Wissenschaftler erstellen jährlich über 10 Millionen Forschungsarbeiten, doch nicht alle Ergebnisse sind belastbar. Die Herausforderung besteht darin, verlässliche Studien schnell zu identifizieren, bevor verschwendeter Aufwand oder fehlerhafte politische Entscheidungen daraus resultieren. Seit Jahren sind Peer-Review und Replikation die Standards, aber beide sind langsam und kostspielig.
Das von der DARPA finanzierte SCORE-Projekt
Im Jahr 2017 startete die Defense Advanced Research Projects Agency (DARPA) das Projekt Systematizing Confidence in Open Research and Evidence (SCORE). Unter der Leitung von Adam Russell bestand das Ziel darin, KI-Systeme zu entwickeln, die in der Lage sind, die Langzeitvalidität einer Studie vor der Replikation vorherzusagen. Ziel des Projekts war es, einen „Kredit-Score“ für wissenschaftliche Forschung zu erstellen, der es Entscheidungsträgern ermöglicht, die Vertrauenswürdigkeit auf einen Blick zu beurteilen.
Wie es funktioniert
Die KI-Systeme analysieren neue wissenschaftliche Literatur anhand nicht offengelegter Metriken. Die zugrunde liegende Methodik bleibt unklar, obwohl sie wahrscheinlich Data Mining, statistische Modellierung und möglicherweise eine Zitiernetzwerkanalyse umfasst. Die Prämisse ist, dass Muster im Forschungsdesign, in der Methodik und in der frühen Validierung Schwachstellen aufdecken können.
Warum das wichtig ist
Die Auswirkungen sind erheblich. Verlässliche Wissenschaft bildet die Grundlage für Politik, Medizin und Technologie. Eine schnellere Bewertung reduziert die Verschwendung von Ressourcen durch fehlerhafte Studien. Allerdings bestehen Risiken. Eine übermäßige Abhängigkeit von KI könnte die explorative Forschung ersticken oder bestehende Vorurteile innerhalb der wissenschaftlichen Gemeinschaft verstärken. Die eigentliche Herausforderung besteht darin, Transparenz zu gewährleisten und algorithmisches Gatekeeping zu verhindern.
„Das Ziel besteht nicht darin, Risiken zu eliminieren, sondern darin, fundierte Entscheidungen schneller zu treffen.“ — Adam Russell, University of Southern California
Das SCORE-Projekt beleuchtet einen breiteren Trend: die Integration von maschinellem Lernen in die wissenschaftliche Validierung. Während die Replikation nach wie vor unerlässlich bleibt, werden KI-gesteuerte Tools wahrscheinlich einen zunehmenden Einfluss darauf haben, welche Forschung an Bedeutung gewinnt und welche in Vergessenheit gerät.
