Der mittelalterliche Mönch William von Ockham stellte eine berühmte Idee auf: Wählen Sie immer die einfachste Erklärung. Ockham’s Razor wird oft als Parsimony -Prinzip bezeichnet und hat seit Jahrhunderten wissenschaftliche Entscheidungen geprägt.
In letzter Zeit haben unglaublich komplexe KI -Modelle begonnen, ihre einfacheren Gegenstücke zu übertreffen. Betrachten Sie Alphafold für die Vorhersage von Proteinstrukturen oder Chatgpt und seine Konkurrenten für die Erzeugung menschlicher Text.
Ein neues Papier in PNAs argumentiert, dass Wissenschaftler Fehler machen und Chancen verpassen.
Die Erstautorin und SFI -Komplexität Postdoktorand Marina Dubova sagt, dass die Überprüfung der Sparsamkeit historisch ist.
„Wissenschaftler brauchen ein Instrument, um zu leiten, wie sie Modelle der Welt erstellen. Parsimony wurde historisch als leichtes Instrument übernommen. Seitdem wurde es nicht in Frage gestellt. Bildungsprogramme lehren Parsimony als Schlüsselprinzip in der wissenschaftlichen Theorie und im Modellaufbau. Die meisten Forschungen versuchen zu rechtfertigen, warum Parsimony gut ist, aber diese Begründungen haben nicht den Test der Zeit bestanden „, sagt sie.
Dubova führte kürzlich eine Computersimulation durch, die zeigt, dass zufällige Experimente bessere Modelle erzeugen als wissenschaftliche Experimente, die auf der Grundlage früherer Annahmen ausgewählt wurden.
Jetzt untersucht Dubova, ein kognitiver Wissenschaftler, eine der größten wissenschaftlichen Annahmen von allen: die Vermeidung komplexer Modelle.
„Wenn wir uns nur auf Sparmaand verlassen, um unser Leitprinzip zu beschränken, das wir über die Welt lernen und uns möglicherweise in falsche Richtungen treiben“, sagt Dubova. „Parsimony und Komplexität sind komplementäre Instrumente. Wissenschaftler müssen Beweise, Urteilsvermögen und kontextspezifische Forderungen verwenden, um festzustellen, ob ein sparsameres oder komplexeres Modell ihren Forschungszielen entspricht.“
Dubova und Co-Autoren diskutieren Ergebnisse, die darauf hindeuten, dass falsch angewandte Parsimonien Modelle voreingenommen und zu schlechten Vorhersagen führen können. Beispielsweise lesen einfache Modelle zur Interpretation lebender Gehirnscans häufig regelmäßige Mustern, obwohl sich die Gehirnaktivität im Laufe der Zeit langsam ändert. Das Auslassen von Schlüsselmerkmalen (wie das Alter des Patienten) aus einem Modell, das ungestestte neue Medikamente bewertet, kann zu schlechten Vorhersagen führen, wer und wird nicht gut reagieren.
Im Gegensatz dazu können komplexe Modelle flexibler und genauer sein, wie neue Ansätze in der Klimawandelforschung gezeigt haben. In der Wissenschaft entwickelt jedes Labor ein eigenes Modell, um Vorhersagen über das interessierende Phänomen zu machen, und das Feld konvergiert schließlich das sparsamste Modell, das am besten zu den Daten passt. Klimawissenschaftler haben jedoch festgestellt, dass Klimaprognosen, wenn sie Dutzende manchmal widersprüchlicher Modelle aus verschiedenen Labors in ein Ensemble kombinieren, bessere Praxis-Phänomene vorhersagen.
„Selbst wenn diese Klimamodelle nicht kompatibel sind, beschließen Wissenschaftler, sie alle zu beschäftigen, weil sie wissen, dass jeder einen Aspekt der Welt erfasst. Die Literatur legt nahe, dass die Verwendung dieser gemeinsamen Verwendung uns die Realität um uns herum besser vorhersagen kann“, sagt sie. „Könnte dieser Ansatz ein völlig neues Verständnis darüber inspirieren, was Klima ist, ohne dass wir als Wissenschaftler versuchen, unsere Präferenz nur eine einfache Erklärung vorzulegen?“
Dubova hofft, dass das Papier neue Untersuchungen starten wird, wenn wissenschaftliche Modellierer Parsimony oder Komplexität wählen sollten.
