Vědci publikují každý rok více než 10 milionů vědeckých prací, ale ne všechny výsledky jsou důvěryhodné. Úkolem je rychle identifikovat spolehlivý výzkum před plýtváním zdroji nebo špatnými rozhodnutími. Po mnoho let byly vzájemné hodnocení a reprodukovatelnost považovány za standardy, ale oba procesy jsou pomalé a drahé.
Projekt SCORE financovaný DARPA
V roce 2017 zahájila Agentura pro obranné pokročilé výzkumné projekty (DARPA) projekt Systematizing Confidence in Open Research and Evidence (SCORE). Cílem projektu pod vedením Adama Russella bylo vyvinout systémy umělé inteligence schopné předpovídat dlouhodobou platnost studie před replikací. Projekt zahrnoval vytvoření „úvěrového ratingu“ pro vědecké práce, aby ti, kdo rozhodují, mohli rychle posoudit jejich spolehlivost.
Jak to funguje
Systémy umělé inteligence analyzují novou vědeckou literaturu pomocí nezveřejněných metrik. Základní metodologie zůstává nejasná, i když pravděpodobně zahrnuje sběr dat, statistické modelování a možná i analýzu citační sítě. Předpokladem je, že vzory v designu studie, metodice a včasném screeningu mohou odhalit slabiny.
Proč je to důležité
Následky jsou značné. Zdravá věda je základem politiky, medicíny a technologie. Zrychlené hodnocení snižuje plýtvání zdroji na chybné studie. Existují však i rizika. Přílišné spoléhání na umělou inteligenci může potlačit experimentální výzkum nebo prohloubit stávající předsudky ve vědecké komunitě. Skutečnou výzvou je zajistit transparentnost a zabránit algoritmické kontrole.
“Cílem není eliminovat rizika, ale dělat informovaná rozhodnutí rychleji.” — Adam Russell, University of Southern California
Projekt SCORE odráží širší trend: integraci strojového učení do vědeckého ověřování. I když reprodukovatelnost zůstává důležitá, nástroje založené na umělé inteligenci budou pravděpodobně hrát stále důležitější roli při určování, které studie získají pozornost a které upadnou v zapomnění.
