आज की ब्लॉग प्रविष्टि को रॉज़ा काओ, पीएच.डी. के साथ सह-लेखक हैं (संक्षिप्त आर सी नीचे, [email protected])। डा। काओ ने पीएचडी प्राप्त की। मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी से 2010 में तंत्रिका विज्ञान में, मस्तिष्क में सूचना प्रसंस्करण में रक्त प्रवाह की भूमिका का अध्ययन करते हुए। उन्होंने बाद में टफट्स यूनिवर्सिटी में डॉ। डैनियल डेनेट के साथ एक पोस्ट-डॉक्टरेटल फेलोशिप पूरी की, जिसमें मन के दर्शन और तंत्रिका विज्ञान के दर्शन में मूलभूत मुद्दों पर ध्यान केंद्रित किया गया। वह वर्तमान में इंडियाना विश्वविद्यालय में सहायक प्रोफेसर हैं, फिलिपॉफी ऑफ माइंड, फिलॉसफी ऑफ न्यूरोसाइंस, फिलॉसफी ऑफ बायोलॉजी, और संज्ञानात्मक विज्ञान पर शोध कर रही हैं।
शॉन लूओ (एसएल): आज ब्याज का विषय विज्ञान में प्रतिकृति, विशेष रूप से मस्तिष्क विज्ञान, और चिकित्सा पद्धतियों के लिए लागू वैज्ञानिक परिणामों की प्रतिकृति की भूमिका है। यह एक ऐसा विषय है जो पिछले कुछ सालों में और अधिक एक्सपोजर रहा है, दोनों वैज्ञानिक समुदाय (यहां, यहां), और प्रेस में (यहां, यहां और यहां) में।
वैज्ञानिक निष्कर्ष अविश्वसनीय होने की एक सार्वजनिक प्रतिष्ठा विकसित करना शुरू कर दिया है बड़े क्लिनिकल परीक्षणों के परिणाम अक्सर बाद के एक अध्ययन में उलट दिए जाते हैं, जिनमें से कई आश्चर्यचकित होते हैं अक्सर बुनियादी प्रयोगशाला निष्कर्षों की तुलना में नहीं, विशेष रूप से जिन्हें प्रारंभ में शानदार माना जाता है, उनका दोहराया नहीं जा सकता। मनोविज्ञान और संज्ञानात्मक विज्ञान के क्षेत्र में, यह समस्या विशेष रूप से विनाशकारी और विवादास्पद हो गई है।
इन मुद्दों का समाधान करने के लिए, राष्ट्रीय स्वास्थ्य संस्थान ने प्रतिकृति के लिए औपचारिक वित्तपोषण तंत्र तैयार करना शुरू कर दिया है, जो अतीत में बहुत दुर्लभ है।
विज्ञान के दर्शन और मन के दर्शन के चौराहे पर काम करने वाले एक दार्शनिक के रूप में आपके विचार क्या हैं?
रोजा काओ (आरसी): मुझे लगता है कि प्रतिकृति बहुत अधिक है। मुझे गलत मत समझो, यह एक न्यूनतम मानक है, और निश्चित रूप से हमें मनोविज्ञान में असर के आकार को घटाने के बारे में चिंता करनी चाहिए। लेकिन अंत में, क्या मायने रखता है कि क्या प्रयोग दिखाते हैं कि वे क्या दिखाते हैं नमूना आकार में वृद्धि करके, सफल प्रतिकृति वास्तविक डेटा की विश्वसनीयता बढ़ाते हैं। लेकिन यह हमारी मदद नहीं करेगा अगर मूल सेटअप डिज़ाइन में दोषपूर्ण था और यह डेटा के गलत व्याख्या को सही नहीं करेगा।
प्रतिकृति एक वास्तविकता की जांच के लिए होती है क्या यह एक अस्थायी लग रहा था? और अधिक सनकी, यह परिणाम के दो जानबूझकर धोखाधड़ी और निष्पक्ष इच्छाधारी हेरफेर का पता लगा सकता है। अगर अलग-अलग प्रोत्साहनों के साथ दो समूह फिर भी एक ही डेटा का उत्पादन करते हैं, तो हम और अधिक आश्वस्त महसूस कर सकते हैं कि परिणाम प्रयोगकर्ता प्रोत्साहनों, जागरूक या बेहोश नहीं होते। लेकिन प्रतिकृति केवल एकमात्र नहीं है, और निश्चित रूप से जरूरी नहीं कि सबसे अच्छी वास्तविकता जांच। जीव विज्ञान में स्वर्ण मानक तंत्र है एक स्पष्ट जैविक तंत्र जो कि पूर्वानुमानित तरीके से प्रभाव पैदा करता है, हमारे परिणामों को काफी अधिक विश्वसनीयता देता है।
SL: दिलचस्प अवलोकन प्रतिकृति समस्या के दो पहलू हैं: गलत विज्ञान है और फिर खराब वैज्ञानिक हैं।
आरसी: प्रतिकृति के लिए कॉलिंग को गलत तरीके से दोषी ठहराया गया है, और हम लोगों को गुस्से और समापन पदों को देखते हैं। बिसेल, उदाहरण के लिए, एक प्रकृति सेशन-एडी में तर्क है कि प्रतिकृतियों के लिए कॉल करने के लिए यह गैर जिम्मेदाराना है, और नकली प्रतिकृतियां में अक्षमता पर प्रतिकृतियों की विफलता को दोषी मानता है। मैं उसकी हताशा के प्रति सहानुभूति हूं – आपको कोई नुस्खा बताता है क्योंकि वह अक्षम कुक हैं। दूसरी ओर, इससे पता चलता है कि कई प्रकाशित निष्कर्ष इतने कमजोर हैं कि हम उनमें से बहुत कुछ निष्कर्ष नहीं निकाल सकते (अकेले कहते हैं, मानवाधिकार से लेकर मानव के लोगों तक सामान्यीकरण)।
लेकिन कभी-कभी निर्दोष कारणों से नतीजे निकलते हैं। हम जानते हैं कि डेटा हमेशा शोर कर रहे हैं, और चेरी चुनने, गलत व्याख्या, खराब डिजाइन इत्यादि आम हैं। प्रति प्रतिकृतिकरण उन समस्याओं की पहचान करने या उन्हें सुलझाने पर एक अच्छी नौकरी करने के लिए नहीं होगा।
कभी-कभी प्रतिकृति की उपयोगिता "डिबंकिंग" प्रतिकृतियों द्वारा सबसे अच्छी तरह से सचित्र है: एक बाद के समूह को एक समान डेटा मिल जाता है जो कि पिछले समूह ने किया था, लेकिन एक अलग सेट के अनुमानों के साथ। यह सबसे शक्तिशाली प्रकार की दुर्गंधी हो सकती है, लेकिन सख्ती से बोलना, यह एक सफल प्रतिकृति है, जहां हम एक ही डेटा पाते हैं, लेकिन यह महसूस करते हैं कि मूल रूप से दिया गया एक से अलग व्याख्या करना इसलिए मुद्दा प्रतिकृति नहीं है, यह व्याख्या है ।
एसएल: हमारे वर्तमान चर्चा के लिए प्रासंगिक विज्ञान के दर्शन में कुछ नई घटनाएं क्या हैं?
आर.सी.: विज्ञान का दर्शन अच्छा पुराने दिनों में वापस किया गया था जब भौतिकी प्रभावशाली था कानूनों से ग्रस्त था अब जब जैविक विज्ञान प्रबल हैं, तो दार्शनिकों ने अन्य तरीकों से अधिक ध्यान देना शुरू कर दिया है कि हमारे पास वैज्ञानिक प्रगति है। उनका तर्क है कि हम जो दिखते हैं वह भौतिक विज्ञान में पाए जाने वाले प्रकार के अपवाद के बिना कानून नहीं हैं, बल्कि प्रासंगिक सामान्यीकरण, जहां हम जानते हैं कि कुछ कैसे काम करता है, और यह ज्यादातर समय काम करता है, लेकिन हमेशा नहीं।
वे सामान्यीकरण तंत्र के वर्णन में लिखे गए हैं, जिसके द्वारा ब्याज की कुछ घटनाएं उत्पन्न हुई हैं (देखें मैकामर, डर्डन और क्रेवर पेपर [1])। वे हमें ब्याज की नई घटना को सरल भागों और फ़ंक्शंस से लिंक करने की अनुमति देते हैं जो पहले से ही समझा जा चुके हैं, या कम से कम आंशिक रूप से व्यापक संदर्भों में समझा जाता है। यदि हम जानते हैं कि भाग क्या हैं, और किस तरह से काम करते हैं, तो हम केवल सामान्यीकरण नहीं कर सकते हैं, लेकिन हम यह भी अनुमान लगा सकते हैं कि इन सामान्यीकरण क्या हैं, और उनका दायरा क्या है, वे मूल प्रायोगिक संदर्भ से कितने दूर हैं। उन स्थितियों हम वास्तव में के बारे में परवाह हैं। यदि कोई प्रयोग पूरी तरह से प्रतिकृति है, लेकिन केवल प्रयोगशाला में है, तो क्या यह अच्छा करता है दवा, या "जंगली में" अनुभूति की हमारी समझ?
SL: विश्लेषण के कई अलग-अलग स्तर महत्वपूर्ण हैं। चिकित्सा काफी व्यापक है कि तंत्र को विस्तार से जानने के बिना, हम अभी भी महत्वपूर्ण और उपयोगी जानकारी प्राप्त कर सकते हैं, और यह देखते हुए कि अनुसंधान के लिए हमारा बजट सीमित है, तंत्र के वर्गीकरण और विश्लेषण के विश्लेषण के लिए वित्तपोषण को प्राथमिकता कैसे देना है, महत्वपूर्ण हो जाता है
आरसी: मुझे अभी भी लगता है कि दवा में प्रतिकृति सचमुच एक द्वितीय श्रेणी का स्थान है। कब – दवा के मामले में अक्सर ऐसा होता है – हमें अभी तक पता नहीं है कि कुछ कैसे काम करता है, हम बढ़ती निश्चितता के लिए तय कर सकते हैं कि यह काम करता है आदर्श रूप से, हम यह जानना चाहते हैं कि एक चिकित्सीय उपचार कैसे काम करता है लेकिन हम प्रभावी उपचार के लिए तय करेंगे जो प्रायः ज्यादातर लोगों के लिए काम करता है, भले ही हमें पता न हो कि वे वास्तव में कैसे जानते हैं।
शायद आप कह सकते हैं कि दवा में, हम घटनाओं को अनदेखा नहीं कर सकते। अगर एक दवा कैंसर का इलाज करने लगता है, तो हमें यह विश्वास करने की ज़िम्मेदारी है कि वह ऐसा करती है, और इसे वहां से प्राप्त कर लेती हैं, भले ही हमें यह नहीं पता कि यह कैसे काम करता है। लेकिन यह जानकर नहीं कि यह संभवत: कैसे काम कर सकता है, अर्थात, एक संभावित तंत्र का भी अभाव है, नतीजतन परिणाम के खिलाफ पहला सबूत है, खासकर यदि यह सांख्यिकीय रूप से कमजोर है।
एसएल: शायद सामाजिक मनोविज्ञान प्रयोगों के खिलाफ आलोचना नहीं होना चाहिए कि वे दोहराना नहीं करते हैं, लेकिन यह कि वे व्यवस्थित तंत्र पर पर्याप्त ध्यान केंद्रित नहीं करते हैं और अंतर्निहित सिद्धांतों को अधिक कठोर बनाते हैं।
आरसी: या शायद सामाजिक मनोविज्ञान की तरह कुछ में, तंत्र को देखने के लिए बहुत मुश्किल है। हमें सिर्फ इतना पता नहीं है कि जैविक भाग (कोशिका, ट्रांसमीटर, आदि) जटिल सामाजिक व्यवहार पैदा करने का प्रबंधन कैसे करते हैं। लेकिन शायद यह कि सामाजिक मनोविज्ञान प्रयोगों की उपयोगिता को अपेक्षाकृत संकीर्ण रूप से चित्रित घटना से परे संदेह करने के लिए अच्छा कारण है कि वे सीधे जांच करते हैं लगभग किसी भी क्षेत्र के लिए, हमें अपने आप को याद दिलाना होगा कि प्रायोगिक दाव अक्सर हम जितना व्यापक रूप से सामान्य रूप से सामान्य नहीं करते हैं, और वास्तविक अनुभव के लिए प्रतिबंधित होने पर अधिक विश्वसनीय होते हैं।
SL: वास्तविक समस्या मैं अनुसंधान के लिए बुनियादी, यंत्रविज्ञानी जैविक विज्ञान, साथ ही लागू, मानव विषय अनुसंधान, जिसमें नैदानिक परीक्षण भी शामिल हैं, यह देख रहा है कि अनुमानों की संख्या तेजी से बढ़ रही है हम -नोमिक्स की उम्र में रहते हैं, जब सैकड़ों हजार जीन और मस्तिष्क क्षेत्रों से प्राप्त संकेतों को मापा और सहसंबंधों के लिए एक साथ परीक्षण किया जा सकता है हम धारणा करते हैं कि न्यूनतावाद काम करता है। उदाहरण के लिए, नशे की लत में शामिल मस्तिष्क सर्किट के बारे में अधिक जानने से हमें मदिरा को कम करने में मदद मिल सकती है। लेकिन सर्किट में लाखों नोडों में से कौन सा प्रासंगिक है? मुझे लगता है कि आजकल हमारे सामने सबसे चुनौतीपूर्ण समस्या है। प्रतिकृति किसी तरह से, कुटीर उद्योग विज्ञान के एक युग से एक अवशेष है, जब अंतर्दृष्टि एक परिकल्पना से एकत्र की जा सकती है और एक भी प्रयोग हो सकता है
आर सी: यह सच है कि हम दोनों अवधारणाओं और डेटा के प्रसार का सामना कर रहे हैं तो शायद हमें उन क्षेत्रों में प्रतिकृति की जरूरत नहीं है जहां अब हमारे पास बहुत बड़ा नमूना आकार है लेकिन उन बड़े नमूना आकारों के आधार पर उन अनुमानों के साथ साथ आते हैं जिनके पास छोटे प्रभाव के आकार होते हैं – अंत में सांख्यिकीय रूप से महत्वपूर्ण लेकिन उपयोगी नहीं हैं। जीनोमिक्स ने अभी तक हमें बहुत कुछ नहीं सिखाया है कि रोग कैसे काम करते हैं, या उनका इलाज कैसे किया जाता है यह हमें एक भारी जटिल तस्वीर दी है, जिसमें मार्कर जुड़े हुए हैं, जिसमें अन्य मार्कर हैं यह तंत्र के बाद जाने के लिए एक और कारण है एक विशेष अंतर्निहित तंत्रिका पथ की पहचान करके, या शामिल अणुओं और रिसेप्टर्स का एक सेट, हम मानवीय व्यवहारों में अंतर्दृष्टि प्राप्त करने के करीब एक कदम हैं।
SL: मशीन सीखने से एक प्रतिक्रिया है। जटिल आंकड़ों को उपयोगी, भविष्य कहने वाले उत्पादों का उत्पादन करने के लिए सभी अंतर्निहित तंत्र की समझ की आवश्यकता नहीं हो सकती है। एल्गोरिदम तंत्रों का पता लगा सकता है कि इंसानों को कठिन समय के लिए कलात्मक बनाना पड़ता है। और यहां तक कि अगर हमारे पास सभी तंत्र नहीं हैं, तो भी हम उपयोगी कार्यों का अनुकरण कर सकते हैं: Google कार एक आदर्श उदाहरण है- हम इस बारे में बहुत कम जानते हैं कि इंसान कैसे कार ड्राइव कर सकते हैं। तंत्र मंदता कम कर देता है और भविष्यवाणियों के प्रदर्शन में सुधार करता है।
चर्चा को मूल बिंदु पर वापस लाने के लिए, यदि हम वैज्ञानिक पद्धति के बारे में सोचते हैं कि एक बेयसियन सीखने की प्रक्रिया, "नमूना आकार" (यानी सबूत) बढ़ जाती है, तो हम "सही उत्तर" (सही तंत्र) । सही उत्तर सिर्फ अलग-अलग सांख्यिकीय अनुमानों के बजाय डेटा के एक बड़े सेट पर प्रशिक्षित एक जटिल मॉडल हो सकता है।
लेकिन अगर कोई व्यवस्थित पूर्वाग्रह (उदाहरण के लिए, प्रकाशन पूर्वाग्रह) हैं, तो यह अब सच नहीं है इसलिए प्रतिकृति और परिष्कृत मॉडलिंग के साथ भी, वैज्ञानिक निष्कर्षों का एक बड़ा हिस्सा अभी भी काफी पक्षपाती हो सकता है। इन समस्याओं के बारे में जागरूक होना और उन्हें संबोधित करना संभवतः सबसे महत्वपूर्ण है
आर सी: विज्ञान को स्व-सही करने वाला माना जाता है यह अकेले प्रतिकृति से आगे बढ़ने का एक और कारण है जब नए प्रयोग पहले वाले (सिर्फ उन्हें दोहराने की बजाय) पर निर्माण करते हैं, तो हमें एक दूसरा जांच मिलती है कि पहले के परिणाम विश्वसनीय हैं या नहीं। सबसे व्यापक रूप से प्रचलित तरीके सबसे विश्वसनीय हैं इयान हैकिंग द्वारा यह महान पुराना कागज है, जहां वे कहते हैं, "यदि आप उन्हें स्प्रे कर सकते हैं, तो वे असली हैं।" [3]
यह साक्षात्कार ई-मेल से आयोजित और संपादित किया गया था।
संदर्भ
[1] तंत्र के बारे में सोचकर, पीटर माकमर; लिंडली डार्डन; कार्ल एफ। क्रेवर, फिलॉसफी ऑफ साइंस, वॉल्यूम 67, नंबर 1 (2000) पीपी 1-25।
[2] प्रजननशीलता: प्रतिकृति ड्राइव के जोखिम। मीना बिसेनेल, प्रकृति 503, 333-334 (21 नवंबर 2013) doi: 10.1038 / 503333a
[3] "हम पूरी तरह से इलेक्ट्रॉनों की वास्तविकता के प्रति आश्वस्त हैं जब हम निर्माण करने के लिए तैयार होते हैं – और अक्सर निर्माण में सफल होते हैं – नए प्रकार के उपकरण जो इलेक्ट्रॉनों के विभिन्न सुप्रसिद्ध कारण गुणों का उपयोग प्रकृति के अन्य अधिक काल्पनिक भागों में हस्तक्षेप करने के लिए करते हैं। "इयान हैकिंग (1 9 82) प्रयोग और वैज्ञानिक यथार्थवाद दार्शनिक विषय 13 (1): 71-87
