研究者らが科学研究における誤りを減らすためのAIガイドラインを提案

科学研究における機械学習の応用方法には重大な欠陥があることが、証拠によって証明されています。この問題は、様々な分野を網羅する多くの研究論文でdentされていますが、プリンストン大学のコンピューター科学者であるアルヴィンド・ナラヤナン氏とサヤシュ・カプール氏の指導の下、様々な分野の研究者19名からなるチームが、科学研究における機械学習の責任ある利用に関するAIガイドラインを発表しました。.

科学研究のためのAIガイドライン

著者らは報告書の中で、今回の研究は研究エコシステム全体に蔓延する可能性のある信頼性の問題を指摘する試みであると述べています。ナラヤナン氏は、研究方法の完全性を守るための普遍的な基準は存在せず、機械学習は現在あらゆる科学分野に適用されているため、これは10年前に社会心理学で観察された再現性危機よりも深刻な問題になり得ると主張しています。彼は現在の危機を再現性危機と呼んでいます。ナラヤナン氏は次のように述べています。

「従来の統計手法から機械学習手法に移行すると、自ら足を撃ち抜く方法がはるかに多くなります。」

出典: AzoAI.

しかし、健康研究、コンピュータサイエンス、社会科学、の著者たちは、matic明るいニュースも伝えています。彼らはdent 、一連のベストプラクティスが現在の問題の解決に役立つと述べています。科学研究​​のためのチェックリストを作成するための研究を実際に組織し、ナラヤナン氏と共同研究を行っているmatic 、の分野コンピュータサイエンスの大学院生氏は、この問題は体系でありそのmatic。解決策もまたあるべきだと述べています

出版は遅くなるかもしれないが、正確性は向上する

新たなコンセンサスに基づくチェックリストの焦点は、機械学習を用いた研究の真正性を確保することです。科学の進化は、結果の再現性と、主張がdentして検証されるべきであるという事実に基づいています。これがなければ、過去の研究の上に信頼できる基盤を築いた新たな科学研究は不可能であり、システム全体の信頼性を失ってしまいます。.

新しいチェックリストでは、透明性に重点が置かれているため、研究者は機械学習モデルの使用に関する詳細な情報を提供する必要があり、モデルのトレーニングに使用されたデータセット、そのコード、ハードウェア容量、パイロット設計、研究目標、および研究結果の制約事項を提供する必要があります。.

新しい基準の要件の増加により、新しい研究の発表が遅れる可能性もあるが、この取り組みの研究者は、これらの規則の採用が全体的な発見と革新の速度の向上に役立つと依然として考えている。. 

本研究の著者の一人であるエミリー・カントレル氏は、dent ことを確かめることで 論文の質が 、将来の論文が更なる研究の糧となる可能性があると述べた。カプール氏はまた、誤りは集団全体への影響を考慮すると有害であり、時間の浪費につながるため、資金や投資を得ている科学研究を阻害し、結果として費用の負担にもつながると述べている。