Znanstveniki vse bolj prepoznavajo potrebo po vključitvi predvidevanja, strukturirane analize možnih prihodnjih scenarijev, v temeljne procese raziskav in razvoja. Ker se tehnološki napredek pospešuje in globalni izzivi razvijajo, se tradicionalni pristopi k znanstvenemu načrtovanju izkažejo za nezadostne. Raziskovalci trdijo, da brez namernega razmisleka o prihodnjih možnostih institucije tvegajo, da jih bodo krize, ki zahtevajo hitro prilagajanje raziskovalnih prednostnih nalog, kadrov in strategij financiranja, presenetile.
Razvoj cepiva, širitev telemedicine in upravljanje javnih zdravstvenih odzivov so zahtevali takojšnje ukrepanje na podlagi nepopolnega razumevanja virusa. Podobno pojav agenskih AI, sistemov, ki so sposobni samostojnega odločanja, predstavlja nove izzive za raziskovalne institucije. Odločitve glede protokolov za potrjevanje, ocenjevalnih standardov in pripravljenosti delovne sile je treba sprejeti še preden so na voljo dolgoročni dokazi. To poudarja kritično vrzel v sedanjih praksah, kjer se predpostavke o prihodnjih potrebah redko pregledajo ali sistematično posodabljajo.
Metodologije predvidevanja, ki se že uporabljajo na področjih, kot so načrtovanje politik in poslovna strategija, ponujajo okvir za obravnavanje teh vrzeli. Tehnike, kot so skeniranje obzorja in analiza scenarijev, raziskovalcem omogočajo, da prepoznajo ključne predpostavke in morebitne motnje. Na primer, Kolesarjenje prihodnosti, orodje, ki ga vlade uporabljajo za oceno kaskadenčnih učinkov pandemije, kaže, kako lahko vizualizacija neposrednih in posrednih posledic razkrije skrita tveganja in priložnosti. Kljub razpoložljivosti teh metod pa so v glavnem odsotne iz mainstream znanstvene prakse.
Translacijska napoved, koncept, ki je podoben translacijski medicini, si prizadeva vključiti razmišljanje, usmerjeno v prihodnost, v strukturo znanstvenega razvoja. Tako kot translacijska medicina ima za cilj povezati laboratorijska odkritja s kliničnimi aplikacijami prek specializiranih programov usposabljanja in modelov financiranja, translacijska napoved zagovarja vključevanje napovedi v procese odločanja.
Na univerzi Texas A&M raziskovalci pod vodstvom Jamesa Sacchettinija uporabljajo umetno inteligenco za racionalizacijo odkrivanja zdravil za tuberkulozo, bolezen, ki še naprej predstavlja pomemben izziv za globalno zdravje. Tradicionalne metode ocenjevanja potencialnih zdravil ovira zapletenost bakterije Mycobacterium tuberculosis, ki ima zaščitno voskasti plašč in počasno stopnjo rasti. Ti dejavniki prispevajo k dolgim eksperimentalnim časovnim okvirom, zaradi česar je integracija umetne inteligence še posebej dragocena.
Z organizacijo večletnih skupnih ugotovitev DAIKON olajša učinkovitejše odločanje pri razvoju zdravil. V dopolnitev tega prizadevanja je ekipa uvedla orodja, ki jih poganja AI in so namenjena zmanjšanju števila napačnih pozitivnih rezultatov v zgodnji fazi presejanja. Njihova najnovejša inovacija, znana kot CAGE-Fusion, identificira spojine, ki lahko zavajajo raziskovalce, ker motijo teste ali reagirajo nepredvidljivo. Ta sistem, podrobno opisan v Journal of Cheminformatics, predstavlja pomemben korak k izboljšanju natančnosti predhodnih pregledov.
Uporaba tehnik predvidevanja in raziskovalnih metodologij, ki jih izboljša umetna inteligenca, bi lahko ponovno opredelila, kako se institucije pripravljajo na prihodnje izzive.
Uspeh pobud, kot sta DAIKON in CAGE-Fusion, nakazuje, da bi lahko združitev predvidevanja in umetne inteligence kmalu postala standardna komponenta znanstvenih raziskav, ki bi ponudila bolj odporen in odzivnejši okvir za reševanje kompleksnih globalnih vprašanj.
2 poročil
Nature NewsNeodvisenSredinaDejstva 75Objektivnost 85včerajZnanstveni raziskovalni programi pogosto delujejo na podlagi neizraščenih predpostavk o prihodnjih tehnoloških dosežkih, družbenih potrebah in potencialnih tveganjih. Te predpostavke se redko sistematično preučujejo ali posodabljajo, kar vodi do vse večje nepovezanosti med trenutnimi raziskovalnimi prizadevanji in prihodnjimi resničnostmi. Ker se odkritja in globalni izzivi hitro razvijajo, se lahko znanstvene institucije borijo, da prilagodijo svoje prednostne naloge in vire kot odziv na nepredvidene krize, kot je pandemija COVID-19 ali vzpon umetne inteligence. Članek trdi za vključitev "translacijskega predvidevanja" - strukturiranega pristopa za predvidevanje več možnih prihodnjih in ustrezno prilagajanje raziskovalnih strategij - v temeljne procese znanstvenega razvoja. Ta metoda se navdihuje iz translacijske medicine, kjer se raziskovalne ugotovitve aktivno uporabljajo za izboljšanje oskrbe bolnikov.
Ocena pristranskosti (Sredina): Članek obravnava potrebo po tem, da znanstvene institucije sprejmejo metodologije predvidevanja, da bi raziskave uskladile s prihodnjimi pogoji. Čeprav se nanaša na področja, kot sta umetna inteligenca in javno zdravje, ne zavzema jasnega ideološkega stališča ali ne podpira ene politične perspektive pred drugo.
Zakaj dejstva (75): The article discusses general concepts of foresight in research but does not mention CAGE-Fusion or the specific topic of nuisance compounds in drug discovery. It references unrelated topics like AI in grant-funding systems and the importance of future planning in research. While some statements abo
Zakaj objektivnost (85): The article maintains a neutral tone overall, discussing research planning and future considerations without taking sides or showing bias. However, it lacks specificity regarding the actual technical details of the research described in the primary source.
Phys.orgNeodvisenSredinaDejstva 30Objektivnost 80pred 3 dneviRaziskovalci na univerzi Texas A&M, ki jih vodi dr. James Sacchettini, razvijajo orodja AI za izboljšanje učinkovitosti odkrivanja zdravil proti tuberkulozi. Tradicionalne metode ustvarjajo veliko število potencialnih spojin, od katerih se mnogi izkažejo za neučinkovite ali nepraktične.
Ocena pristranskosti (Sredina): Članek obravnava znanstveni napredek pri odkrivanju zdravil proti tuberkulozi z uporabo umetne inteligence.
Zakaj dejstva (30): This article focuses on tuberculosis drug discovery and AI applications but makes no reference to CAGE-Fusion, nuisance compounds, or PAINS. It contains factual information about tuberculosis and AI in drug discovery but is entirely unrelated to the primary source document. There is no overlap in su
Zakaj objektivnost (80): The article presents information objectively about tuberculosis research and AI applications. It avoids overt bias or emotional language, though it is completely disconnected from the topic of the primary source document.
★
Ohranimo novice poštene.
ObjectiveNews financirajo bralci in je brez oglasov – pristranskost vam pokažemo, ne skrijemo. Podprite neodvisno novinarstvo za 5 €/mesec.
Postani podpornik
United Kingdom
