Джон Брокман - Эта идея должна умереть. Научные теории, которые блокируют прогресс

Важно отметить, что наука не ограничивается взрослыми профессионалами. Известны случаи, когда восьмилетние дети становились соавторами научных отчетов. А подростки и подавно делают важные открытия в области здравоохранения с довольно весомыми результатами.

К сожалению, эти начинающие ученые сталкиваются со множеством препятствий, которые незнакомы взрослым профессионалам, получившим формальное образование, – например, с невозможностью доступа к научным публикациям. Хотя все больше академических работ выкладывается в открытый доступ и появляется множество других инициатив в области «открытой науки» – и это делает научную среду более дружелюбной для «ученых выходного дня», – многие традиционные научные практики по-прежнему недоступны для любителей, не получающих необходимого для них финансирования.

Наше представление о себе, которое мы получаем посредством научных исследований, может оказаться искаженным, поскольку в большинстве психологических исследований выборка участников вовсе не представляет все население в целом. Чаще всего эти участники принадлежат к так называемой группе WEIRD ( Western, Educated, Industrialized, Rich, Democratic – представители западной цивилизации, образованные, живущие в индустриальном обществе богатых демократий); они же обычно привлекаются и для участия в неклинических нейровизуализационных исследованиях. Угроза того, что на результатах исследования отразится групповая предвзятость, заставляет ученых активнее искать более репрезентативные выборки; однако тревоги по поводу того, что и сами ученые, как правило, относятся к группе WEIRD , что-то не слышно.

Таким образом, если большинство научных исследований, получивших финансирование и впоследствии опубликованных, было проведено исключительно силами людей, принадлежащих к одной и той же страте – профессиональных ученых, получивших формальное академическое образование, – мы видим потенциальную опасность искажения результатов и интерпретаций. В то же время ученые-любители, не вполне вписывающиеся в академические рамки, однако тоже интересующиеся познанием мира с помощью научного метода, должны преодолеть множество барьеров.

Проекты (и даже исследователи), собирающие средства с помощью краудфандинга, постепенно начинают получать признание со стороны официальных ученых, которые зависят от грантов и позиций в академической иерархии. Однако провести некоторые научные эксперименты – к примеру, исследования с участием добровольцев – без институциональной поддержки крайне сложно, если вообще возможно. Хотя поддерживаемая общественностью система сдержек и противовесов по-прежнему крайне важна для научных проектов, ей самой стоило бы в некоторых случаях избавиться от традиционных академических формальностей и ограничений.

День ото дня средства сбора и анализа данных становятся все более доступными для непрофессионалов. И для того, чтобы успешно встроить в науку тех, кто ведет свои исследования за пределами привычных академических рамок, нам предстоит обсудить новые этические вопросы и построить новые инфраструктуры. Проделав это, мы увидим, как растет число научных открытий, совершенных «гражданскими учеными» всех возрастов и профессий. Эти до сих пор почти не слышные голоса наконец-то смогут громко заявить о ценности своего вклада в наше познание мира.

Системный аналитик; футуролог; эксперт в области прикладной генетики; руководитель MS Futures Group; основатель компании DIYgenomics.

Главная научная идея, прежде всего заслуживающая отставки, – это само понятие «научный метод». Точнее, я имею в виду представление о том, что существует якобы лишь один научный метод, единственный и исключительный способ получения научных результатов. Однако этот традиционный, эксклюзивный научный метод перестал быть адекватным в новых ситуациях, возникающих в современной науке, – таких как Большие данные, краудсорсинг или синтетическая биология. Проверка гипотез путем наблюдений, измерений и экспериментов имела смысл в прошлом, когда получение информации было сложным и дорогостоящим процессом; однако теперь это уже не так.

В последние десятилетия мы пытались адаптироваться к новой эпохе информационного изобилия, облегчившего планирование и повторение экспериментов. Одним из результатов этого стало появление новой вычислительной дисциплины практически в любой области науки – к примеру, вычислительной биологии или цифровой архивации рукописей. Информационное изобилие и развитие вычислительных технологий изменили направление развития академического дискурса, который теперь не обязательно придерживается традиционного научного метода. И особых успехов мы смогли достичь в трех областях.

Одна из масштабных тенденций, меняющих ход науки, связана с Большими данными – созданием и использованием гигантских и сложных наборов данных на основе облачных технологий. Масштаб Больших данных почти безграничен: организации непрерывно экспортируют миллионы транзакций в час в базы данных размером в сотни петабайт. Общий объем цифровой информации в мире в настоящее время удваивается примерно каждые 18 месяцев. Но еще до наступления эры Big Data процессы моделирования и прогнозирования уже превратились в ключевые этапы вычислений в научных процессах, а новые методы, требующиеся для работы с Большими данными, делают традиционный научный метод еще менее релевантным. Наши отношения с информацией изменились. Ранее, в эпоху нехватки информации, любые данные были заметны. К примеру, в календаре каждый элемент информации о назначенной встрече был важен и предполагал какое-то действие. С Большими данными справедливым стало обратное: 99 % данных оказываются ненужными (немедленно, или со временем, или в результате обработки). Теперь наша главная задача – извлечение крупиц релевантной информации из огромных ее массивов, поиск сигналов, аномалий и исключений в шуме – к примеру, геномного полиморфизма. Следующий уровень обработки Больших данных – это распознавание паттернов. Высокая частота выборки позволяет не только точечно тестировать феномены (как это происходило и при традиционном научном методе), но и полностью объяснять их во временно́й динамике и при различных условиях. Впервые мы можем заняться расчетами продолжительных базовых норм, дисперсии, закономерностей и циклического поведения. Но для этого требуется мышление, не ограниченное простыми соображениями причинности (как в традиционном научном методе). Нам необходимы расширенные, системные модели корреляции, ассоциации и оценки отдельных эпизодов-триггеров. Некоторые из самых передовых методов работы с Большими данными включают в себя алгоритмы машинного обучения, нейронные сети, иерархическое представление данных и визуализацию информации.