中有例可循、以例为鉴，为科研数据失信行为的发现和管理、加快监管功能模块的更新和优化提供基础资源保障。其次，基于数据和智能算法，构建各院 (所)科研数据信用治理虚拟合作中心，实现数据生产端与数据计算端的多场景融合，以促进治理过程中各主体、各环节的联通。并且，为促进多方协作创造可信路径，应加载去中心化的区块链模式，全方位实现风险动态性协作预警与联防。最后，通过人工智能、群组计算、云计算和边缘计算等，实现多源数字资源的融合，降低在科研数据信用风险识别中关键信息抽取和识别的难度，对潜在风险进行有效识别和追踪。根据监测结果，按照失信程度、可控性和影响范围等标准，进行科研数据信用风险定级，再结合定级结果匹配相应的失信惩戒方案。从数字技术看，基于算法的智能感知与监测能够根据内外部环境的动态变化和不确定性准确研判风险，提升科研数据信用风险敏捷治理客观性与有效性。但由于算法本身具有失控风险，容易造成技术为人所操控而对社会形成控制，以及技术不为人所控制而配置社会资源两种问题，进而导致监察失灵、判断失效。因此，为降低算法失控造成的风险，除了持续提升技术能力，还应关注算法异化和被干预等倾向，对算法风险源的发展规律进行预测以制衡算法权力，确保风险研判结果的有效性。

3.3 人本审核与判断

从人的视角审核与判断科研数据失信行为是对智能感知与监测结果存在争议或偏差的进一步补充。因为科研数据失信问题具有复杂性，解决该类问题不能仅靠科研工作者的自律意识，且现有智能算法仍有局限。为了实现人的知识与数据发现的客观知识之间的协调性，需要构建以 “人”为核心的伦理审核委员会，在学术伦理审核委员会设置科研数据审查机制。针对具体的科研数据失信行为，首先，设立数据信用问题注册点，允许委员会内部或外部的任何人通过这种工具登记数据造假、编造等科研数据伦理问题，并与伦理管理团队取得联系。其次，根据科研数据信用体系建设特点，结合不同需求维度，将收集到的影响数据信用的问题汇集为指南图，对指南图上每一个数据失信问题制定专门的行动计划，详细说明应该如何处理。最后，区分受到明确规定约束的科研数据失信问题，通过遵循合规政策加以解决；另一些因治理环节割裂分离、治理主体多头分散、治理层级链条过长而导致治理 “真空”的科研数据失信问题，由委员会制定具体的政策和办法。通过人的判断与智能感知的融合，可以在客观治理诉求和主观研判的基础上，渐进推进治理节奏。但由于人的有限理性，在作判断时常存在参考点效应和证实性偏差，如有意无意地以过去的某一参考点作为评判起点，或在其他委员的影响下寻找支持自己看法的信息和解释，以避免不同看法的信息和解释，这两种主观判断的局限往往对判断结果造成偏差，应在实践中加以注意，以确保科研数据信用风险敏捷治理的质量和水平。

3.4 “数-智-人”联结机制

“数据收集与开放-智能感知与监测-人本审核与判断”作为科研数据信用风险敏捷治理的3个重要路径，在治理过程中存在相互关联。首先，科研数据的收集与开放能够从源头约束数据失信并为共建数据信用治理体系创造共享平台。该环节是科研数据信用风险敏捷治理的关键基础，也为智能感知与监测以动态研判数据信用风险提供支持。其次，依托智能算法对科研数据失信行为的智能感知与监测，实现对数据信用风险的持续追踪与精准判断，是提高数据信用风险敏捷治理效率的重要环节。最后，科研数据失信行为的审核与判断能够协同智能决策与专家智慧，从而弥补智能感知与监测结果的争议或偏差，是科研数据信用风险敏捷治理效果的保障。与此同时，以 “数-智-人”为核心的科研数据信用风险敏捷治理机制仍需学术道德教育和法律规制进行有效联结。其中，学术道德教育的作用在于从思想层面深入理解负责任研究这一理念，其核心在于树立和弘扬学术道德与科研数据诚信，塑造高校科研人员的自律和数据信用意识，通过形式多样的数据信用教育系列活动提升学术素养。伦理道德教化应在不同治理主体间开展，对于反思机制、伦理审查与容错纠偏机制、监督反馈与问责追责形成常态化教育机制，带动内部自省和自我监督。同时，将道德范畴的诚信和社会范畴的信任网络纳入法律规制，对数据信用进行直观评价。因此， “数-智-人”数据信用治理体系还需建立在一定的管理制度基础上，形成严格、公开、透明的学术不端行为举报制度和惩戒规则。从横向和纵向合作来协调治理权责，横向方面推动政府机构、科研院 (所)、学术委员会等主体在监督、管理、惩戒等职责方面的权限；纵向方面聚焦实际治理需求、整合不同治理资源，结合不同行政层级的各项具体治理措施，及时细化政策条文、出台配套措施、强化政策执行各内容的前后呼应与相互配合，以统筹整体规划，推进系统建设。但该联结机制仍无法避免的问题在于，当智能感知与监测路径失灵时，人本审核与判断不能主动识别已有失信风险，对于部分已经发生但未被识别的失信行为无法及时处理，那么涉及严重学术不端的失信行为会造成不可控危害，影响该体系治理效果及科研数据信用治理的声誉。

综上所述，本研究提出 “数-智-人”为路径的科研数据信用风险敏捷治理机制，体现为负责任的研究为起点，通过科研数据的收集与共享作为治理的数据资源基础，实现政府、科研院 (所)、科研工作者等各类利益相关者的有机统一与协调，以实现多源异构数据、智能算法和集体智慧多层交互，对科研数据失信行为行形成有效判定。同时，秉持负责任审核与决策的原则，形成学术伦理委员会的科研数据审查机制，探讨数据科学与数据伦理互动的规律性认识，对数智决策的争议进行审核，并为科研数据信用风险敏捷治理过程中识别标准和惩戒措施作出判断。最后，通过道德教育与法律规制，形成 “数-智-人”治理体系的联结机制，为实现数据信用风险敏捷治理提供协调工具和具有自主学习能力的行动方案。

4 结论与展望

基于敏捷治理理念，本文从负责任研究视角出发，聚焦科研数据失信行为，探究科研数据信用风险的敏捷治理体系，并以 “数据收集与开放-智能感知与监测-人本审核与判断”为路径提出数据信用风险敏捷治理机制，从而使法律制度、数字技术和诚信伦理三者相结合。可以说，敏捷治理作为一种全新的分析范式，不同于传统自上而下的科层管理和以社会为中心的协商治理。应用敏捷治理理念，能够为解决科研数据失信在大数据环境下的不确定性提供更有效的方案，从而推动科研工作者强化责任意识，自觉承担角色责任，发挥数据信用文化与政策在科研数据失信行为中的软约束与规范作用。

科研数据信用风险敏捷治理体系在实施过程中仍面临困境：一方面，由于我国数据信用相关研究较少，尚未形成匹配的数据信用政策及制度。科研数据信用或数据信用体系在建设中仍存在不科学、不严谨甚至泛信用化等问题。另一方面，人们对数据信用的认知相对有限，要厘清科研数据信用与社会价值观的关系，需要对相关的数据信用概念进行科学、准确、统一的定义，在科研数据信用的社会价值方面达成共识，避免无谓的分歧和误解。只有在数据信用以及科研数据信用的政策制度和文化思想上形成社会共识和认同，才能真正发挥信用的规范约束作用，进而共同推进科研数据敏捷治理体系的发展。未来应继续加强数据信用及科研数据信用的基础理论研究，随着实践场景的拓宽，可结合具体的案例展开系统分析，同时可应用系统动力学等方法对治理路径开展仿真检验。