Los Investigadores Sugieren Directrices de IA para Reducir Errores en la Investigación Científica
- Un grupo de 19 investigadores de diversas disciplinas ha publicado una lista de verificación con directrices de IA para el trabajo científico.
- Los investigadores han encontrado errores en varios artículos de investigación que utilizaron aprendizaje automático.
- Los autores del estudio indican que los errores en los artículos científicos desperdician tiempo y no proporcionan base para investigaciones futuras.
La evidencia ha demostrado que existen grandes defectos en cómo se aplica el aprendizaje automático en la investigación científica. Este problema ha sido identificado en muchos artículos de investigación que cubren diferentes campos, pero un equipo de 19 investigadores de diferentes disciplinas ha publicado directrices de IA sobre el uso responsable del aprendizaje automático en la ciencia bajo la supervisión de Arvind Narayanan y Sayash Kapoor, ambos científicos de la computación en la Universidad de Princeton.
Directrices de IA para la investigación científica
Los autores dicen en el informe que su trabajo es un esfuerzo por señalar este problema de credibilidad que puede prevalecer en todo el ecosistema de investigación. Narayanan argumenta que no hay estándares universales para proteger la integridad de los métodos de investigación, y el aprendizaje automático se aplica ahora en todos los campos científicos, por lo que esto puede convertirse en un problema más serio que la crisis de replicación observada en la psicología social hace una década. Él llama a la crisis actual una crisis de reproducibilidad. Como dijo Narayanan,
“Cuando pasamos de los métodos estadísticos tradicionales a los métodos de aprendizaje automático, hay una cantidad mucho mayor de formas de dispararse en el pie.”
Fuente: AzoAI.
Pero los autores de la investigación en salud, ciencias de la computación, ciencias sociales y matemáticas también tienen algunas noticias positivas. Dicen que un conjunto de mejores prácticas puede ayudar a resolver el problema actual. El estudiante de posgrado en ciencias de la computación Kapoor, quien organizó el esfuerzo de investigación para producir la lista de verificación para el trabajo científico y trabaja con Narayanan, dijo que el problema es sistemático y la solution para ello también debe ser sistemática.
La publicación puede ralentizarse, pero la precisión aumentará
El enfoque de la nueva lista de verificación basada en consenso es asegurar la autenticidad de la investigación que utiliza el aprendizaje automático. La evolución de la ciencia se basa en la reproducibilidad de los resultados y en el hecho de que las afirmaciones deben ser validadas independientemente. Sin esto, la nueva investigación en ciencia no es posible de manera confiable sobre la base del trabajo anterior, y todo el sistema pierde credibilidad.
La nueva lista de verificación requiere que los investigadores proporcionen información detallada sobre el uso de modelos de aprendizaje automático, ya que se les requiere proporcionar los conjuntos de datos utilizados para entrenar el modelo, su código, capacidades de hardware, diseño piloto y objetivos de investigación, junto con cualquier restricción en los hallazgos del estudio, ya que el enfoque está en la transparencia.
Aunque también es posible que los requisitos aumentados de estos nuevos estándares puedan ralentizar la publicación de nuevos estudios de investigación, los investigadores de la iniciativa aún creen que la adopción de estas reglas será útil para aumentar la tasa de descubrimiento e innovación en general.
Una de las autoras del estudio, Emily Cantrell, quien es estudiante de doctorado en la Universidad de Princeton, dijo que les importa el ritmo de la investigación científica, pero asegurándose de que la quality of papers que se publican esté a la altura, los futuros artículos puedan basarse en ellos para más investigación. Kapoor también dice que los errores son adversos considerando su impacto general en una base colectiva y pierden tiempo, lo que a su vez cuesta dinero ya que obstaculizan la investigación científica que recibe financiamiento e inversión.
Si estás leyendo esto, ya vas por delante. Mantente así con nuestro boletín.
Aviso de responsabilidad (Disclaimer): La información proporcionada no constituye asesoramiento de inversión. Cryptopolitan.com no asume responsabilidad alguna por las inversiones realizadas basándose en la información contenida en esta página. Recomendamos encarecidamente realizar investigaciones independientes o consultar con un profesional calificado antes de tomar cualquier decisión de inversión.
Aamir Sheikh
Aamir es un periodista tecnológico con casi seis años de experiencia en los sectores de criptomonedas y tecnología. Se graduó de la Universidad MAJ con un MBA en Finanzas y Marketing. Ahora trabaja con Cryptopolitan, donde informa sobre los últimos desarrollos en los mercados de criptomonedas y predicciones de precios.
