Dampak data lan AI marang produksi ilmiah

penulis:

Barend Mons, Profesor Emeritus Universitas Leiden, Anggota Dewan yayasan GO FAIR lan Direktur LIFES, Inisiatif Leiden kanggo ilmu pengetahuan FAIR lan Adil

Arie Baak, Anggota dewan Asosiasi LIFES kanggo ilmu pengetahuan sing ADIL lan Setara

Koen Jonkers, Komisi Eropa, Pusat Riset Gabungan (JRC), Brussels, Belgia

Kecerdasan Buatan lagi ngowahi cara ilmu pengetahuan ditindakake, dikomunikasikake, lan divalidasi. Iki nduweni janji sing sejati, nggampangake pangenalan pola ing skala sing ora bisa ditandingi dening peneliti manungsa, nyepetake alur kerja lan mbukak dalan anyar kanggo panemuan. Nanging AI uga cepet, ora bebas saka kesalahan lan ora pilih-pilih, dene ilmu pengetahuan mbutuhake wektu lan tliti kanthi desain. Ketegangan antarane rong kasunyatan iki wis ngasilake disfungsi sing serius: banjir publikasi lan data sing digawe AI, tinjauan sejawat sing mudhun, temuan halusinasi, lan kepercayaan marang cathetan ilmiah sing ilang. Set katrampilan sing dibutuhake saka ilmuwan ing mangsa ngarep owah kanthi dhasar lan kabijakan ilmu pengetahuan ora bisa ngimbangi. Ngatasi kesenjangan iki penting banget.

AI mbentuk maneh cara ilmu pengetahuan ditindakake

Ilmu pengetahuan wis owah saka lingkungan sing langka data dadi lingkungan sing sugih data kanthi kecepatan sing luar biasa. Yen para peneliti biyen ngasilake set data sing sederhana lan ngomunikasikake temuan utamane liwat artikel sing bisa diwaca manungsa, saiki dheweke beroperasi ing jaman generasi data eksponensial. Akèh-akèhé dimensi dhuwur, kasebar lan mung bisa diolah dening mesin. Nanging, tren iki ora katon ing panggunaan maneh data sing nyata. Kanggo ngganti kuwi, data dhewe saiki kudu dianggep minangka output ilmiah kelas siji, dudu produk sampingan saka artikel.

Mesin unggul banget ing nemokake pola ing set data sing gedhe lan kompleks. Nanging mesin ora duwe model konseptual sing ana gandhengane karo kasunyatan sing relevan karo manungsa. Akibate yaiku pasokan pola sing meh ora ana watese, akeh sing palsu, sawetara mblenjani. Tantangan utama kanggo generasi ilmuwan sabanjure yaiku navigasi ing alas pola iki: mbedakake sinyal sing migunani saka gangguan statistik. Pengawasan manungsa ora opsional; iku perlu sacara struktural.

Para pembuat kebijakan uga kudu ngerti manawa AI ing sains ngluwihi Model Basa Gedhe, sing saiki ndominasi wacana publik. Lanskap sing luwih jembar kalebu pembelajaran mesin kanggo generasi hipotesis, alur kerja eksperimen otomatis, lan penalaran adhedhasar grafik kawruh, saben-saben nggawa risiko lan kesempatan sing beda-beda sing mbutuhake respon tata kelola sing disesuaikan.

Kualitas data lan infrastruktur minangka hambatan

Kualitas output AI ing sains ditemtokake langsung dening kualitas data inputData sing ADIL (Bisa Ditemokake, Bisa Diakses, Bisa Dioperasikake, lan Bisa Digunakake Manèh, lan saya dingerteni minangka Siap AI Sepenuhnya) minangka prasyarat dhasar kanggo ilmu pengetahuan sing didorong AI sing tanggung jawab. Tanpa data kasebut, model AI dilatih babagan konten mentah, ora dikuratori, duweni potensi bias, utawa malah digawe-gawe, ngasilake halusinasi sing bisa ngancam nyawa ing konteks klinis lan sing sistematis ngrusak kepercayaan marang ilmu pengetahuan. Utamane ing ngendi panggunaan maneh data sing gampang ditemokake biasane dening aktor non-sains kaya perusahaan LLM saiki.

Sing ora kalah penting yaiku panggunaan model konseptual FAIR kanggo mbatesi AI. OutputsKanthi nyedhiyakake kerangka semantik sing terstruktur, ing ngendi saben konsep ditetepake kanthi apik, kepiye hubungane, lan apa sing dianggep minangka inferensi sing valid, model kasebut kanthi signifikan nyuda risiko halusinasi lan mbantu njamin manawa temuan sing digawe AI tetep bisa diterangake, diinterpretasikake, lan diverifikasi dening manungsa.

Krisis integritas ing penerbitan ilmiah nambah risiko kasebut. Sistem AI saiki bisa ngasilake artikel, data, lan ulasan sing katon masuk akal meh langsung. Salah sawijining konferensi AI sing unggul nampa luwih saka 20,000 kiriman ing taun 2025 wae. Respon kasebut (ilmuwan sing nggunakake AI kanggo nliti makalah sing digawe AI) duwe risiko nggawe puteran umpan balik gangguan tertutup ing ngendi sistem sing cacat ngevaluasi siji liyane tanpa pamriksan eksternal sing penting. Data FAIR sing diterbitake ing sumber, ing ngendi asal-usule bisa diverifikasi, minangka salah sawijining alat paling kuat sing kasedhiya kanggo nglawan tren iki.

Sing ndasari kabeh iki yaiku kegagalan struktural ing insentif. Para peneliti isih entuk ganjaran utamane kanggo jumlah artikel lan tingkat kutipan, metrik sing dirancang kanggo jaman sing langka data. Nerbitake data FAIR sing berkualitas tinggi ora entuk pangenalan profesional lan ora ana jangkoan pendanaan sing dijamin. Iki kudu diganti.

Kesenjangan tata kelola iku akut

Lanskap tata kelola teknis kanggo data ing sains lagi ana ing krisis. Ketergantungan puluhan taun marang sawetara panyedhiya maya gedhe, digabungake karo instrumen hukum kayata Undhang-undhang Cloud AS, wis nggawe masalah kedaulatan data sing saiki dadi akut, utamane amarga ketidakstabilan kebijakan AS anyar lan pengaruhe marang infrastruktur riset sing dienggo bareng sacara internasional. Akeh sumber daya data ilmiah inti ing donya sing efektif ana ing njaba kendali yurisdiksi institusi lan komunitas sing ngasilake.

Prinsip-prinsip FAIR, sing dilengkapi karo Prinsip CARE (sing ngrembug hak lan kapentingan Masyarakat Adat ing tata kelola data), nyedhiyakake kerangka kerja sing koheren kanggo pengelolaan sing tanggung jawab. Bebarengan, prinsip-prinsip kasebut nemtokake kahanan ing ngendi data kudu mbukak utawa diwatesi, bisa digunakake maneh lan daulat. Konsep Internet of FAIR Data and Services (IFDS), ing ngendi data tetep ana ing sumber lan dibukak dening algoritma sing sah tinimbang disalin lan disentralisasi, nawakake respon arsitektur praktis. Ing model iki, pitakon komputasi lelungan menyang simpul data sing disebar; data ora lelungan menyang repositori terpusat kajaba ora bisa dihindari.

Partisipasi sing adil ing ilmu pengetahuan sing didorong dening AI uga mbutuhake infrastruktur iki supaya bisa diakses kanthi bener. Institusi lan komunitas ing Global South ora bisa dadi subjek pasif saka panggunaan maneh data. Ing sisih liya saka spektrum konektivitas, industri intensif data ora kena disingkirake. Infrastruktur FAIR sing disebarake, sing dirancang kanggo nyegah vendor lock-in lan titik kegagalan tunggal, minangka mekanisme sing bisa ditindakake dening partisipasi sing migunani.

Apa sing kudu ditindakake para pembuat kebijakan

Respon kebijakan sing koheren mbutuhake tindakan ing sawetara bidang:

• Mbutuhake standar data FAIR ing riset sing didanai publik. Badan pendanaan kudune nggawe publikasi data FAIR minangka syarat kanggo menehi hibah, dudu rekomendasi.
• Penerbitan data dana lan FAIRifikasi minangka biaya hibah sing layak. Investasi sing dibutuhake kanggo ngasilake data sing berkualitas tinggi lan bisa ditindaklanjuti mesin kudu diakoni lan ditutupi.
• Gunakake maneh data sing wis digawe sadurunge lan biaya riset sing layak kanggo infrastruktur pendukung ing proposal hibahInvestasi sing dibutuhake kanggo nyimpen lan nyedhiyakake data sing berkualitas tinggi lan bisa ditindaklanjuti mesin kudu diakoni lan ditutupi.
• Dukung standar berbasis komunitas tinimbang solusi sing didorong vendor. Infrastruktur sing mbukak lan bisa dioperasikake sing dibangun kanthi standar minimal sing dienggo bareng nyegah penguncian lan njamin lapangan bermain sing padha.
• Nandur modal ing literasi ilmiah. Saliyané para ilmuwan, warga, wartawan, lan para pembuat kebijakan uga mbutuhake pangerten sing tepat babagan kemampuan lan watesan AI. Kesenjangan antarane persepsi publik lan kasunyatan teknis minangka risiko tata kelola.
• Asal-usul mandat lan syarat transparansi kanggo AI sing digunakake ing riset. Sembarang sistem AI sing nyumbang kanggo temuan ilmiah sing diterbitake kudu diwajibake kanggo mbukak asal-usul data pelatihan, kendala, lan watesan model.

Ilmu pengetahuan iku barang publik global. Integritas, kesetaraan, lan keterbukaané ora bisa dianggep; kabèh mau mbutuhaké pilihan kabijakan sing aktif. Jendhela kanggo netepake tata kelola sing apik kanggo AI ing produksi ilmiah isih mbukak, nanging ora bakal tetep kaya ngono tanpa wates. Keputusan sing digawe saiki babagan standar data, infrastruktur, insentif, lan pengawasan bakal nemtokake apa AI nyepetake ilmu pengetahuan sing bisa dipercaya utawa ngrusak kanthi sistematis.

Foto dening Getty Images kanggo Unsplash+

Diadani kanthi kerjasama antarane Dewan Sains Internasional (ISC) lan Frontiers Policy Labs, blog iki minangka bagéan saka 'Pamaréntahan anyar kanggo sains ing abad kaping 21'' seri iki dadi forum diskusi dinamis kanggo kepemimpinan pamikiran babagan masa depan tata kelola ilmiah. Alih saka studi akademik sing kaku, inisiatif iki nggabungake swara-swara global sing unggul kanggo ngirim opini sing tajem, provokatif nanging adhedhasar bukti, lan madhep mangsa ngarep. Kanthi mengkono, dheweke pengin nyumbang kanggo nemtokake model tata kelola sing tangguh, inklusif, lan transparan sing disiapake kanggo tantangan mbesuk.

Deloken kiriman asline kene.

Nolak tanggung jawab
Informasi, panemu, lan rekomendasi sing diwenehake ing blog tamu kita minangka informasi saka kontributor individu lan ora mesthi nggambarake nilai-nilai lan kapercayan Dewan Sains Internasional.

Mangga ngaktifake JavaScript ing browser sampeyan kanggo ngrampungake formulir iki.

Tetep gaul karo buletin kita

email *

NEXT

email *

jeneng *

First

Last

Buletin endi sing pengin ditampa? *

• Buletin Unggulan: ISC Saben Wulan
• Ilmu kanggo Ngurangi Risiko Bencana
• Ilmu ing nganyari komunitas PBB
• Ilmu mbukak
• ISC Job Lansiran
• Nganyari regional: Amerika Latin lan Karibia
• Nganyari regional: Afrika
• Nganyari regional: Asia Pasifik

Idin Gunakake Data *

• Sampeyan duwe idin kanggo email kula

Sampeyan bisa ngganti pikiran sawayah-wayah kanthi ngeklik link unsubscribe ing footer email sing ditampa saka kita, utawa hubungi kita ing [email dilindhungi].

Waca liyane babagan Kebijakan Privasi kita: Kebijakan Privasi.

langganan