Niedawno, w wątku zatytułowanym "Dlaczego nauka przebiera nogami w miejscu"
www.racjonalista.pl/forum.php/s,825997 postawiony został problem obserwowanego od kilkudziesięciu lat zastoju w nauce. Jego widomym symptomem jest - między innymi - tzw. kryzys odtwarzalności (reproducibility crisis) polegający w wielkim skrócie na tym, iż wyniki uzyskane w wyniku przeprowadzonych doświadczeń/badań nie są potwierdzane ( w ogromnym, często większościowym procencie) przez kolejne takie badania. Do niedawna szczególnie psychologa obciążona była tym grzechem - ale okazuje się, że nauki ścisłe ( biologia, chemia, medycyna, astronomia...) nie są wcale od niego wolne. Przyczyną stanu rzeczy jak wyżej może być po prostu nierzetelność, bylejakość oraz chęć przyśpieszenia kariery zawodowej przez naukowców dokonujących owych badań. Wszak wiadomo o fenomenie punktozy, która w różnych emanacjach trapi świat nauki na całym świecie. Okazuje się jednak, że przyczyną patologii jak wyżej może być także tzw. "machine learning". Definicja uczenia maszynowego w wielkim uproszczeniu brzmi następująco:
"Uczenie maszynowe to technologia, która - zamiast precyzyjnie programować komputery - uczy je wykonywania zadań na podstawie analizy danych."
Rzeczywistość jednakże może wyglądać zasadniczo odmiennie. Bowiem to przecież człowiek/naukowiec nadal konstruuje ową technologię i determinuje metodę wykonywania owych zadań - ze wszystkimi konsekwencjami tego faktu.
Dr Genevery Allen z Uniwersytetu w Houston uważa, iż kryzys odtwarzalności jak wyżej jest w dużym stopniu spowodowany "wynikami" projektów/zadań zleconych do wykonania komputerom.
Zainteresowanych problemem odsyłam do podlinkowanego materiału - nadmieniają finalnie, iż wątek niniejszy jest również wyśmienitym przyczynkiem de debaty nad sztuczną inteligencją.

www.bbc.com/news/science-environment-47267081

"Machine-learning techniques used by thousands of scientists to analyse data are producing results that are misleading and often completely wrong.Dr Genevera Allen from Rice University in Houston said that the increased use of such systems was contributing to a "crisis in science".She warned scientists that if they didn't improve their techniques they would be wasting both time and money. Her research was presented at the American Association for the Advancement of Science in Washington.A growing amount of scientific research involves using machine learning software to analyse data that has already been collected. This happens across many subject areas ranging from biomedical research to astronomy. The data sets are very large and expensive.
'Reproducibility crisis'
But, according to Dr Allen, the answers they come up with are likely to be inaccurate or wrong because the software is identifying patterns that exist only in that data set and not the real world."Often these studies are not found out to be inaccurate until there's another real big dataset that someone applies these techniques to and says 'oh my goodness, the results of these two studies don't overlap'," she said."There is general recognition of a reproducibility crisis in science right now. I would venture to argue that a huge part of that does come from the use of machine learning techniques in science."The "reproducibility crisis" in science refers to the alarming number of research results that are not repeated when another group of scientists tries the same experiment. It can mean that the initial results were wrong. One analysis suggested that up to 85% of all biomedical research carried out in the world is wasted effort."