科学中的人工智能

科学实用性取决于再现性、不确定性、数据来源以及该方法是否回答了所述问题。预测并不自动成为发现或因果解释。

主要要点

• 陈述科学问题和反驳证据。
• 保留来源和可重复性。
• 将假设和预测与已验证的结果分开。

在选择算法之前先提出科学问题。确定测量什么、推断什么以及哪些观察结果会反驳该主张。将训练、验证和测试数据分开，尤其是当来自同一受试者、仪器或实验的测量结果相互关联时。记录预处理、模型版本、相关的随机种子以及评估材料。检查缺失数据或选择效应是否改变了结论。模型可以重现已知模式，但在新仪器、群体或实验条件上失败。诚实地利用不确定性。校准、置信区间、预测区间和敏感性分析回答不同的问题。生成的假设可以指导后续工作，但在适当的实验或独立分析支持它之前，它不是证据。保留从源数据到图形、表格或手稿的路径。仔细审查作者身份、引用和生成的文本，并避免声称自动化结果是独立复制的，而事实并非如此。

1. 想象一下，一个模型根据仪器 A 的数据进行训练，并根据同一仪器读数的随机部分进行测试。
2. 第二次评估使用仪器 B 的后续读数，结果显示误差大幅增加。
3. 在声称一般科学性能之前，报告这两个结果并调查校准或测量差异。

构建的例子说明了为什么随机分裂会夸大科学概括。