Πώς μικρά βήματα γίνονται μεγάλα άλματα - Είναι η έρευνα άχρηστη;

[SteveNashidis]

Ανέφερα συγκεκριμένα την έρευνα γιατί θεωρητικά μπορεί να αλλάξει τον χρόνο και την ποιότητα των ερευνητικών δεδομένων.
Διότι στα προηγούμενα ποστ ανέφερες αρκετές αγκυλώσεις της ερευνητικής διαδικασίας οι οποίες στην εποχή που βρισκόμαστε μπορούν γρήγορα να ανατρέψουν τον τρόπο που ερευνούμε. Ή μπορεί να μας οδηγήσουν σε λάθος μονοπάτια.ν

[nikolas_asteri]

Ανέφερα συγκεκριμένα την έρευνα γιατί θεωρητικά μπορεί να αλλάξει τον χρόνο και την ποιότητα των ερευνητικών δεδομένων.
Διότι στα προηγούμενα ποστ ανέφερες αρκετές αγκυλώσεις της ερευνητικής διαδικασίας οι οποίες στην εποχή που βρισκόμαστε μπορούν γρήγορα να ανατρέψουν τον τρόπο που ερευνούμε. Ή μπορεί να μας οδηγήσουν σε λάθος μονοπάτια.ν

Δικό μου λάθος λοιπόν, δεν διάβασα σωστά την ερώτηση

Μπορείς να θέλεις να δεις ένα πολύ ωραίο βίντεο σχετικά με το πως το ΑΙ βοήθησε τρομερά στο πρόβλημα του protein folding

Αν βαριέσαι να το δεις τότε χοντρικά αυτό που λέει είναι το εξής: οι πρωτεινες ξεκινούν ως μια γραμμική αλυσίδα από αμινοξέα. Όμως, για να κάνουν αυτό που πρέπει (πχ να μεταφέρουν οξυγόνο όπως η αιμοσφαιρίνη ή να κινούν τους μυς), αυτή η αλυσίδα πρέπει να διπλωθεί (fold) σε μια συγκεκριμένη τρισδιάστατη δομή. Η δομή αυτή καθορίζει πώς ακριβώς λειτουργεί η πρωτεινη. Το πρόβλημα είναι ότι υπάρχουν γιγάντιοι αριθμοί πιθανού folding, ακόμα και για μικρές πρωτεινες, και κανένας εύκολος τρόπος να υπολογίσουμε πώς θα διπλωθεί μόνο από την αλληλουχία των αμινοξέων της. Γι' αυτό και για δεκαετίες χρησιμοποιούνταν πειραματικές μέθοδοι, όπως κρυσταλλογραφία ακτίνων Χ, που είναι πανάκριβες και παίρνουν πολύ χρόνο (10000-30000+ ανά πρωτεινη). Το AlphaFold με τα κόλπα του μείωσε το κόστος από δεκάδες χιλιάδες δολάρια σε σχεδόν τίποτα. Δηλαδή επιτάχυνε την επιστημονική πρόοδο 100000x φορές. Και έχει χρησιμοποιηθεί ήδη για εμβόλια κατά της ελονοσίας, αντιμετώπιση ανθεκτικότητας στα αντιβιοτικά, κατανόηση της γενετικής ασθενειών όπως ο καρκίνος και η σχιζοφρένεια.

Παραδοσιακά θεωρούσαμε "ερευνητική εργασία" την:
- τη δημιουργία υποθέσεων,
- την ερμηνεία δεδομένων,
- την ανακάλυψη patterns,
- τη σύνδεση διάφορων (καμία φορά άσχετων) ιδεών με σκοπό να παραχθεί νέα γνώση.

Για δεκαετίες (μιας και μιλάμε για υπολογιστές), αυτή η διαδικασία παρέμενε ανθρώπινα καθοδηγούμενη. Ο άνθρωπος σκεφτόταν, το μοντέλο βοηθούσε. Το AlphaFold έλυσε το πρόβλημα για το οποίο έγραψα πιο πάνω με τέτοια ακρίβεια που η δουλειά 60 ετών (150000 πρωτεινες) έγινε ξεπερασμένη μέσα σε μερικούς μήνες (200000000 δομές). Και αυτό χωρίς ανθρώπινη κατανόηση των κανόνων φυσικής ή χημείας ή ό,τι είναι αυτό τελοσπάντων από το μοντέλο. Δηλαδή βρήκε τι δουλεύει αλλά δεν ξέρει γιατί.

Λαμβάνοντας αυτό σαν ένα μικρό δείγμα ίσως μπορούμε να πούμε πως εργασίες που "κινδυνεύουν" να αυτοματοποιηθούν είναι δουλειές που ψάχνουν για patterns, προβλέψεις σε περιοχές με αρκετή δομή (όπως μόρια, γλώσσα, ή οικονομικά σήματα), γενικά δουλειές που έχουν πολλή επανάληψη ή εξαρτώνται πολύ από μεγάλο όγκο δεδομένων σιγά σιγά θα αυτοματοποιηθούν.

Με κίνδυνο να εκτεθώ θα έλεγα ότι δουλειές που δεν κινδυνεύουν άμεσα είναι η σύλληψη νέων θεωρητικών πλαισίων, αλλά και η επιστημολογία της γνώσης, δηλαδή πότε να εμπιστευτώ ένα αποτέλεσμα, πώς να το μεταφράσω σε πράξη, τι συνεπάγεται για την κοινωνία. Επίσης η διατύπωση ερευνητικών ερωτημάτων από μόνη της είναι κάτι που νομίζω θα αργήσει.

[Gino_Bill]

Θα προσπαθήσω να κάνω μια σύνδεση μεταξύ του ορισμού της έρευνας και της σημασία που έχει παίξει η εφαρμοσιμότητά της στην αναγνώρισή της με μερικές ιστορικές αναφορές και μια προσωπική εμπειρία. Ξεκινάω απο το δεύτερο καθώς έχει πολύ μικρότερο ενδιαφέρον σε σχέση με το πρώτο. Ζητώ συγγνώμη, από όσους το διαβάσουν, για την έκταση του ποστ.

Προσωπικά, έχοντας περάσει στον παρελθόν περίπου 6 χρόνια ως ερευνητής, τα 4 ως διδακτορικός, σε μερικά πολύ μεγάλα ακαδημαικά ιδρύματα, δεν θεώρησα ποτέ τον εαυτό μου αληθινό επιστήμονα, ακριβώς επειδή ποτέ δεν μπόρεσα να βγάλω το στοιχείο του εφαρμοσμένου από τον τρόπο σκέψης μου. Πάντα κοιτούσα το πρόβλημα και πως θα μπορούσα να το λύσω μέσω την μελέτης που έκανα ανα περίοδο. Αυτό δεν σημαίνει πως δεν κατάφερα να έχω δημοσιεύσεις σε καλά περιοδικά, αλλά δεν νομίζω πως πραγματικά επέκτεινα την γνώση με κάποιον τρόπο, έστω και αν σίγουρα υπάρχει μια κάποια καινοτομία στην ερευνητική μου δουλειά.

Ιστορικά τώρα, και πηγαίνοτας την συζήτηση περί έρευνας, κινήτρων, στόχων και εφαρμογής της, επικίνδυνα προς στο ανώ όριο της διανόησης, θα αναφερθώ σε ένα παράδειγμα. Ένας από τους μεγαλύτερους μαθηματικούς της ιστορίας ήταν ο Καρλ Φρίντριχ Γκάους. Έχει ανακαλύψει, μεταξύ πολλών άλλων, πρακτικά την σύγχρονη θεωρία αριθμών και έθεσε τις βάσεις της στατιστικής (έστω και αν συχνά παραγνωρίζεται) μέσω της μελέτης της κατανομής του σφάλματος μιας μέτρησης και της αναλυτικής διατύπωσης της κανονικής κατανομής (το βασικό εργαλείο που ξεκινά κάθε στατιστική ανάλυση) καθώς επίσης και της ανακάλυψης της μεθόδου των ελαχίστων τετραγώνων (οι μισοί εξ’ όσων ευαγγελίζονται ότι δουλεύουν με μοντέλα μηχανικής μάθησης, δεν κάνουν κάτι περισσότερο από διάφορα είδη στατιστικής παλινδρόμησης δεδομένων που βασίζονται – τι έκπληξη – στην μέθοδο των ελαχίστων τετραγώνων).

Ο φίλος Καρλ λοιπόν, όταν ανακάλυπτε ένα μαθηματικό αποτέλεσμα, στην πλειοψηφία των περιπτώσεων δεν το έκανε για να βελτιώσει την ζωή κάποιου, ούτε να λύσει κάποιο πρακτικό πρόβλημα (πέρα απ’ το δικό του πρόβλημα επιβίωσης, αποτέλεσμα του οποίου ήταν να δέχτει να γίνει προστατευόμενος του τότε Δούκα του Μπραουσβάιγκ ώστε να λύσει το βιωτικό του πρόβλημα – προέρχονταν από φτωχή εργατική οικογένεια – και να μπορέσει να χρηματοδοτεί και την έρευνά του, με αρκετά μεγάλη κοινωνική κατακραυγή. Είχε βρει πάντως κάτι αντίστοιχο των σημερινών grants.). Η αντιμετώπιση μάλιστα του “μέσου” ανθρώπου προς το πρόσωπό του ήταν λίγο πολύ “τι χαζομάρες μας τσαμπουνάει αυτός ο πιτσιρικάς ο Καρλ, τι μαθηματικά και έρευνα και κουραφέξαλα, να έρθει να δουλέψει το αμόνι να δει τι θα πει δουλειά. Και τι γλύφτης του δούκα είναι αυτός; εμάς γιατί δεν μας δίνει τίποτα μάρκα να πιούμε καμιά μπύρα παραπάνω;”. Δεδομένα λοιπόν θεωρούσαν την δουλειά του Γκάους πρακτικά άχρηστη, ακριβώς επειδή δεν έβλεπαν κάποιο απτό προιον να απορρεέι από αυτή και προφανώς δεν είχαν το πνευματικό επίπεδο (η συντριπτική πλειοψηφία τουλάχιστον) να την κατανοήσει στο ελάχιστο. Ο ίδιος ο Γκάους επίσης σπάνια δημοσίευε (σε αναλογία με τον όγκο δουλείας – πίστευε μάλιστα για πολλά απο τα αποτελέσματά του πως κάποιος άλλος θα τα είχε βρει πριν από εκείνον), αλλά αν δημοσίευε τα αποτελέσματά του με συχνότητες σημερινών ακαδημαικών, είναι σχεδόν βέβαιο πως το 90% αυτών θα φαινόταν ακόμα και σε σπουδαίους σύγχρονούς του μαθηματικούς (Lagrange, Laplace, Riemann, Lobachevsky) τουλάχιστον περιττά.

Η “τύχη” του Γκάους ήταν ότι ασχολήθηκε με τομείς που βρήκαν καταπληκτικές εφαρμογές τους επόμενους αιώνες και μνημομονεύεται ακόμα ως ένας εκ των γιγάντων των μαθηματικών. Τα κίνητρά του όμως όταν διατύπωνε την μαθηματική θεωρία του, δεν είχαν καμία σχέση με τις εφαρμογές που αυτή βρήκε μετέπειτα. Πρακτικά, το μόνο του κίνητρο ήταν να μάθει κάτι παραπάνω γι’ αυτά που του κέντρισαν το ενδιαφέρον. Έστω και αν εφάρμοσε κατά καιρούς τις θεωρίες του σε κάπως πιο πρακτικά προβλήματα όπως η πρόβλεψη θέσεων αστρικών σωμάτων αλλά και πάλι, δεν νομίζω ότι ο μέσος Γερμανός του 1800 είχε τεράστιο ενδιαφέρον να μάθει σε τι απόσταση απ΄την γη θα βρίσκεται το φεγγαρί το επόμενο πρωί που θα ξύπναγε.

Ο Γκάους λοιπόν ήταν και λίγο τυχερός εκτός από διάννοια. Πολλοί άλλοι μαθηματικοί ήταν μάλλον μπροστά απ’ την εποχή τους (ελάχιστα χαρακτηριστικά παραδείγματα οι Galois, Cantor και Banach) και αναγνωρίστηκαν μετά θάνατον, καθώς τα όρια της γνώσης επεκτάθηκαν περεταίρω και παρελθοντική γνώση άρχισε να βρίσκει εφαρμογές, και άρα να γίνεται πιο εύπεπτη. Αλλοι πολλοί δεν αναγνωρίστηκαν ποτέ, όχι γιατί ήταν λιγότερο ικανοί ή έξυπνοι ή διατύπωσαν λιγότερο κομψές θεωρίες, απλά η ακαδημαική τους έρευνα δεν έφτασε ποτέ ή έστω ακόμα να έχει εφαρμογή.

Επομένως ναι, η γνήσια έρευνα δεν έχει στο μυαλό της μια πρακτική εφαρμογή, ή ένα καθορισμένο χρονοδιάγραμμα παρά κυρίως να ανακαλύψει νέα όρια στην γνώση, στοχεύοντας στο να κατανοήσει πως δουλεύει κάτι και να μελετήσει/εξελίξει θεωρίες. Η μετέπειτα εφαρμοσιμότητά της όμως (από μόνο του ένα πρακτικά τυχαίο γεγονός), ιστορικά έχει παίξει ρόλο στην αναγνώριση επιστημόνων ως θεμελιωτές συγκεκριμένων κλάδων και στην πλήρη αγνόηση άλλων, πιθανώς εξίσου έξυπνων, ικανών, και παραγωγικών, τόσο μεταξύ “απλών” ανθρώπων όσο και εντός επιστημονικών κύκλων (στην τελική όταν δεν μπορείς να αντιληφθείς μια έννοια δεν έχει και τόσο μεγάλη σημασία αν είσαι επιστήμονας ή δεν έχεις τελειώσει το δημοτικό).

[Conan1982]

Προσωπικά, και έθεσε τις βάσεις της στατιστικής (έστω και αν συχνά παραγνωρίζεται) μέσω της μελέτης της κατανομής του σφάλματος μιας μέτρησης και της αναλυτικής διατύπωσης της κανονικής κατανομής (το βασικό εργαλείο που ξεκινά κάθε στατιστική ανάλυση)

Θα είμαι off topic άραγε και κακός αν πω ότι ένα σημαντικό ποσοστό των δημοσιεύσεων που δεν γίνεται από οικονομολόγους, μαθηματικούς και παρεμφερών πεδίων ειδικότητες δεν ξέρουν καλά καλά τι είναι αυτό που εφαρμόζουν όταν κάνουν την στατιστική ανάλυση;

[nikolas_asteri]

Ο Γκάους λοιπόν ήταν και λίγο τυχερός εκτός από διάννοια. Πολλοί άλλοι μαθηματικοί ήταν μάλλον μπροστά απ’ την εποχή τους (ελάχιστα χαρακτηριστικά παραδείγματα οι Galois, Cantor και Banach) και αναγνωρίστηκαν μετά θάνατον,

Ευχαριστούμε Bill για την ιστορική αναδρομή, πολύ ωραίο ποστ <3 Ας γράψω 5 πράγματα για τον αγαπημένο μου Cantor μιας και αναφέρθηκε.

Το άπειρο, για τους αρχαίους, ήταν περισσότερο φόβος παρά κάτι που σκέφτονταν να χρησιμοποιήσουν. Ο Αριστοτέλης το ανεχόταν ως "δυνητικό" δηλαδή κάτι που μπορεί να συνεχίζεται χωρίς τέλος, όπως το μέτρημα αλλά απέρριπτε την ιδέα του "πραγματικού απείρου", ενός πλήρους, ολοκληρωμένου συνόλου πέρα από το πεπερασμένο. Για αιώνες, η στάση αυτή επικράτησε και επηρέασε όλη τη δυτική σκέψη. Η χρήση του απείρου ήταν επικίνδυνη, ακόμα και ύβρις.

Μέχρι που ήρθε ο Γκέοργκ Κάντορ.

Ο Κάντορ, στα τέλη του 19ου αιώνα, έκανε το ριζοσπαστικό βήμα να μελετήσει το άπειρο με την ίδια μαθηματική αυστηρότητα που μελετάμε τους φυσικούς αριθμούς (1, 2, 3, ...). Δεν ήταν απλώς μια πρόοδος στην μαθηματική επιστήμη αλλά ήταν μια εντελώς διαφορετική θεώρηση του κόσμου. Πως το άπειρο είναι πλήρες αντικείμενο λογικής ανάλυσης, πως μπορούμε να συγκρίνουμε μεγέθη απείρων, να τα μετρήσουμε και να τα ταξινομήσουμε.

Οι αριθμοί του Κάντορ (cardinals και τα ordinals για όποιον ενδιαφέρεται) έφεραν στην επιφάνεια την ιδέα ότι υπάρχουν πολλά είδη απείρου, άλλα μεγαλύτερα, άλλα μικρότερα, άλλα πολύ περίεργα. Οι πραγματικοί αριθμοί είναι "μεγαλύτερο άπειρο" από το αριθμήσιμο άπειρο (τους φυσικούς αριθμούς), και μεταξύ τους ενδέχεται να υπάρχουν ενδιάμεσα μεγέθη ή και όχι, αναλόγως του αξιωματικού συστήματος που αποδέχεται κανείς.

Αυτές οι ιδέες δεν έγιναν δεκτές χωρίς αντίσταση.

Ο Λέοπολντ Κρόνεκερ, δάσκαλος και συνάδελφος του Κάντορ, αρνήθηκε να δεχτεί την ύπαρξη των μη κατασκευάσιμων οντοτήτων. Υποστήριζε πως "Die ganzen Zahlen hat der liebe Gott gemacht, alles andere ist Menschenwerk" (ο Θεός έπλασε τους φυσικούς αριθμούς. Όλα τα άλλα είναι έργο του ανθρώπου). Επηρεασμένος από τον Χέγκελ και με την επιπλέον ένταση της μεταστροφής του στον χριστιανισμό, ο Κρόνεκερ φοβόταν ότι η ανεξέλεγκτη χρήση του απείρου οδηγούσε σε φιλοσοφική ασέβεια και μαθηματική αναρχία. Για εκείνον, τα αξιώματα που δεν είχαν κατασκευαστικό περιεχόμενο δεν ανήκαν στα μαθηματικά. Μάλιστα υπάρχουν μαρτυρίες ότι κατηγόρησε τον Κάντορ σαν "τσαρλατάνο" και τον αποκάλεσε "διαφθορέα της νεολαίας" (bonus πόντοι αν θυμάστε ποιος άλλος έχει κατηγορηθεί παρόμοια). Επίσης του έκανε τη ζωή δύσκολη στο να βρει δουλειά.

Ο Κάντορ είχε έντονη φιλοσοφική και θεολογική συνείδηση. Μιλούσε για το "απόλυτο άπειρο" ως μία έννοια που μόνο στον Θεό μπορεί να αποδοθεί. Το άπειρο του Κάντορ δεν ήταν μια κάτι που έβγαλε απλά το μυαλό του αλλά ένα μέσο να συλλάβουμε το ακατανόητο. Μια μαθηματική θεολογία of sorts. Ίσως επηρεασμένος από τον Χέγκελ, οραματιζόταν το απεριόριστο ως το όριο της ανθρώπινης διάνοιας, το σημείο όπου τα μαθηματικά συναντούν τη μεταφυσική.

Ο πόλεμος Κρόνεκερ - Κάντορ δεν ήταν απλώς "μαθηματικός". Είχε να κάνει με ολόκληρες κοσμοθεωρίες. Η σύγκρουση αυτή γέννησε ολόκληρα ρεύματα όπως τον φορμαλισμό του Χίλμπερτ και τον intuitionism του Μπράουερ. Σήμερα, στη σύγχρονη θεωρία συνόλων, θεωρούμε αξιώματα με "μεγάλους cardinals" που υπερβαίνουν κατά πολύ αυτό που ειχε στο μυαλό του ο Κάντορ. Όμως όλα αυτά ξεκίνησαν από ένα φαινομενικά παράλογο ερώτημα: "Υπάρχουν διαφορετικά μεγέθη απείρων;" Ορισμένοι βλέπουν αυτό το φιλοσοφικό ρήγμα σαν ένα είδος χεγκελιανής διαλεκτικής. H θέση του φορμαλισμού (Κάντορ), η αντίθεση του constructivism (με ενοχλεί που δεν έχω λέξη. κατασκευατισμός;) (Κρόνεκερ), και η σύνθεση που έρχεται με τις σύγχρονες προσεγγίσεις όπου παραδεχόμαστε πολλαπλές θεωρίες συνόλων, εξαρτώμενες από τα αξιώματα που υιοθετούμε. Δεν υπάρχει πια "το ένα σωστό σύμπαν" των μαθηματικών. Υπάρχουν πολλά.

Τα ερωτήματα που τέθηκαν τότε όπως τι είναι το άπειρο; τι σημαίνει μαθηματική ύπαρξη; πού τελειώνει η λογική και πού αρχίζει η πίστη; παραμένουν ακόμα σημαντικά αποτελώντας θεμέλια σε κάθε μαθηματικό σύστημα.

Η διαμάχη Κάντορ - Κρόνεκερ δεν ήταν είχε απλά να κάνει με την αφηρημένη έννοια του απείρου. Επηρέασε και εξακολουθεί να επηρεάζει με πολύ χειροπιαστό τρόπο την καρδιά της θεωρίας υπολογισιμότητας και της λογικής. Γιατί εκεί ακριβώς βρίσκεται το ερώτημα "ποια πράγματα μπορούν να περιγραφούν, να κατασκευαστούν, να αποδειχθούν;". Εδώ κάπου μπορεί να μπει σεντόνι για τον Alan Turing και τον Kurt Godel.

Ένα τελευταίο κομμάτι που δένει λίγο αυτό το κομμάτι με κάτι που έγραψα πιο πάνω. Τα Zero-Knowledge Proofs είναι μια απόδειξη που πρέπει να μπορεί να επιβεβαιωθεί χωρίς να αποκαλύψει το περιεχόμενό της. Δηλαδή πρέπει να υπάρχει απόδειξη, αλλά κανείς δεν την βλέπει. Πόσο Καντορικό από τη μία μεριά αλλά και ταυτόχρονα πόσο Κρόνεκερ

[Gino_Bill]

Προσωπικά, και έθεσε τις βάσεις της στατιστικής (έστω και αν συχνά παραγνωρίζεται) μέσω της μελέτης της κατανομής του σφάλματος μιας μέτρησης και της αναλυτικής διατύπωσης της κανονικής κατανομής (το βασικό εργαλείο που ξεκινά κάθε στατιστική ανάλυση)

Θα είμαι off topic άραγε και κακός αν πω ότι ένα σημαντικό ποσοστό των δημοσιεύσεων που δεν γίνεται από οικονομολόγους, μαθηματικούς και παρεμφερών πεδίων ειδικότητες δεν ξέρουν καλά καλά τι είναι αυτό που εφαρμόζουν όταν κάνουν την στατιστική ανάλυση;

Συμφωνώ πως είναι λιγο off-topic αλλά πραγματικά αγγίζεις ένα τρομερά κομβικό ζήτημα, τουλάχιστον της στατιστικής/εφαρμοσμένης/υπολογιστικής (με την έννοια του υπολογισμού/πιθανοτικής εκτίμησης μιας μεταβλητής, όχι πως αφορά στην επιστήμη των υπολογιστών) έρευνας. Και όχι, δεν είσαι κακός. Είναι αλήθεια πως κάποιο - δεν μπορώ να γνωρίζω αν είναι το μεγαλύτερο, μεγάλο ή μικρό - ποσοστό δημοσιευμένης έρευνας είτε δεν γνωρίζει τα εργαλεία που εφαρμόζει, είτε δεν γνωρίζει να μεταφράσει τα αποτελέσματα, είτε ακόμα χειρότερα, χειραγωγεί (manipulate θέλω να πω αλλά δεν ξέρω αν στέκει ο ελληνικός όρος) τα αποτελέσματα. Εκεί όμως μπαίνουμε στα εξής μονοπάτια:

1. Είναι όλοι οι ερευνητές καλοί επαγγελματίες; Μάλλον όχι, όπως σε καθε κλάδο, έτσι και στην έρευνα υπάρχουν καλοί και κακοί, σωστοί και λίγοτερο σωστοί κοκ.

2. Είναι η ηθική των σημερινών επιστημόνων στα επιθυμητά επίπεδα ώστε να μην παρατηρούνται τέτοια φαινόμενα; Και αν δεν είναι, τι φταίει; Θα συμφωνήσουμε πως ένας επιστήμονας με υψηλό δείκτη ηθικής, όπως και κάθε επαγγελματίας, δεν θα ήθελε να πάρει credits για δουλειά που στην ουσία δεν έχει κάνει.

3. Είναι ο τρόπος που τα περιοδικά αξιολογούν την έρευνα ο ενδεδειγμένος; Και αν όχι, μπορεί να αλλάξει;

4. Υπάρχει κάποιο συστημικό/δομικό πρόβλημα που εμμέσως οδηγεί προς την κατεύθυνση αυτή;

Ως επίλογο, και σχετικό με τα περισσότερα απ' τα τέσσερα πιο πάνω σημεία, θα αναφέρω πως είναι κάτι μεταξύ κοινού μυστικού και και σχεδόν ακαδημαικού meme ο υπολογισμός των περίφημων p-values (πολύ χοντρικά, ένα στατιστικό μέτρο που σου λέει αν το αποτέλεσμα που βρήκες σε ένα πείραμα, δεδομένης της υπόθεσης που έκανες, έχει όντως σημαντική πιθανότητα να παρατηρηθεί στην πράξη ή ήταν απλά τυχαίο). Για να έχει κάποια στατιστική σημαντικότητα ένα αποτέλεσμα λοιπόν, έχουμε συμφωνήσει πως το p-value πρέπει να είναι μικρότερο του 5% και όσο πιο μικρό τόσο πιο καλό (ναι υπάρχουν και αυτά!). Αυτό και μόνο, έχει μετατρέψει σε αυτοσκοπό, όχι το να κατανοήσεις ένα αποτέλεσμα, αλλά το να δομήσεις το πρόβλημα και τις υποθέσεις του με τέτοιο τρόπο που θα αυξήσει την πιθανότητα, κάποιο από τα πειράματά σου να αποδώσει το επιθυμητό ή και ακόμα καλύτερο επίπεδο p-value. Νομίζω περιγράφει ένα από τα προβλήματα της μοντέρνας έρευνας αρκετά περιεκτικά.

[ssoulliss]

Πάρα πολύ ενδιαφέρον το θέμα, θα αναφέρω ορισμένα ιστορικά παραδείγματα ερευνητών από διάφορες ειδικότητες και τι κατάληξη είχαν.

Η Μαρία Κιουρί νομίζω όλοι τη γνωρίζουμε, υπήρξε αυτή που ανακάλυψε το ράδιο και ουσιαστικά είναι η μαμά της ραδιενέργειας. Έχει 2 βραβεία νόμπελ ένα στη φυσική και ένα στη χημεία και άπειρη αναγνώριση για το έργο της - κυρίως μεταθάνατον.

Αυτό που δεν είναι ευρέως γνωστό είναι ότι η σουηδική ακαδημία προσπάθησε να μην τη βραβεύσει για διαφορετικούς λόγους. Στο πρώτο Νόμπελ ο λόγος ήταν ότι δεν τους καθόταν καλά ότι η ανακάυψη ήρθε από...γυναίκα και στο δεύτερο βραβείο ο λόγος ήταν η προσωπική της ζωή. Ήταν τσαχπινούλα και αυτά εκείνες τις εποχές θεωρούνταν (όιχ ότι τώρα έχει αλλάξει ) απαγορευτικά - ειδικά αν ήσουν και γυναίκα. Τελικά πέθανε σε σανατόριο από - κατά πάσα πιθανότητα - επιπλοκές που δημιούργησε η επαφή της με το ράδιο. Λέγετε ότι συνήθιζε να το πιάνει με γυμνά χέρια. Εδώ υπάρχει ένα εξαιρετικό ιστορικό, στην ηλεκτρονική έκδοση του βήματος.

Ο Alan Turing είναι ένα άλλο παράδειγμα. Βρετανός πολυμαθής, μαθηματικός και θεωρητικός των ηλεκτρονικών υπολογιστών όπου με την ομώνυμη μηχανή που εφεύρε μπορείς να πεις ότι έδωσε το έναυσμα για όσα ακολούθησαν μέχρι σήμερα. Η συμβολή του στο δεύτερο παγκόσμιο πόλεμο ήταν κομβική - στο κομμάτι της κατασκοπίας - αλλά είχε ένα ελάττωμα. Ήταν ομοφιλόφυλος και αυτό δεν άρεσε στην βρετανική κοινωνία κάτι που οδήγησε μέχρι και στην ποινική του δίωξη !!!! Πιθανότατα αυτοκτόνησε και χρειάστηκαν σχεδόν άλλα 40 χρόνια ώστε ο τότε πρωθυπουργός της Βρετανίας να ζητήσει συγνώμη για τη συμπεριφορά του κράτους προς αυτόν. Υπάρχει το φίλμ The Imitation Game που αξίζει να τη δείτε.

Ο επίσης γνωστός φυσικός - πυρηνικός φυσικός - ο Oppenheimer έμεινε στην ιστορία ως ο ιθύνων νους του Manhattan Project κατά τη διάρκεια του Β' Παγκοσμίου Πολέμου και ο μπαμπάς της ατομικής βόμβας. Από την αρχή δεν τον εμπιστεύοταν η αμερικανική κυβέρνηση - τον θεωρούσαν κομμουνιστή - όμως πίστευαν ότι τους ήταν απαραίτητος. Τελικά όταν τελειώσε ο πόλεμος και σε μια εποχή μακαρθισμού ουσιαστικά τον απέπεμψαν από τη θέση και εκείνος με τη σειρά του αναγκάστηκε να φύγει από τις ΗΠΑ και να εγκατασταθεί σε ένα νησάκι του Ατλαντικού ώστε να νιώθει ασφαλής (ήταν υπό συνεχή παρακολούθηση αυτός και η οικογένεια του). Λέγετε ότι τρελάθηκε μόλις αντιλήφθηκε το μέγεθος της καταστροφής σε Ναγκασάκι και Χιροσίμα, λέγετε ότι το μετάνοιωσε κανείς δε πιστεύω ότι μπορεί να πει με σιγουριά. Το φίλμ Oppenheimer απεικονίζει πολλά από αυτά, ειδικά τον τρόπο με τον οποίο αποπεμφθηκε/καρατομήθηκε από την κυβέρνηση τον ΗΠΑ.

Ο επόμενος ερευνητής είναι λιγότερο γνωστός, όμως είναι κομβικός στην ιατρική. Πρόκειται για τον Ούγγρο γιατρό Ignaz Semmelweis που σε αυτόν χρωστούμε την αποστείρωση. Αυτός ανακάλυψε μέσω μιας διαπίστωσης στην κλινική που εργαζόταν ότι μετά από κάθε ιατρική επέμβαση και πριν μεταβεί ο γιατρός σε άλλη ιατρική περίπτωση θα πρέπει όπωςσδήποτε να καθαρίζονται τα χέρια με χλωριούχο ασβέστιο. Αυτή η ανακάλυψη του έφερε μεγάλη αναστάτωση στην ιατρική κοινότητα - θεωρείτω προσβλητική προς τους γιατρούς - με αποτέλεσμα να αποπεμφθει, να λοιδωρηθεί και τελικά να υποστεί νευρικό κλωνισμό. Μάλλον πέθανε από γάγγραινα, άλλοι λένε ότι τον έδειραν αστυνομικοί, άλλοι ότι αυτοκτόνησε.

Κλείνω με τον Σοβιετικό Alexander Bogdanov μια ιδιοφυία. Ουσιαστικά σε αυτόν χρωστούμε τις μεταγγίσεις αίματος (και όχι μόνο). Δεν ήταν με τον Lennin, είχε δική του πλατφόρμα, δικό του μανιφέστο. Τα τελυταία του χρόνια είχε συλληφθεί, ενώ μάλλον πέθανε από μια...μετάγγιση αφού λέγετε ότι το αίμα που χρησιμοποίησε ήταν από ασθενή με φυματίωση.

Όλα τα παραπάνω δείχνουν ότι η έρευνα είναι πάντα επαναστατική και σχεδόν πάντα έχει σφοδρές αντιδράσεις με (δυστυχώς) όχι πάντα καλό τέλος για αυτούς που την πραγματοποιούν.

[steph.larry]

Kαταρχάς μπράβο για το ενδιαφέρον θέμα συζήτησης και το ερώτημα το οποίο προκύπτει για τη χρησιμότητα της έρευνας. Τα έχετε γράψει ήδη αρκετά καλά όλοι εδώ μετά το εξαιρετικό πρώτο ποστ του Νικόλα, οπότε I give my 2 cents στο θέμα και χωρίς να μακρυγορήσω:

Απο τη σκοπιά μου (software engineer και κάτοχος master σε Computer Science πεδίο) είμαι της άποψης πως έχει σαφώς δίκιο ο Νικόλας για την χρησιμότητα της έρευνας εφόσον την εξετάζει υπό το πρίσμα της συλλογικής-συσσωρευτικής ανθρώπινης γνώσης. Αυτήν ακριβώς την αποστολή έχει άλλωστε η έρευνα.

Από την άλλη μπορώ να καταλάβω και τη δυσπιστία ή το σκεπτικισμό κάποιων ανθρώπων απέναντι της και την αποδίδω κυρίως στη σύγχυση ως προς την εννοιολογική σημασία της. Εσφαλμένα ίσως κάποιοι να την έχουν ως ταυτόσημη με τον θεσμό του πανεπιστημίου και της προσάπτουν όλες τις αγκυλώσεις και δυσλειτουργίες αυτού του θέσμου (ειδικά την σύγχρονη εποχή), που μπορεί να συμπεριλαμβάνουν από σκάνδαλα πέρι άχρηστων χρηματοδοτήσεων μέχρι ιστορικά "ερευνητικά" λάθη που είτε εξυπηρετούν συμφέροντα είτε έχουν τρομερά αρνητικό αντίκτυπο (γράφοντας το πρόχειρα-πρόχειρα μου έρχεται στο μυαλό η περίπτωση Wakefield για τα MMR εμβόλια που καπώς κατάφερε να βγάλει εσφαλμένη δημοσίευση στο πολυ έγκριτο Lancet το 1998, κι ενώ η μελέτη καταρρίφθηκε σχετικά γρήγορα, μέχρι και το 2010 η δημοσίευση υπήρχε ανεβασμένη.) Μπορεί σε πολλά πανεπιστήμιο-έρευνα να είναι συγκοινωνούντα δοχεία, όμως δε μιλάμε για το ίδιο πράγμα.

Στη τελική είναι και ζήτημα διάκρισης ρόλων. Όπως πολύ σωστά γράφτηκε παραπάνω, άλλο πράγμα το RnD και η ανάπτυξη προϊόντων και υπηρεσιών και άλλο πράγμα η έρευνα. Πόλλες φορές το πρώτο προϋποθέτει το δεύτερο (σχεδόν πάντα δηλαδή), αλλά οι άνθρωποι που διεκπαιρεώνουν την έρευνα έχουν τέτοια καλωδίωση στον εγκέφαλο να το πω πολύ μπακαλίστικα, που μπορεί να τους καθιστά παντελώς ακατάλληλους για να μετατρέχουν το πλεόνασμα γνώσης σε άμεσο χρηστικό όφελος. Αυτό δεν κάνει ούτε τους μεν ούτε τους δε άχρηστους, συμπληρώνουν απλώς μια διαδικασία εξέλιξης.

[Erether]

Ωραία θέμα. Το ερώτημα για μένα είναι πόσο χρόνο και ενέργεια χανουν οι ερευνητές στις δημόσιες σχέσεις, στο να κυνηγούν νέες δημοσιεύσεις που δεν προωθουν κάτι επι της ουσίας, αλλά απλώς αυξάνουν τους συντελεστές για τη χρηματοδότηση και στο να τρεχουν απο συνέδριο σε συνέδριο λέγοντας και ακούγοντας τα ίδια και τα ίδια.
Νομίζω ότι κανείς δεν μπορεί να αμφισβητήσει την προσφορά της έρευνας στην κοινωνία παρ'ολο που φυσιολογικά το 99% αυτής δεν καταφέρνει καν να συμβάλλει στο σπρώξιμο των ορίων που έλεγε ο nikolas_asteri. Από την άλλη το μοντέλο ίσως επιδέχεται βελτίωσης. Η αναγκαιοτητα αναζήτησης πόρων και η διασύνδεση της έρευνας με την αγορά είναι δεδομένη και δεν πρόκειται να σταματήσει σύντομα.

Y.Γ. Αμεση επαφη με την έρευνα έχω μόνο σαν μεταπτυχιακές φοιτητής στη Γερμανία και από συζητήσεις με κοσμο σε διάφορες ερευνητικες θέσεις σε πανεπιστήμια.