Az MI megháromszorozza a kutatók teljesítményét, de szűkíti a kutatások körét

A mesterséges intelligencia paradoxont teremtett a tudományban: azok az eszközök, amelyek felpörgetik az egyéni kutatókat, egyidejűleg szűkítik a tudományos felfedezés kollektív hatókörét – derül ki egy, a Nature-ben megjelent nagyobb tanulmányból.

A University of Chicago kutatója, James Evans és kollégái által végzett kutatás több mint 41 millió tudományos cikket elemzett a biológia, orvostudomány, kémia, fizika, anyagtudomány és geológia területéről, 1980 és 2025 között. Az eredmények azt mutatják, hogy az MI-t alkalmazó kutatók 3,02-szer annyi cikket publikálnak, és közel ötször annyi hivatkozást kapnak, mint azok a társaik, akik nem használnak MI-t. Emellett körülbelül 1,5 évvel hamarabb jutnak vezető pozíciókba. Ez az egyéni siker azonban a tágabb tudományos közösség kárára megy. Az MI-alapú kutatások 4,6%-kal kisebb tematikus területet fednek le, mint a hagyományos tanulmányok, és 22%-kal kevesebb interakciót eredményeznek a cikkek között.

A „magányos tömegek” problémája

A tanulmány egy olyan jelenséget ír le, amelyet a szerzők „magányos tömegeknek” neveznek – olyan népszerű kutatási témák, amelyek koncentrált figyelmet vonzanak, de a tudósok közötti interakció csökken. Ahelyett, hogy egymás munkájára építenék, a mesterséges intelligenciát használó kutatók általában néhány nagy hatású publikáció körül keringenek, és a hivatkozások 80%-a kevesebb mint egynegyedükhöz érkezik. „Amikor a figyelmedet olyan sztárcikkek vonzzák, mint az AlphaFold, csak arra gondolsz, hogyan tudsz az AlphaFold-ra építeni, és hogyan előzheted meg a többieket ebben” – mondta Fengli Xu, a tanulmány társszerzője a Tsinghua Egyetemről. „De ha mindannyian ugyanazokat a hegyeket mászunk meg, akkor rengeteg területet nem kutatunk fel”. A csoportosulási hatás egy visszacsatolási hurokból ered: a népszerű problémák hatalmas adatkészleteket generálnak, ezek az adatkészletek vonzóvá teszik az MI-eszközöket, és az MI-alapú előrelépések több tudóst vonzanak ugyanazokhoz a problémákhoz. „Olyanok vagyunk, mint a csordaállatok” – mondta Evans.​

Reformra való felszólítások

A tanulmányon kívüli szakértők aggodalmukat fejezték ki a megállapítások kapcsán. „Komolyan szembe kell néznünk azzal, hogy mit kezdjünk egy olyan eszközzel, amely az egyéneknek előnyös, de tönkreteszi a tudományt” – mondta Lisa Messeri, a Yale Egyetem szociokulturális antropológusa. Yian Yin, a Cornell Egyetem számítógépes társadalomkutatója méltatta az elemzést, mint ami példa nélküli léptékű, megjegyezve, hogy az MI hatásának számszerűsítése a különböző kutatási módszerek terén „olyan dolog, amit az emberek évek, ha nem évtizedek óta megpróbálnak kitalálni”. A kutatók amellett érvelnek, hogy szakpolitikai beavatkozásra van szükség ahhoz, hogy ösztönözzék a feltárást az adatszegény területeken, és kifejlesszék az olyan MI-rendszereket, amelyeket felfedezésre terveztek, nem pedig optimalizálásra. „Nem hiszem, hogy az MI-nek így kell formálnia a tudományt” – mondta Evans. „Olyan világot szeretnénk, amelyben az MI-vel támogatott munka új területeket hoz létre – ahelyett, hogy csak a régi kérdésekre adott válaszokat finomítaná”.

FORRÁS

(Nethuszár)