Le prove hanno dimostrato che esistono gravi lacune nel modo in cui l'apprendimento automatico viene applicato alla ricerca scientifica. Questo problema è statodentin molti articoli di ricerca che coprono diversi campi, ma un team di 19 ricercatori di diverse discipline ha pubblicato linee guida sull'intelligenza artificiale per l'uso responsabile dell'apprendimento automatico nella scienza, sotto la supervisione di Arvind Narayanan e Sayash Kapoor, entrambi informatici presso la Princeton University.
Linee guida sull'intelligenza artificiale per la ricerca scientifica
Gli autori affermano nel rapporto che il loro lavoro è un tentativo di evidenziare questo problema di credibilità che può prevalere sull'intero ecosistema della ricerca. Narayanan sostiene che non esistono standard universali per proteggere l'integrità dei metodi di ricerca e che l'apprendimento automatico è ormai applicato in tutti i campi scientifici, quindi questo può diventare un problema più serio della crisi di replicazione osservata in psicologia sociale un decennio fa. Definisce l'attuale crisi una crisi di riproducibilità. Come ha affermato Narayanan,
"Quando passiamo dai metodi statistici tradizionali ai metodi di apprendimento automatico, ci troviamo di fronte a un numero molto maggiore di modi per darsi la zappa sui piedi."
Fonte: AzoAI .
Ma anche gli autori di ricerca sanitaria, informatica, scienze sociali e matematica matic alcune notizie positive. Affermano che un insieme di buone pratiche può aiutare a risolvere il problema attuale. Lo studente laureato in informatica dent , che ha effettivamente organizzato la ricerca per produrre la checklist per il lavoro scientifico e sta lavorando con Narayanan, ha affermato che il problema è sistematico matic che anche la soluzione dovrebbe matic .
La pubblicazione potrebbe rallentare, ma la precisione aumenterà
L'obiettivo della nuova checklist basata sul consenso è garantire l'autenticità della ricerca che utilizza l'apprendimento automatico. L'evoluzione della scienza si basa sulla riproducibilità dei risultati e sul fatto che le affermazioni debbano essere convalidate in mododent. Senza questo, la nuova ricerca scientifica non è possibile basarsi in modo affidabile sui lavori precedenti e l'intero sistema perde credibilità.
La nuova checklist richiede ai ricercatori di fornire informazioni dettagliate sull'uso dei modelli di apprendimento automatico, poiché sono tenuti a fornire i set di dati utilizzati per addestrare il modello, il suo codice, le capacità hardware, la progettazione pilota e gli obiettivi della ricerca, insieme a eventuali vincoli sui risultati dello studio, poiché l'attenzione è rivolta alla trasparenza.
Sebbene sia possibile che i requisiti più stringenti di questi nuovi standard possano rallentare la pubblicazione di nuovi studi di ricerca, i ricercatori dell'iniziativa ritengono comunque che l'adozione di queste regole contribuirà ad aumentare il tasso di scoperta e innovazione in generale.
Uno degli autori dello studio, Emily Cantrell, dottoranda dent l'Università di Princeton, ha affermato che il ritmo della ricerca scientifica è importante, ma che assicurarsi che la qualità degli articoli pubblicati sia all'altezza consente ai futuri articoli di fare affidamento su di essi per ulteriori ricerche. Kapoor afferma inoltre che gli errori sono dannosi, considerando il loro impatto complessivo su base collettiva, e comportano una perdita di tempo, che a sua volta comporta un costo in termini di denaro, in quanto ostacolano la ricerca scientifica che riceve finanziamenti e investimenti.
