From inference to prediction: how machine learning is reconfiguring science
Durch die Analyse von 4,9 Millionen Publikationen zeigt diese Studie auf, wie maschinelles Lernen die Produktion wissenschaftlicher Erkenntnisse neu konfiguriert, indem es die Kern-Peripherie-Struktur der Forschung verschiebt und eine zweistufige Verdrängung traditioneller inferentieller Methoden durch zunehmend opake prädiktive Modelle vorantreibt, insbesondere in den Gesundheits- und Sozialwissenschaften.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Welt der Wissenschaft wie eine riesige, geschäftige Bibliothek vor, in der Forscher versuchen, Rätsel zu lösen. Jahrzehntelang hatten die Bibliothekare (Wissenschaftler) eine goldene Regel: Um ein Rätsel zu lösen, musste man erklären, wie man die Antwort gefunden hat. Wenn man seinen Rechenweg nicht zeigen konnte, zählte die Antwort nicht. Dies war die Ära der „Inferenz“, in der das Ziel darin bestand, die inneren Abläufe des Universums zu verstehen, wie zum Beispiel genau zu ergründen, warum eine bestimmte chemische Reaktion stattfindet oder wie sich eine Krankheit ausbreitet.
Doch vor kurzem ist ein neuer, superintelligenter Roboter-Assistent namens Maschinelles Lernen (ML) in die Bibliothek eingezogen. Dieser Roboter ist unglaublich gut darin, Antworten zu erraten. Er betrachtet Millionen von Hinweisen und sagt: „Ich bin mir zu 99 % sicher, dass die Antwort X ist!“ Das Problem dabei? Der Roboter kann oft nicht erklären, warum er das glaubt. Er weiß es einfach. Dies ist die Ära der „Vorhersage“.
Diese Arbeit, die eine atemberaubende Zahl von 4,9 Millionen wissenschaftlichen Publikationen von 1990 bis 2025 untersuchte, fungiert wie ein Detektiv, der versucht herauszufinden, wie dieser Roboter die Bibliothek verändert. Hier ist, was sie herausgefunden haben, ohne Fachjargon.
Die Landkarte des Robotergehirns
Die Forscher erstellsten eine riesige Karte des Wissens des Roboters. Sie fanden heraus, dass das „Gehirn“ des Roboters einen Kern und eine Peripherie hat, ähnlich wie eine Stadt.
- Der Kern (Physikalische Wissenschaften): Das Herzstück des Robotergehirns liegt in der Informatik und dem Ingenieurwesen. Hier wurde der Roboter gebaut und hier lebt er. Etwa 28 % aller Arbeiten des Roboters finden hier statt.
- Das Hauptviertel (Gesundheitswissenschaften): Der Roboter ist besonders beliebt in der Medizin, die 15 % der Arbeit ausmacht. Dies ist der größte Ort, an dem der Roboter tatsächlich eingesetzt wird, um reale Probleme zu lösen.
- Die Außenbezirke: Andere Bereiche wie die Sozialwissenschaften und die Biowissenschaften liegen am Rand; sie nehmen den Roboter langsam an, sind aber noch keine Hauptzentren.
Der große Austausch: Von „Warum“ zu „Was“
Hier ist die große Wendung, die die Arbeit entdeckte. Lange Zeit verließen sich Wissenschaftler in der Medizin und den Sozialwissenschaften auf klassische Werkzeuge wie die lineare und logistische Regression. Stellen Sie sich diese als klare, gläserne Taschenrechner vor. Man konnte jede Zahl und jeden Schritt im Inneren sehen. Wenn ein Arzt eines davon benutzte, konnte er sagen: „Ich weiß, dass der Patient eine Krankheit hat, weil diese drei spezifischen Faktoren zusammengekommen sind.“
Doch etwa ab 2015 begann eine neue Welle von Werkzeugen namens Deep Learning (und später Large Language Models), die Oberhand zu gewinnen. Diese sind wie Black Boxes. Sie sind unglaublich gut darin, die richtige Antwort zu erraten – oft besser als die gläsernen Taschenrechner –, aber man kann nicht in sie hineinsehen.
Die Arbeit fand heraus, dass in Feldern, die früher Transparenz verlangten (wie die Gesundheits- und Sozialwissenschaften), die alten gläsernen Taschenrechner schrumpfen. Seit 2015 wächst der Einsatz dieser transparenten Werkzeuge langsamer als der Rest der Wissenschaft, während die Black Boxes in ihrer Popularität explodieren. Tatsächlich verlieren die alten Werkzeuge in einigen Bereichen sogar an Boden.
Die zwei Wellen der Black Box
Die Arbeit legt nahe, dass dieser Wandel in zwei unterschiedlichen Wellen geschah, wie zwei verschiedene Arten von Nebel, die aufziehen.
Welle 1 (2015–2021): Der „Do-it-yourself“-Nebel
In dieser ersten Welle bauten Wissenschaftler ihre eigenen Black Boxes (wie Convolutional Neural Networks). Sie hatten noch die Kontrolle. Sie konnten den Roboter mit ihren eigenen Daten trainieren, ihr Vorgehen in ihren Papieren festhalten, und andere Wissenschaftler konnten theoretisch ihre Arbeit überprüfen. Es war opak (schwer einzusehen), aber der Wissenschaftler war immer noch der Kapitän.
Welle 2 (Nach 2022): Der „Mystery Box“-Nefel
Nach 2022 änderte sich dann etwas. Die am schnellsten wachsenden Werkzeuge sind nun Large Language Models (wie jene, die Aufsätze schreiben oder mit Ihnen chatten). Diese werden nicht mehr von den Wissenschaftlern selbst gebaut, sondern von großen Unternehmen.
- Der Haken: Wissenschaftler können die Trainingsdaten nicht sehen. Sie können den Code nicht sehen. Sie können die Gewichte (die „Gehirneinstellungen“ des Roboters) nicht sehen. Sie geben nur eine Frage ein (einen „Prompt“) und erhalten eine Antwort.
- Das Ergebnis: Die Arbeit legt nahe, dass dies eine neue Art von „intellektueller Schuld“ schafft. Wissenschaftler nutzen Systeme, deren Logik ihnen völlig unbekannt ist. Die Kontrolle hat sich vom Wissenschaftler zum Unternehmen verlagert, das das Modell besitzt.
Was das für die Wissenschaft bedeutet
Die Arbeit argumentiert, dass dies nicht nur ein technisches Upgrade ist, sondern eine Änderung der Frage, was als „wahr“ gilt.
- Früher: Wahrheit bedeutete Verständnis. „Zeig mir die Schritte, dann glaube ich dir.“
- Heute: Wahrheit bedeutet zunehmend Genauigkeit. „Gib mir die richtige Antwort, auch wenn ich nicht sehen kann, wie du darauf gekommen bist.“
Die Autoren weisen darauf hin, dass dies eine Spannung erzeugt. Die Wissenschaft war schon immer das Versprechen von Offenheit und Transparenz (das Ideal der „Open Science“), doch diese neuen Werkzeuge sind oft geheim und proprietär. Die Arbeit deutet an, dass die Wissenschaft zwar besser darin wird, Dinge zu vorhersagen, aber möglicherweise ihre Fähigkeit verliert, sie zu erklären – insbesondere in Bereichen, in denen das Verständnis des „Warum“ schon immer der wichtigste Teil war.
Das Fazit
Die Arbeit sagt nicht, dass dies eine Katastrophe ist, aber sie stellt fest, dass es eine massive Verschiebung ist. Wir bewegen uns von einer Welt, in der Wissenschaftler die Regeln des Spiels erklären, hin zu einer Welt, in der sie einfach ein mächtiges, mysteriöses Werkzeug benutzen, um das Spiel zu gewinnen. Die Arbeit legt nahe, dass dies zwar erweitert, was die Wissenschaft tun kann, aber grundlegend verändert, wie Wissen erzeugt, validiert und angeeignet wird. Die alten gläsernen Taschenrechner sind nicht verschwunden, aber in vielen Bereichen werden sie durch Black Boxes ersetzt, die besser funktionieren, aber ihre Geheimnisse bewahren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.