IA en la ciencia

Enmarque la pregunta científica antes de seleccionar un algoritmo. Decida qué se mide, qué se infiere y qué observación no confirmaría la afirmación. Mantenga separados los datos de entrenamiento, validación y prueba, especialmente cuando las mediciones del mismo sujeto, instrumento o experimento estén correlacionadas. Registre el preprocesamiento, las versiones del modelo, las semillas aleatorias cuando sea relevante y el material de evaluación. Compruebe si los datos faltantes o los efectos de selección cambian la conclusión. Un modelo puede reproducir un patrón conocido y al mismo tiempo fallar en un nuevo instrumento, población o condición experimental. Utilice la incertidumbre con honestidad. La calibración, los intervalos de confianza, los intervalos de predicción y los análisis de sensibilidad responden a diferentes preguntas. Una hipótesis generada puede guiar el trabajo de seguimiento, pero no es evidencia hasta que un experimento apropiado o un análisis independiente la respalde. Conserve el camino desde los datos originales hasta la figura, tabla o manuscrito. Revise cuidadosamente la autoría, las citas y el texto generado, y evite afirmar que un resultado automatizado fue replicado de forma independiente cuando no fue así.