From inference to prediction: how machine learning is reconfiguring science
Door 4,9 miljoen publicaties te analyseren, onthult deze studie hoe machine learning de productie van wetenschappelijke kennis herconfigureert door de kern-periferie-structuur van onderzoek te verschuiven en een tweeledige verdringing van traditionele inferentiële methoden aan te drijven door steeds meer op de zwarte doos gebaseerde voorspellende modellen, met name in de gezondheids- en sociale wetenschappen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de wereld van de wetenschap voor als een enorme, bruisende bibliotheek waar onderzoekers mysteries proberen op te lossen. Decennialang hadden de bibliothecarissen (wetenschappers) een gouden regel: om een mysterie op te lossen, moest je uitleggen hoe je het antwoord hebt gevonden. Als je je werk niet kon laten zien, telde het antwoord niet mee. Dit was het tijdperk van "Inferentie", waarbij het doel was om de innerlijke werking van het universum te begrijpen, zoals precies uitzoeken waarom een specifieke chemische reactie plaatsvindt of hoe een ziekte zich verspreidt.
Maar onlangs is er een nieuwe, superintelligente robotassistent genaamd Machine Learning (ML) in de bibliotheek komen wonen. Deze robot is ongelooflijk goed in het raden van antwoorden. Hij kijkt naar miljoenen aanwijzingen en zegt: "Ik weet voor 99% zeker dat het antwoord X is!" Het probleem? De robot kan vaak niet uitleggen waarom hij dat denkt. Hij weet het gewoon. Dit is het tijdperk van "Predictie".
Dit artikel, dat naar een verbluffende 4,9 miljoen wetenschappelijke publicaties keek van 1990 tot 2025, fungeert als een detective die probeert te achterhalen hoe deze robot de bibliotheek verandert. Dit is wat zij ontdekten, zonder de jargon.
De Kaart van het Brein van de Robot
De onderzoekers bouwden een gigantische kaart van de kennis van de robot. Ze ontdekten dat het "brein" van de robot een kern en een periferie heeft, een beetje zoals een stad.
- De Kern (Natuurwetenschappen): Het hart van het brein van de robot ligt bij Informatica en Engineering. Dit is waar de robot is gebouwd en waar hij leeft. Ongeveer 28% van al het werk van de robot vindt hier plaats.
- De Hoofdbuurt (Gezondheidswetenschappen): De robot is het populairst in de Geneeskunde, wat 15% van het werk beslaat. Dit is de grootste plek waar de robot daadwerkelijk wordt gebruikt om echte problemen op te lossen.
- De Buitengebieden: Andere velden zoals sociale wetenschappen en levenswetenschappen liggen aan de randen; ze nemen de robot langzaam over, maar zijn nog geen belangrijke knooppunten.
De Grote Wissel: Van "Waarom" naar "Wat"
Hier is de grote wending die het artikel ontdekte. Lange tijd vertrouwden wetenschappers in de geneeskunde en sociale wetenschappen op traditionele instrumenten zoals lineaire en logistische regressie. Denk aan deze als heldere, glazen rekenmachines. Je kon elke getal en stap binnenin zien. Als een arts er een gebruikte, kon hij zeggen: "Ik weet dat de patiënt een ziekte heeft omdat deze drie specifieke factoren bij elkaar optelden."
Maar rond 2015 begon een nieuwe golf van instrumenten genaamd Deep Learning (en later, Large Language Models) de overhand te nemen. Dit zijn als zwarte dozen. Ze zijn ongelooflijk goed in het raden van het juiste antwoord, vaak beter dan de glazen rekenmachines, maar je kunt niet in hen kijken.
Het artikel vond dat in velden die voorheen transparantie vereisten (zoals de gezondheidszorg en de sociale wetenschappen), de oude glazen rekenmachines krimpen. Sinds 2015 is het gebruik van deze transparante instrumenten langzamer gegroeid dan de rest van de wetenschap, terwijl de zwarte dozen een explosieve populariteit kennen. Sterker nog, in sommige velden verliezen de oude instrumenten zelfs terrein.
De Twee Golven van de Zwarte Doos
Het artikel suggereert dat deze verandering plaatsvond in twee duidelijke golven, als twee verschillende soorten mist die binnenrolt.
Golf 1 (2015–2021): De "Doe-het-zelf"-mist
In deze eerste golf bouwden wetenschappers hun eigen zwarte dozen (zoals Convolutional Neural Networks). Ze hadden nog steeds de controle. Ze konden de robot trainen op hun eigen data, opschrijven hoe ze het deden in hun papers, en andere wetenschappers konden in theorie hun werk controleren. Het was opaak (moeilijk in te zien), maar de wetenschapper was nog steeds de kapitein.
Golf 2 (Post-2022): De "Mysteriebox"-mist
Toen, na 2022, veranderde de situatie. De snelst groeiende instrumenten zijn nu Large Language Models (zoals de modellen die essays schrijven of met je chatten). Deze worden niet meer door de wetenschappers zelf gebouwd; ze worden gebouwd door grote bedrijven.
- De Addertje onder het gras: Wetenschappers kunnen de trainingsdata niet zien. Ze kunnen de code niet zien. Ze kunnen de gewichten (de "instellingen" van het brein van de robot) niet zien. Ze typen alleen een vraag (een "prompt") en krijgen een antwoord.
- Het Resultaat: Het artikel suggereert dat dit een nieuwe soort "intellectuele schuld" creëert. Wetenschappers gebruiken systemen waarvan de logica volledig onbekend is voor hen. De controle is verschoven van de wetenschapper naar het bedrijf dat het model bezit.
Wat dit betekent voor de wetenschap
Het artikel betoogt dat dit niet alleen een technische upgrade is; het is een verandering in hoe de wetenschap bepaalt wat "waar" is.
- Vroeger: Waarheid ging over begrip. "Laat me de stappen zien, en dan geloof ik je."
- Nu: Waarheid draait steeds meer om nauwkeurigheid. "Geef me het juiste antwoord, ook al kan ik niet zien hoe je er komt."
De auteurs wijzen erop dat dit een spanning creëert. De wetenschap heeft altijd beloofd open en transparant te zijn (het ideaal van "Open Science"), maar deze nieuwe instrumenten zijn vaak geheim en eigendom van bedrijven. Het artikel suggereert dat hoewel de wetenschap beter wordt in het voorspellen van dingen, het mogelijk haar vermogen verliest om ze te verklaren, vooral in velden waar het begrijpen van het "waarom" altijd het belangrijkste deel was.
De Kern van het Verhaal
Het artikel zegt niet dat dit een ramp is, maar wel dat het een enorme verschuiving is. We bewegen van een wereld waarin wetenschappers de regels van het spel uitleggen naar een wereld waarin ze simpelweg een krachtig, mysterieus instrument gebruiken om het spel te winnen. Het artikel suggereert dat hoewel dit de reikwijdte van wat de wetenschap kan vergroten, het fundamenteel verandert hoe kennis wordt gemaakt, gevalideerd en vertrouwd. De oude glazen rekenmachines zijn niet verdwenen, maar op veel plaatsen worden ze vervangen door zwarte dozen die beter werken, maar hun geheimen bewaren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.