Les propositions de subventions assistées par l'IA peuvent gagner plus souvent tout en réduisant les idées de recherche
Une étude de la Kellogg School of Management de Northwestern a révélé que les propositions de recherche présentant des signes plus forts d'écriture assistée par l'IA étaient quatre points de pourcentage plus susceptibles de recevoir un financement des National Institutes of Health (NIH). La recherche, dirigée par Dashun Wang et Yifan Qian, met en évidence un compromis potentiel: bien que les propositions assistées par l'IA puissent augmenter les chances de financement, elles ont tendance à s'aligner plus étroitement sur les idées précédemment financées, réduisant potentiellement l'innovation scientifique. L'étude, publiée dans les Actes de l'Académie nationale des sciences, note que l'utilisation de grands modèles de langage (LLM) comme ceux derrière ChatGPT a considérablement augmenté depuis la fin de 2022, conduisant à une division dans les pratiques de rédaction de subventions. Les propositions avec une plus grande implication de l'IA ont montré moins de distinction sémantique par rapport aux travaux financés récemment, suggérant un virage vers des directions de recherche plus conventionnelles.
Un modèle d'IA révolutionnaire a fourni l'estimation la plus précise à ce jour du volume de glace stocké dans les glaciers du monde. 0 utilise des techniques avancées d'apprentissage automatique pour calculer l'épaisseur et le volume des glaciers à l'échelle mondiale. Publié dans Scientific Data, l'étude représente une avancée majeure dans la compréhension de la cryosphère de la Terre et de son impact sur les niveaux mondiaux de la mer.
Ce processus a permis au modèle de fournir une représentation plus précise de la distribution de la glace que les méthodes précédentes, améliorant la précision de 40% par rapport aux estimations antérieures. Les résultats révèlent que les glaciers du monde contiennent environ 150 000 kilomètres cubes de glace.
La recherche souligne l'importance de données précises sur l'épaisseur de la glace pour la modélisation du climat et la prévision des changements futurs dans les glaciers. 0 comme référence principale pour les conditions actuelles des glaciers. Le modèle identifie également les zones où d'autres recherches sur le terrain sont essentielles, comme l'Himalaya, les chaînes de Karakoram et les champs de glace de la Patagonie, où les données existantes peuvent être insuffisantes. Au-delà de ses implications pour la science du climat, l'étude a des applications pratiques dans la gestion des ressources en eau douce.
0 suit des tendances plus larges dans l'application de l'intelligence artificielle au sein de la recherche scientifique. Dans une étude distincte, un modèle d'IA a découvert des erreurs de longue date dans les bases de données de référence chimiques concernant les points d'ébullition moléculaires. Le modèle a signalé des divergences dans les données historiques, ce qui a conduit à une vérification manuelle qui a confirmé les inexactitudes. Cela souligne le potentiel de l'IA en tant qu'outil pour auditer les connaissances scientifiques et identifier les erreurs négligées dans les références établies.
Les chercheurs ont commencé à employer des agents d'IA pour examiner les documents académiques, exécuter des expériences et comparer les résultats avec ceux rapportés par les auteurs. Cependant, les experts mettent en garde que si l'IA peut améliorer l'efficacité, elle n'est pas infaillible et nécessite une surveillance humaine pour assurer l'exactitude et le contexte approprié. Dans le domaine du financement de la recherche, l'IA influence également les processus décisionnels. Certaines institutions explorent des méthodes de sélection randomisée pour allouer des subventions, dans le but de réduire les biais et d'améliorer la diversité des résultats de financement. En introduisant des éléments de hasard dans l'évaluation des candidatures frontalières, ces approches cherchent à remédier aux incertitudes inhérentes aux systèmes de notation traditionnels.
Cette évolution reflète une reconnaissance croissante des limites du jugement humain dans l'évaluation du mérite scientifique. Alors que l'IA continue de s'intégrer dans divers aspects de la recherche scientifique, son rôle d'outil et de défi devient de plus en plus évident. Tout en améliorant la précision et l'efficacité, elle soulève également des questions sur la fiabilité des analyses automatisées et la nécessité d'une implication humaine continue dans la vérification des résultats. Le dialogue permanent entre la technologie et les pratiques scientifiques traditionnelles façonnera l'avenir de la recherche, en veillant à ce que les progrès soient à la fois innovants et rigoureusement validés.
Publicité
Aller aux sources primaires (3)
Les sources officielles sur lesquelles repose la couverture. Lisez-les directement pour contourner le cadrage.
Cette étude met en évidence la manière dont les technologies émergentes influencent la manière dont la science est menée, même aux niveaux les plus élevés de financement gouvernemental.
Les chercheurs soutiennent que l'introduction de la randomisation dans les décisions de financement des subventions peut augmenter la diversité et réduire les coûts. Rachel Heyard, biostatisticienne à la Fondation nationale suisse des sciences (FNS), a analysé les évaluations des subventions et a constaté que de nombreuses propositions tombaient dans un "nuage de propositions B" où les examinateurs ne pouvaient pas les distinguer de manière fiable. Le FNS, qui alloue environ 1 milliard de dollars par an, utilisait traditionnellement des systèmes de notation stricts pour classer les propositions, mais cela a conduit à des limites arbitraires qui ont affecté de manière disproportionnée les chercheurs. En 2022, le FNS est passé à un modèle probabiliste qui identifie les propositions classées de manière incertaine et sélectionne au hasard celles qui reçoivent un financement, reconnaissant que des classements précis sont souvent inatteignables. Ce changement reflète une reconnaissance croissante de l'équité et de l'efficacité dans des environnements de financement hautement compétitifs.
Lecture du biais (Centre): L'article présente une analyse équilibrée des avantages et des inconvénients de l'utilisation de la randomisation dans le financement des subventions.
Pourquoi factualité (85): The article discusses the SNSF's use of randomization in grant decisions, referencing Rachel Heyard's work and the broader trend of randomized grant allocation. It aligns with the primary source document which lists the SNSF trial as ongoing with specific details about funding amounts and evaluation
Pourquoi objectivité (80): The tone remains neutral, discussing both the challenges of traditional review systems and the potential benefits of randomization. While it presents different viewpoints, it leans slightly towards supporting the idea of randomization as a solution to reviewer bias.
Une étude de la Kellogg School of Management de Northwestern a révélé que les propositions de recherche présentant des signes plus forts d'écriture assistée par l'IA étaient quatre points de pourcentage plus susceptibles de recevoir un financement des National Institutes of Health (NIH). La recherche, dirigée par Dashun Wang et Yifan Qian, met en évidence un compromis potentiel: bien que les propositions assistées par l'IA puissent augmenter les chances de financement, elles ont tendance à s'aligner plus étroitement sur les idées précédemment financées, réduisant potentiellement l'innovation scientifique. L'étude, publiée dans les Actes de l'Académie nationale des sciences, note que l'utilisation de grands modèles de langage (LLM) comme ceux derrière ChatGPT a considérablement augmenté depuis la fin de 2022, conduisant à une division dans les pratiques de rédaction de subventions. Les propositions avec une plus grande implication de l'IA ont montré moins de distinction sémantique par rapport aux travaux financés récemment, suggérant un virage vers des directions de recherche plus conventionnelles.
Lecture du biais (Centre): L'article présente les résultats d'une étude sans approuver ou critiquer ouvertement l'un ou l'autre des deux côtés du débat sur le financement de la recherche dans le domaine de l'IA.
Pourquoi factualité (60): The article discusses AI-assisted grant proposals and their impact on funding decisions, but none of the primary source documents mention AI or related findings. The content is unrelated to the actual topic of randomized grant allocation. The claims about AI and NIH are not supported by the provided
Pourquoi objectivité (65): The article presents a clear opinion on the potential negative consequences of AI in grant writing, using phrases like 'concerning trade-off' and 'questions we should ask.' It frames AI usage negatively without presenting balanced perspectives or counterarguments.
Comment chaque camp l’a couvert
Le même événement, regroupé selon l’orientation politique des médias qui le couvrent.
progressiste
centre
conservateur
★
Comment chaque camp l’a couvert
Soutenez une information indépendante et consciente des biais, et débloquez le pouls social, le vote communautaire et toutes les autres fonctions pour les soutiens.
Le même événement tel que rapporté dans d’autres pays.
🌍
🌎
🌏
🗺️
★
Couverture dans le monde
Soutenez une information indépendante et consciente des biais, et débloquez le pouls social, le vote communautaire et toutes les autres fonctions pour les soutiens.
Les principales affirmations factuelles et combien de sources les confirment ou les contestent.
★
Vérification des affirmations
Soutenez une information indépendante et consciente des biais, et débloquez le pouls social, le vote communautaire et toutes les autres fonctions pour les soutiens.
ObjectiveNews est financé par ses lecteurs et sans publicité : nous vous montrons le biais au lieu de le cacher. Soutenez un journalisme indépendant pour 4 €/mois.
United Kingdom
