科學學 Science of science

出自集智百科
跳轉到: 導覽搜尋
科學可以被視為一個不斷擴大和演化的思想、學者和論文網絡。科學學探尋基於科學結構和動態的普遍或特定領域的普世規律。

科學學 The Science of Science ,是關於科學的科學,它是研究科學以及一切關於科學的對象的科學,提供了對不同空間和時間尺度的科學單位之間相互作用的定量理解:它讓我們了解“創造力”背後的條件和科學發現的過程,其最終目標是發展一系列能加速科學研究的政策和工具。它包括科學哲學,科學心理、科學社會、科學歷史、科技政策、科學機構等等。它是一門主要以經驗方法對科學進行整體研究的綜合性學科。科學學向人們回答的問題主要是:究竟什麼是科學(要用定義說話)?科學都有些什麼特徵、內容、使命和規矩等等。

科學學的出現受到兩個關鍵因素的驅使:

首先是數據的可用性。除了專有的Web of Science(WoS),它是歷史悠久的第一引文索引,今天還有多種數據源(Scopus,PubMed,Google Scholar,Microsoft Academic,美國專利和商標局等)。其中一些來源是免費提供的,涵蓋了與科學家及其成果有關的數百萬個數據點,這些數據來自各行各業,大江南北。

其次,科學學受益於自然,計算和社會科學家的湧入和合作,他們開發了基於數據的工具,使關鍵測試能在生成模型 generative models 上運行,旨在揭示科學發現的現象,其內部機理和驅動力。

這個新興領域的亮點之一是打破學科邊界的過程,科學學整合了來自多個學科的研究發現和理論,並使用了廣泛的數據和方法。

從科學計量學中,學會了分析和衡量大規模數據集的方法; 從科學社會學,它學會了一些理論概念和社會過程;。科學學依賴於廣泛的定量方法的整合,從描述性統計和數據可視化到高級計量經濟學 econometric 方法,網絡科學方法,機器學習算法,數學分析和計算機模擬,包括基於主體的建模方法 agent-based modeling

科學學的價值主張基於這樣一個假設:隨着對成功的科學突破背後因素的深入理解,從整體上把握科學的研究進展,從而更有效地解決社會問題。

在過去十年中,科學學吸引了自然、計算機和社會學等研究背景的科學家。他們一起構建了用來進行實證分析和生成模型研究的科研大數據, 以捕捉科學背後的生產力與從業者的發展變化。科學學希望更深入地理解和推動科學研究中的種種因素,從而更有效地解決環境、社會和技術問題。


目錄

主要活躍學者

  • 路易斯·阿瑪拉爾 Luís Amaral
  • 聖托·福圖納托 Santo Fortunato
  • 詹姆斯·埃文斯 James Evans
  • 曾安 An Zeng
  • 斯塔·米洛耶維 Staša Milojević
  • 王大順Dashun Wang
  • 皮埃爾.阿佐雷Pierre Azoulay
  • 謝宇 Yu Xie
  • 武夷山 Yishan Wu
  • Robert K. Merton
  • Thomas Kuhn
  • Ying Ding

起源

早在20世紀前葉,就有社會學家提出,要求建立一個基於經驗的學科來研究科學本身。科學家們為這個新的科學擬定了多個名稱,包括知識科學 science of knowledge科學學 Science of Science科學社會學 sociology of science邏輯學 logology

Florian Znaniecki被認為是波蘭學術社會學的奠基人,並且在1954年還擔任美國社會學學會第44屆主席,他在1923年發表了一篇文章[1]:

儘管對知識的理論反思(最早出現於赫拉克利特和Eletics),卻一直貫穿……直到人類思想史不斷……如今,我們正在目睹一門新科學的誕生,可以將其與古老的問題的聯繫與現代物理學和化學與它們之前的“自然哲學”的聯繫相比較,或者將當代社會學與古代和文藝復興時期的“政治哲學”的聯繫相比較。 這裡開始形成一個單一的,通用的知識理論的概念...允許進行經驗研究......這個理論...正與認識論,規範邏輯和 嚴格描述的知識史。” [2]

十幾年後,波蘭夫妻社會學家Stanisław Ossowski和Maria Ossowska(Ossowscy)在《科學的科學》 [3] 一文中討論了同一主題,他的英語版本1935年首次引入了科學一詞。 科學走向世界。[4] 文章假定新學科將包含諸如認識論,科學哲學,科學心理學和科學社會學等較早的學科[5] 。 科學科學也將關注諸如與科學有關的社會和國家政策這樣的實踐性問題,例如高等院校,研究機構和科學考察的組織以及對科學工作者的保護 [9]這也將涉及歷史問題:科學,科學家,各個學科以及整個學習的歷史。[6] 奧索西(Ossowscy)在1935年的論文中提到了德國哲學家維爾納·辛格尼茨(Werner Schingnitz(1899–1953)),他在1931年發表的一些斷言中列舉了科學科學中的一些可能的研究類型,並為新學科提出了自己的名字:科學學。 Ossowscy針對學科命名提出了意見:

那些希望用一個詞來代替“科學學”一詞,聽起來是國際的,他們相信只有得到這樣的名字,才會給特定的問題組正式配音。 一個自治學科,[可能]想到了很久以前為類似目的而提出的“數學”(由法國數學家和物理學家安德烈·瑪麗·安培(André-MarieAmpère,1775-1836年)提出)。”[7]

然而,不久之後,在波蘭,笨拙的三字術語nauka o nauce或科學學被更通用的一字術語naukoznawstwo(邏輯學)及其自然變體所取代:naukoznawca或logologist,naukoznawczy或logologic, 和naukoznawczo或從邏輯上講。 第二次世界大戰結束後,距Ossowscy具有里程碑意義的1935年論文僅11年之後,1946年成立了波蘭科學院季度季刊Zagadnienia Naukoznawstwa(邏輯學),這早於許多其他國家的類似期刊。 新的學科也紮根於英語國家的其他地方,而沒有使用一個單詞的名稱。[8]


進展

科學可以被描述為一個複雜的、自組織的,不斷進化的網絡。它由學者、論文和思想組成。這種描述問題的方法解釋了很多潛在的模式,例如,對合作網絡的研究和對引用網絡的研究解釋了新學科的誕生和重大發現的誕生過程。微觀模型追蹤了引文積累的動態,使我們能夠預測單個論文在未來的影響力。

科學學揭示了科學家在他們擴展職業生涯和科學視野道路上面臨的選擇和權衡。例如,分析表明學者們不喜歡風險,更願意研究與他們當前專業知識相關的主題,這限制了他們未來發現的潛力。那些願意打破這種模式的人會從事風險更高的職業,但更有可能取得重大突破。

總之,最革新的科學是基於傳統的學科組合,但是這種組合往往是前所未有的。最後,隨着研究工作更多的從個體轉移到團隊中,科學學越來越關注團隊在科研中的影響和意義。一些研究發現有革命性的思想通常誕生於小團隊。相比之下,大型團隊傾向於推進前沿領域的研究,獲得高卻通常也短暫的影響力。

展望

科學界限的緻密化(densification)過程也是跨學科探索、融合和創新的信號。


科學學提供了關於科學家、研究機構和思想之間結構框架的定量理解。它有助於識別負責科學發現背後的基本機制。這些跨學科數據驅動的內容補充了科學計量學 scientometrics 和有關科學的經濟學與科學社會學等相關領域的內容。

儘管科學學渴求適用於各個科學領域的長期普遍的規律和機制,但首先需要面對不同領域和國家之間文化、習慣和偏好之間難以避免的差異。這種變化使得一些跨領域的見解難以理解,並且相關的科學政策難以實施。科研問題、數據之間的差異,一般是與領域所關聯的,這也暗示在將來科學學的研究會因“學科特色”而產生相應的變化。

儘管科學研究確實有它的普遍性,但文化、習慣和偏好方面的實質性學科背景差異使得某些領域內的某些跨領域見解變得難以理解,與其對應的政策則難以實施。每個學科所要求的問題、數據和技能之間的差異表明,可以從特定領域的科學學研究中獲得進一步的見解。這些研究模擬和預測適應每個學科領域中的需求和機會。對於年輕的科學家來說,科學學的研究結果提供了過去科研有效的見解,有助於指導他們對未來的預見.

科學學告訴我們

  • 創新和傳統:純粹的,真正的創新和高度跨學科的想法可能無法達到它們能達到的科學影響力。為了增強其影響力,應將新思想置於已有的學科環境下發表。
  • 堅持:只要一直保持研究狀態,科學家的概念中永遠不存在“太老“而無法做出重大發現的情況。
  • 合作:如今研究模式正在向團隊轉移,因此參與協作是大有益處的。小團隊的作品往往是更具顛覆性,而那些強隊往往有更大的資源去做更有影響力的大工作。
  • 聲譽:大多數名譽將歸屬於在文獻發表的領域中進行始終如一工作的共同作者。
  • 資金:雖然評審小組承諾支持創新,但他們實際上更傾向於忽視創新。資助機構應要求審稿人評估創新,而不僅僅是他們頭腦中預料的成功。

科學學的貢獻

科學學的貢獻是:對科學家、制度和思想之間的關係結構開始進行細緻的理解,這是識別它背後運作機制的關鍵起點。總之,這些數據驅動data-driven 工作補充了相關研究領域欠缺的內容,如經濟學和科學社會學。

因果估計 Causal estimation 是一個經濟學中的典型例子,計量經濟學研究會收集並利用全面的數據源來進行需要的模擬。評估因果關係是科學學最需要的未來發展之一:許多描述性研究揭示了科研結構與成功結果之間的強烈相關性,但特定結構“導致”結果的程度仍未得到探索——我們不知道相關關係背後的因果關係。

通過與研究人員建立更緊密的合作關係,科學學將能夠更好地識別從模型和大規模數據中發現的聯繫,這些數據具有促使相關政策誕生的潛力。但是科學學的實驗可能是科學學尚未面臨的最大挑戰。運行隨機對照試驗將改變由稅收所支持的個人或科學機構的研究進程,如此之高的成本必然會引發批評和阻礙。

因此,在不久的將來,准-實驗方法 quasi-experimental approaches 將在科學學調查中佔主導地位。

大多數科學學研究都將科研文獻作為主要數據來源,這意味着這個學科思考和發現的研究對象都是那些成功的案例。然而,大多數科學研究存在失敗,有時甚至是巨大的失敗。鑒於科學家失敗的次數多於成功失敗,因此了解理念何時何地,為什麼,怎麼樣失敗對理解和改進科學系統至關重要。這些研究可以為重現性危機提供有意義的指導,並幫助我們解決文件抽屜問題 file drawer problem 。通過揭示創造性活動,這些研究還可以大大促進對人類創造力的解釋。

科學系統和經濟系統類似,它是一個使用一維“貨幣”引文的經濟系統。這暗示階層也存在於科研系統,其中“富人愈富”抑制了新思想的傳播,特別是那些新晉科學家和那些不符合特定領域傳統身份的人。

通過擴大績效指標的數量和範圍可以改善科學系統。在這方面,制定衡量科學界覆蓋網絡 metrics covering web 、社交媒體活躍度和社會影響的替代指標至關重要。其他可衡量的維度也包括科學家與競爭對手分享的信息(例如數據),以及他們向同行提供的幫助,以及他們作為同行作品審稿人的可靠性。

但是,由於需要大量的指標,需要做更多的工作來了解每個指標的作用和不捕獲的內容,以確保有意義的解釋並避免濫用。科學學可以通過提供模型做出種種貢獻,這些模型可以更深入地理解科學績效指標的覆蓋範圍以及背後的機制。例如,當使用替代指標(例如,文獻下載的分布)時觀察到的經驗模型將使我們能夠探索它們與基於引用數量的度量系統之間的關係並且識別暗箱操作。

將基於引用數量的指標與其他指標相結合將促進科研的多元發展,並實現科研生產力的分工,由此科學家可以通過不同方式取得成就。科學是一個生態系統,不僅需要出版,還需要傳播者、教師和注重細節的專家。我們需要能夠提出新穎的,改變革新的問題,以及能夠回答問題的人。如果好奇心、創造力和知識能有效交流——特別是關於科學技術的應用和社會影響之類的信息——更多元化的方法可以減少重複,科學便能蓬勃發展。 科學學試圖解決的一個問題是科學資金的分配。目前的同行評審制度存在偏見和矛盾。幾種替代方案已經被提出,例如隨機分配資金,不涉及提案和審查制度的向專門人員導向的資金,向在線人群開放的審查機制,去除審稿人績效的評審機制和科學家眾籌資金。 科學學未來研究的一個關鍵領域是與機器學習和人工智能的整合,讓客觀的機器和人類一起工作。這些新工具將會有一個令人愉快的深遠,因為機器可能比人類合作者更能拓寬科學家的視野。例如,自動駕駛車輛是機器學習技術,是由人類已知的駕駛技術和未知的駕駛習慣信息的成功組合。心智-機器夥伴關係的研究給廣泛的衛生、經濟、社會、法律等領域的決策上提供了廣泛的正面作用。如何通過機器與心靈關係改善科學,以及怎麼安排能夠讓科學發展更具成效?這些問題有助於我們了解未來的科學。

科學

什麼是科學

“科學”一詞,來自拉丁語scientia,意味着知識,在不同的語言中有不同的側重點。在英語中,通常意義上的“科學”指的是精確科學,自然科學或硬科學。[9] 而在其他語言中(如法語、德語或者波蘭語),相應術語指的是更廣泛的領域,不僅包括精確的科學(邏輯和數學),還包括自然科學(物理,化學,生物學,醫學,地球科學,地理學) ,天文學等),還包括工程科學,社會科學(歷史,地理,心理學,自然人類學,社會學,政治學,經濟學,國際關係,教育學等)和人文科學(哲學,歷史,文化人類學,語言學等)。[10] 阿姆斯特丹大學人文系教授Rens Bod指出,科學(定義為描述和解釋過去或現在觀察到或推斷出的現象的一組方法,旨在檢驗假設和建立理論)適用於諸如語言學,藝術史,音樂學,語言學,考古學,史學和文學研究。[11]

由於當代科學是由社會結構、知識表徵 knowledge representa­tions 和自然世界之間複雜的相互作用驅動的一個動力系統。科學知識是由研究論文、書籍、專利、軟件和其他學術領域人造產物中的概念和關係構成的。這些內容被按照距離親疏組織分類成學科和更廣泛的領域。這些社會、概念和物質要素通過正式和非正式的信息、思想、科研實踐、工具和案例信息流相互聯繫。因此,科學還可以被描述為一個複雜的、自組織的、不斷發展的多尺度網絡 multiscale network

觀察科學文獻發表的時間和數量,我們發現:科學文獻的數量隨着時間呈指數積累,平均15年,文獻數量就會翻倍。然而不要因此就以為科學思想就因此跟着文獻的數量一起成倍增長了。出版界的技術和經濟也隨着時間而改善,發表文章製作效率也因此而提高。此外,科學領域的新發表文章往往聚集在不同的知識領域。

研究者們通過大規模的文本分析,使用從標題和摘要中提取的短語來衡量科學文獻的認知程度。他們發現科學概念的範圍隨着時間的推移而線性擴展。換句話說,雖然發表文章的數量呈指數增長,但新概念是隨着時間的推移是以線性增加的。


科學的成長。(A)在WoS數據庫中摘錄文獻的年度產出量與時間的關係。(B)WoS中索引到的文獻涵蓋的科學新發現的增長。這是通過計算固定數量文章中概念數量來確定的


文章標題和摘要中常用的單詞和短語通過引文網絡傳播,形成一種模式,而這種模式又會在某一時空被新出現的範式所取代。通過將網絡科學方法應用到引文網絡中進行研究,研究人員能夠識別由經常互相引用的發表文章子集所對應的社群。這些社群通常對應於對特定問題持有共同立場的作者群體或在相同的專門科學話題上工作的從業者。最近,關注生物醫學科學工作的一篇文章說明了發表物的增長如何強化了“學科社區”。

一旦新論文被發表,科學家、被研究的藥物、疾病和方法(“這些事物”即網絡分析中的節點(nodes))之間的關聯,(即網絡分析中的超邊(hyperedge))就會更新和加強。大多數新建立的鏈接距離彼此僅一兩步,這意味着當科學家選擇新研究課題時,更喜歡選擇與當前的專業知識或其合作者的專業知識直接相關的內容。這種緻密化(densification)表明,現有的科學結構可能會限制將來人們的研究內容。

科學界限的緻密化 densification 過程也是跨學科探索,融合和創新的信號。

對八個研究領域的生命周期分析表明,成功的領域經歷了知識和社交統一的過程,這導致協作網絡中的巨大通路,可以類比正常條件下相當大的一組共同作者。一個科學家在合作網絡上隨機遊走 random walks 選擇合作者的數學模型成功地再現了作者生產力、每個學科的作者數量和論文內容與作者的跨學科性。

什麼可以被科學認知的

科學尋求有關現實各個方面的真相的問題牽涉到對現實非常了解的問題。哲學家托馬斯·納格爾(Thomas Nagel)寫道:“通過理論與觀察之間的相互作用來追求科學知識……我們對理論的觀察結果進行了檢驗,但我們也根據理論對觀察提出了質疑或重新解釋。(哥白尼革命時期的地心說和日心說是一個生動的例子。)……事物的外觀是所有知識的起點,而通過進一步的修正,擴展和闡述,知識的發展不可避免地是更多表象的結果-對不同理論假設的合理性和後果進行深思熟慮的判斷,追求真理的唯一方法是,在仔細考慮適用於該主題的種類之後,根據所有相關的數據,原理和環境,考慮看起來正確的事物。”[12]

物理學家-天文學家馬塞洛•格萊澤(Marcelo Gleiser)從不同的角度探討了可知性問題:“我們觀察到的不是自然本身,而是通過從機器收集的數據中識別出來的自然。因此,科學的世界觀取決於我們可以從中獲取的信息我們的工具有限。鑒於我們的工具有限,我們對世界的看法必然是近視的。我們只能看到事物的本質,而且我們日新月異的科學世界觀反映了這種對我們感知現實的基本限制。” Gleiser引用了顯微鏡發明或基因測序前後的生物學狀況;望遠鏡前後的天文學;對撞機或快速電子學之前和之後的粒子物理學。 “我們建立的理論和我們構建的世界觀是我們探索變革的工具。這種趨勢是科學的標誌。”[13] 格萊塞寫道:“在理解科學知識方法的局限性方面沒有失敗主義者。……應該改變的是科學的凱旋感-一種毫無疑問是科學話語無法超越的信念。[14]

“科學上存在明顯不可知的問題-除非違反當前公認的自然法則,否則我們無法找到答案。一個例子是多重宇宙:我們的宇宙不過是眾多宇宙中的一個而已,而每個猜想都有可能另一套不同的自然法則。其他宇宙在我們的因果視野之外,這意味着我們無法接收或向它們發送信號。任何存在它們的證據都是間接的:例如,由於過去的碰撞而在輻射穿透空間中留下的疤痕與鄰近的宇宙。”[15]

格萊澤(Gleiser)給出了另外三個關於宇宙起源的未知例子。生活和思想:[15] “對宇宙起源的科學描述是不完整的,因為它們必須依靠一個概念框架才能開始起作用:例如,能量守恆,相對論,量子物理學。為什麼宇宙要遵循這些定律而不是其他定律?“類似地,除非我們能證明從非生命到生命只有一種或很少的生化途徑存在,否則我們無法確定生命是如何起源於地球的。“對於意識,問題是從物質到主觀的跳躍,例如,從激發神經元到痛苦或紅色的體驗。也許某種基本的意識可以在足夠複雜的機器中出現。但是我們怎麼能相對於猜想,我們如何確定某種事物是有意識的?” 格萊塞寫道,自相矛盾的是,通過我們的意識,即使不完美,我們也能理解世界。 “我們能完全理解我們所參與的某些事情嗎?[16]

事實和理論

理論物理學家和數學家弗里曼·戴森(Freeman Dyson)解釋說:“科學由事實和理論組成”:“事實應該是真是假。它們是由觀察員或實驗者發現的。對聲稱發現了事實錯誤的科學家的嚴厲判決……“理論具有完全不同的地位。它們是人類思想的自由創造,旨在描述我們對自然的理解。由於我們的理解是不完整的,因此理論只是暫時的。理論是理解的工具,而工具不一定是精確的理論應該或多或少是正確的....發明一個被證明是錯誤的理論的科學家會被寬大地審判。”[17]

戴森引用了心理學家對理論誕生的描述:“我們不能生活在永遠的疑問之中,因此我們儘可能地編造最好的故事,並且我們生活得像故事一樣。”戴森寫道:“一個好主意的發明者不能說出對與錯。”對錯誤理論的熱情追求是科學發展的正常部分。[18] 戴森引用馬里奧·利維奧(Mario Livio)的名字,列舉了五位著名科學家,他們為理解自然做出了重大貢獻,但也堅信這一被證明是錯誤的理論。[18]

查爾斯·達爾文(Charles Darwin)用自然選擇遺傳變異的理論解釋了生命的進化,但他相信融合遺傳的理論使新變異的傳播成為不可能。[18]他從未讀過格雷戈爾·孟德爾(Gregor Mendel)的研究,該研究表明,當將繼承視為隨機過程時,繼承律將變得簡單。儘管達爾文在1866年進行了與孟德爾相同的實驗,但達爾文未能獲得可比的結果,因為他無法理解使用非常大的實驗樣本的統計重要性。最終,孟德爾式的隨機變異遺傳將為達爾文式的選擇工作提供基礎。[19]


威廉·湯姆森(開爾文勛爵)發現了能量和熱的基本定律,然後使用這些定律來計算地球年齡的估計值,該估計值太短了五十倍。他的計算基於以下信念:地球的地幔是固體,只有通過傳導才能將熱量從內部傳遞到表面。現已知道,地幔部分為流體,並通過對流更為有效的對流過程傳遞大部分熱量,對流過程通過向上移動的熱岩石和向下移動的較冷岩石的大量循環來傳遞熱量。開爾文(Kelvin)可以看到火山的爆發將熱液體從地下深處帶到地面;但是他的計算能力使他看不到無法計算的火山噴發等過程。[18]

萊納斯·鮑林(Linus Pauling)發現了蛋白質的化學結構,並提出了DNA的完全錯誤的結構,這種結構將遺傳信息從父母傳給後代。鮑林(Pau​​ling)猜測DNA的結構錯誤,因為他認為對蛋白質有用的模式對DNA也有效。他忽略了蛋白質和DNA之間的化學差異。弗朗西斯·克里克(Francis Crick)和詹姆斯·沃森(James Watson)注意到了這些差異,並發現了鮑林一年前錯過的DNA的正確結構。[18]

天文學家弗雷德·霍伊爾(Fred Hoyle)發現了大質量恆星核心中的核反應產生了生命必需的重元素的過程。然後,他提出了一種被稱為穩態宇宙學的宇宙歷史理論,該理論使宇宙永遠存在,而沒有最初的大爆炸(就像霍伊爾嘲笑地稱呼它)。在觀察證明大爆炸已經發生之後很久,他就對穩態保持了信念。[18]

愛因斯坦(Albert Einstein)發現了被稱為廣義相對論的空間,時間和引力理論,然後添加了宇宙常數,後來稱為暗能量。隨後,愛因斯坦(Einstein)撤回了他關於暗能量的提議,認為這是不必要的。在他去世後很長時間,觀察表明暗能量確實存在,因此愛因斯坦對該理論的補充可能是正確的。他的撤退是錯誤的。[18]

在馬里奧·利維奧(Mario Livio)的五個科學家失誤的例子中,戴森(Dyson)添加了第六個:他自己。戴森根據理論原理得出的結論是,不存在被稱為W粒子(帶電的弱玻色子)的東西。後來在日內瓦CERN進行的一項實驗證明了他的錯。 “事後看來,我能看到為什麼我的穩定性論點不適用於W粒子的幾個原因。[它們]太大且壽命太短,無法構成類似於普通物質的任何成分。”[20]

經驗主義

史蒂文·溫伯格(Steven Weinberg),1979年諾貝爾物理學獎得主,也是科學史學家。他寫道,科學的核心目標始終是相同的:“解釋世界”;在回顧早期的科學思想時,他得出結論,只有從艾薩克·牛頓(Isaac Newton)以來,這個目標或多或少才得以正確實現。他譴責柏拉圖和亞里士多德對科學的實際應用不屑一顧的“智力勢利眼”,他認為弗朗西斯·培根和勒內·笛卡爾是現代科學先行者中“被高估過的人”(他們試圖規定行為準則)科學,“永遠都行不通”)。[21]

溫伯格在過去和現在的科學之間進行了比較,就像對科學理論進行“微調”(調整)以使一定數量相等時一樣,卻不了解為什麼它們應該相等。這種調整使柏拉圖追隨者的天體模型失效,在這種模型中,沒有充分的理由就假設攜帶行星和恆星的不同球體精確一致地旋轉。但是,溫伯格寫道,類似的微調也困擾着當前人們對加速宇宙擴張的“暗能量”的理解。[22]

古代科學被描述成一個良好的開端,然後步履蹣跚。由前蘇格拉底哲學家Leucippus和Democritus提出的原子論是自然主義的,它通過非人為的過程而不是神聖的意志來解釋世界的運轉。儘管如此,這些前蘇格拉底主義者並不適合作為原始科學家的溫伯格,因為他們顯然從未試圖證明自己的猜測是正當的,也沒有試圖根據證據對其進行檢驗。[22]

溫伯格認為,科學早就失敗了,這是由於柏拉圖提出的建議,即僅憑理性就可以實現科學真理,而無視經驗性觀察,也歸因於亞里斯多德試圖用目的和目的從目的論上解釋自然。柏拉圖通過無知的知識來獲得世界知識的理想是“數學啟發的錯誤目標”-一個世紀以來,這個目標“只能以對仔細觀察的仔細分析為基礎,阻礙了進步”。和亞里士多德一樣,問“這種或那種物理現象的目的是什麼”“從來沒有結果”。[22]

天文學是希臘和希臘文化界取得進步的科學領域。部分原因是出於實際原因:長期以來,天空一直是指南針,時鐘和日曆。同樣,天體運動的規律性使得它們比塵世現象更易於描述。但不是太簡單:儘管太陽,月亮和“固定恆星”在它們的天體循環中看起來很規則,但“流星”(行星)卻令人費解;它們似乎以可變的速度運動,甚至反向運動。溫伯格寫道:“現代科學興起的大部分故事都涉及到長達兩千年的解釋行星奇特運動的努力。”[23]

面臨的挑戰是,假設所有天體運動實際上都是圓周運動並且速度均勻,就必須理解行星表面上明顯不規則的遊盪。圓形,因為柏拉圖將圓保持為最完美且對稱的形式;因此,勻速圓周運動最適合天體。亞里士多德同意柏拉圖。在亞里斯多德的宇宙中,一切都有一種“自然的”運動傾向,可以發揮其內在潛能。對於宇宙的副肺部分(月球下方的區域),自然的趨勢是沿直線運動:向下運動,對於土類物體(例如岩石)和水;向上,用於空氣和火熱的東西(例如火花)。但是在天界中,事物不是由土地,水,空氣或火組成,而是由“第五要素”或“精髓”組成,它是完美而永恆的。它的自然運動是均勻的圓形。恆星,太陽,月亮和行星由複雜的晶體球體排列在軌道上,這些晶體球體均圍繞不動的地球。[24]

柏拉圖-亞里斯多德主義者堅信天體運動必須是圓周運動。這是天文學家托勒密系統的基礎,托勒密系統通過允許行星以稱為“上輪”的圓圈組合運動來改進天文學數據,從而對亞里士多德系統進行了改進。[24]

它甚至在哥白尼革命中倖存下來。哥白尼對柏拉圖式的崇高敬意是保守的。根據溫伯格的說法,哥白尼的動機是出於美學考慮,主要是出於對太陽的約束,取而代之的是太陽,使太陽成為宇宙不可移動的中心:他反對托勒密這一事實,儘管他忠實於柏拉圖關於天運動是圓形的要求,柏拉圖的另一個要求是速度要均勻。通過將太陽置於中心位置(實際上有點偏心),哥白尼力求在恢復均勻性的同時尊重圓度。但是為了使他的系統與托勒密的系統相適應,哥白尼不得不引入更多的行星輪。溫伯格寫道,這是一個錯誤,說明了科學史上一個反覆出現的主題:“一個簡單漂亮的理論與觀察很好地吻合,而不是一個複雜的醜陋理論與觀察更好地吻合。”[24]

但是,這些行星並不是以完整的圓周運動,而是以橢圓形運動。約翰尼斯·開普勒(Johannes Kepler)在哥白尼時代之後一個世紀才勉強(因為他也有柏拉圖式的親和力)意識到了這一點。多虧了對天文學家第谷·布拉赫(Tycho Brahe)所作細緻觀察的考察,開普勒“才是第一個了解自柏拉圖時代以來困擾天文學家的勻速圓周運動偏離本質的人。”"[24]用醜陋的橢圓代替圓,推翻了柏拉圖的天體解釋原理。它也摧毀了亞里士多德關於晶體球在其軌道上運行的行星的模型。溫伯格寫道:“沒有一個固體可以旋轉成橢圓形。”即使將行星連接到橢圓形晶體,該晶體的旋轉仍然會描繪出一個圓。如果行星在空的空間中進行橢圓運動,那麼是什麼使它們進入了軌道呢?[24]

科學已經達到了不能按形狀,用幾何而是根據力來動態地解釋世界的門檻。艾薩克·牛頓最終超過了這個門檻。他是第一個在“運動定律”中提出武力概念的人。他證明了開普勒的橢圓是行星在被力吸引時會走的軌道,該力隨着行星與太陽的距離的平方減小而減小。通過將月球繞地球軌道的運動與可能是蘋果掉落到地面的運動進行比較,牛頓推論得出,控制月球的力在數量上是相同的。溫伯格寫道:“這是科學中天地和地學統一的高潮步驟。”[24]

韋恩伯格寫道,通過對行星,彗星,衛星,潮汐和蘋果的行為制定統一的解釋,牛頓“為物理理論提供了一種不可抗拒的模型”,該模型不適合預先存在的形而上學標準。與亞里士多德聲稱通過吸引岩石的內部運動來解釋岩石的下落相反,牛頓並不關心尋找引力的深層原因。他在《自然哲學原理》中宣布:“我不假裝假說。”重要的是他在數學上描述了這種力的原理,以及它們解釋各種現象的能力。[24]

大約兩個世紀之後,在1915年,阿爾伯特·愛因斯坦的廣義相對論中發現了對牛頓萬有引力定律的更深層解釋:萬有引力可以解釋為物質和能量的存在引起的時空曲率的一種表現。溫伯格寫道,像牛頓理論這樣的成功理論可能會因其創造者不理解的原因而起作用-更深層次的理論後來會揭示出一些原因。科學進步不是在理性的基礎上建立理論的問題,而是在更簡單,更普遍的原則下統一更大範圍的現象的問題。[24]

人工智能可以重新定義科學嗎

“人工智能”(AI)於1955年由約翰·麥卡錫(John McCarthy)和其他計算機科學家計劃舉辦一次研討會中提出來的。肯尼思·庫基爾(Kenneth Cukier)寫道,人工智能這個新術語“動decades了數十年的語義爭吵('機器可以思考嗎?'),並引發了對惡意機器人的焦慮……如果麥卡錫...選擇了一個笨拙的詞組,例如'自動化研究”,這個概念可能不太吸引好萊塢[電影]製片人和[新聞工作者][25]

隨着機器變得越來越強大,通常被認為需要“智能”的特定任務(例如光學字符識別)已從AI的定義中刪除,這種現象被稱為“ AI效應”。有人打趣說,“人工智能還沒有完成。” [26]

自1950年以來,當艾倫·圖靈(Alan Turing)提出所謂的“圖靈測試”時,人們一直在猜測諸如計算機之類的機器是否可以擁有智能。如果是這樣,那麼智能機器是否會威脅到人類的智力和科學地位,甚至是對人類的生存威脅。[27] John Searle指出了對正確解釋計算和信息技術的普遍困惑。 “例如,人們經常讀到,與加里·卡斯帕羅夫(Garry Kasparov)在國際象棋上擊敗阿納托利·卡爾波夫(Anatoly Karpov)的意義完全相同,打深藍色的計算機打了卡斯帕羅夫並擊敗了……。為了讓卡斯帕羅夫(Kasparov)贏得比賽,他必須意識到自己在下棋,並且意識到其他一千種東西……深藍意識不到這些東西,因為它根本什麼都不知道。如此重要?如果您完全與意識脫節,您將無法真正下棋或做任何其他認知工作。”[27]

塞爾(Searle)解釋說:“在人類計算的字面,真實,獨立於觀察者的意義上,機械計算機不進行計算。機械計算機經歷了一系列電子狀態的轉變,我們可以用計算方式進行解釋。這些電子狀態的轉變是絕對的或與觀察者無關,但計算是相對於觀察者的。物理狀態的轉換隻是電序列,除非某些有意識的主體可以對它們進行計算解釋。...]中發生的一切根本沒有心理現實。計算機]。“[28]

塞爾(Searle)寫道:“ [A]數字計算機是一種語法機器。它操縱符號並且不執行任何其他操作。因此,通過設計將通過圖靈測試的計算機程序來創造人類智能的項目……經過適當編程的計算機具有語法[構造或轉換語言符號和單詞的規則],但是沒有語義[含義的理解] ....另一方面,思想具有心理或語義內容。” [29]

與Searle一樣,西雅圖Allen腦科學研究所的首席科學家兼總裁Christof Koch也對“智能”機器獲得意識的可能性表示懷疑,因為“即使最複雜的大腦模擬也不太可能產生意識”。情懷。”根據Koch的說法,“出於倫理原因,機器是否可以變得具有[重要性]。如果計算機通過自身的感覺來體驗生活,那麼它們將不再純粹是達到目的的手段,其目的是……對人類的有用性。 [全球神經工作空間理論],它們從單純的物體變成主題……以一種觀點……。一旦計算機的認知能力與人類相抗衡,它們推動法律和政治權利的衝動將變得不可抗拒–不被刪除,不被抹去記憶,不遭受痛苦和退化的權利,綜合信息理論(IIT)所體現的另一種選擇是,計算機將僅是超精密的機器,像鬼一樣的空殼,沒有我們最有價值:生活本身的感覺。”</ref>

心理學和神經科學教授加里·馬庫斯(Gary Marcus)指出了迄今為止人工智能不可逾越的絆腳石:無法可靠消除歧義。 “ [V] [人們產生的]每句話實際上都是模稜兩可的,常常有多種方式。我們的大腦善於理解語言,以至於我們通常不會注意到。” [32]一個著名的例子被稱為“代詞歧義消除問題”。 “(“ PDP”):機器無法確定句子中的代詞是指誰或什麼,例如“他”,“她”或“它”。[30]

計算機科學家佩德羅·多明戈斯(Pedro Domingos)寫道:“人工智能就像自閉症專家一樣,並且在可預見的將來還會如此。...人工智能缺乏常識,並且很容易犯人類永遠不會犯的錯誤...它們也很容易接受我們的指示。從字面上看,確切地給了我們我們所要的而不是我們真正想要的。[31]


“人工智能”是“機器智能”的同義詞。 AI程序對給定任務的適應性越強,則對其他特定任務的適用性就越差。如果可行的話,抽象的AI通用情報是遙不可及的前景。梅蘭妮·米切爾(Melanie Mitchell)指出,一個名為AlphaGo的AI程序擊敗了世界上最好的Go播放器之一,但其“智能”不可轉讓:除Go之外,它無法“思考”任何東西。米切爾寫道:“我們人類往往高估了人工智能的發展,卻低估了我們自身智能的複雜性。”[32]

人類可能無法將其在科學,技術和文化方面的創造性努力外包給機器。

科學的不確定性

主要科學和學術的主要關注點是其研究結果的可靠性和可重複性。在所有的研究領域中,沒有一個能夠像物理學一樣精確。但是即使到那裡,研究,觀察和實驗的結果也不能絕對確定,必須概率性地加以處理。因此,從統計學上來說。.[33]

1925年,英國遺傳學家和統計學家羅納德·費舍爾(Ronald Fisher)發表了《研究工作者的統計方法》,使他成為現代統計學之父。他提出了一項統計測試,總結了數據與給定的提議模型的兼容性,併產生了“ p值”。他建議追求p值低於0.05的結果,而不是浪費時間在高於該值的時間上。因此產生了這樣的想法,即p值小於0.05構成“統計顯着性”,即“顯着”結果的數學定義。[34]

從那時起,使用p值來確定實驗結果的統計顯着性,已經在許多科學領域,尤其是在實驗經濟學,生物醫學研究和心理學中,對確定性的幻想和可再現性危機做出了貢獻。[35]

每個統計模型都依賴於一組關於如何收集和分析數據以及研究人員決定如何展示其結果的假設。這些結果幾乎總是以零假設重要性檢驗為中心,該檢驗產生p值。這樣的測試不能直面事實,而是傾斜地進行:重要性測試旨在僅表明給定研究領域是否值得進一步追求。它沒有說假說成立的可能性有多大,而是提出了一個替代性的問題:如果假說是假的,那麼數據將不太可能出現? p值反映的“統計顯着性”的重要性可能被誇大或過分強調-小樣本容易發生這種情況。這導致了複製危機。[33]

一些科學家提倡“重新定義統計意義”,將新發現的閾值從0.05更改為0.005。其他人則說,重新定義是沒有用的,因為真正的問題是閾值的存在。[36]

一些科學家更喜歡使用貝葉斯方法,這是一種更直接的統計方法,該方法採用初始信念,添加新證據並更新信念。另一種替代方法是使用意外的數學量,該數學量調整p值以產生信息位(如計算機位一樣);從這個角度來看,0.05是一個較弱的標準。[36]

當羅納德·費舍爾(Ronald Fisher)在20世紀初接受“重要性”的概念時,它的意思是“表示”而不是“重要”。自那以後,統計“重要性”就獲得了對實驗結果有效性的過度信任。統計學家安德魯·蓋爾曼(Andrew Gelman)說:“最初的罪過是人們在不合適的時候想要確定性。”莉迪亞·丹沃思(Lydia Denworth)寫道:“最終,一種成功的理論要反覆經受數十年的審查。” [36]

越來越多地關注開放科學的原理,例如發表更詳細的研究方案,並要求作者遵循預先指定的分析計劃,並在其偏離計劃時進行報告。[36]

發現

發現和發明

在弗洛里安·扎納涅基(Florian Znaniecki)發表他的1923年論文(提議創建一個研究科學領域的實證研究領域)之前的五十年,亞歷山大·格沃瓦奇(AleksanderGłowacki,以他的筆名BolesławPrus出名)提出了相同的建議。在1873年的公開演講“關於發現與發明”中,[37] 普魯斯說: 普魯斯將“發現”定義為“從已經存在並存在於自然界中的東西中發現,但以前人們對此一無所知” [38]同時,“發明”的定義是“製造先前不存在的東西,以及大自然本身無法製造的。普魯斯認為,“發明和發現是自然現象,因此要遵守某些法律。”這些是“漸進性”,“依賴性”和“組合性”定律。[39]

1. “漸進定律”。沒有發現或發明立即完善,而是逐步完善。 同樣,發明或發現不是一個人的工作,而是許多人的工作,每個人的貢獻都不大。[40]同時,a)由於每項發現和發明都需要完善,因此,我們不要僅為發現或發明全新事物而感到自豪,而還要努力改善或更確切地了解已知和已經存在的事物。b)相同的漸進定律表明了專家培訓的必要性。 誰能完善一隻手錶,哪怕不是一個擁有豐富綜合知識的製表師呢? 如果不是博物學家,誰能發現動物的新特徵?[39]

2. “依賴法則”。一項發明或發現取決於某些已知發現和發明的先前存在。 ...如果土星的環只能通過望遠鏡看到,那麼必須先發明望遠鏡才能看到環。[41]a)不應駁斥任何發明或發現,即使是看似沒有價值的發明或發現,因為以後可能會證明該特定瑣事非常有用。 似乎沒有比針頭更簡單的發明了,但數以百萬計的人的衣服和數百萬裁縫的生計取決於針頭的存在。 如果不久前就發明了這種針,就連今天漂亮的縫紉機也將不復存在。b)依賴法告訴我們,今天不能做的事,以後可以做。 人們對可容納許多人和包裹的飛行器的建造進行了很多考慮。 這樣的機器的發明將尤其取決於發明一種像紙一樣輕,像鋼一樣堅固和耐火的材料。

3. “結合定律”。任何新發現或發明都是早期發現和發明的結合,或以它們為基礎。 當我研究一種新的礦物質時,我會對其進行檢查,聞到,品嘗到……我將礦物質與天平和火混合在一起……通過這種方式,我可以了解到更多的礦物質。 [42] 他指出 a)任何想成為成功發明家的人都需要了解很多知識,涉及最廣泛的領域。因為如果一項新發明是早期發明的組合,那麼發明人的思想便是各種看似無關的事物首次結合的基礎。例如:蒸汽機結合了拉姆福德的雙鍋爐,泵和紡車。鋅,銅,硫酸,磁鐵,時鐘機制和緊急消息之間有什麼聯繫?所有這些都必須在電報的發明者的腦海中彙集在一起​​……發明的數量越多,新發明者必須知道的越多。首先,最早,最簡單的發明是完全沒有受過教育的人發明的,但是今天的發明,尤其是科學發明,是受過高等教育的人的產物。[43]b)第二個必然結果涉及希望擁有發明家的社會。我說過,通過結合最多樣化的對象創造出一項新發明。讓我們看看這將帶我們到哪裡。假設我想進行一項發明,有人告訴我:拿起100個不同的物體並使它們彼此接觸,一次是兩個,然後是三個,最後是四個,那麼您將到達一個新發明。想象一下,我拿起一根燃燒的蠟燭,木炭,水,紙,鋅,糖,硫酸等,總共100個對象,並將它們彼此結合在一起,即一次使前兩個對象接觸:木炭每次都會看到一個現象:因此,在火中,糖會融化,木炭會燃燒,鋅會變熱,等等上。現在,我將一次使三個物體接觸,例如糖,鋅和火焰。木炭,糖和火焰;硫酸,鋅和水;等,我將再次體驗現象。最後,我一次接觸了四個對象,例如糖,鋅,木炭和硫酸。表面上,這是一種非常簡單的方法,因為以這種方式,我不僅可以做出一項發明,而且可以做出十二項發明。但是這樣的努力會不會超出我的能力範圍?當然可以。一百個物體,以二,三和四相結合,將構成超過400萬個組合;因此,如果我每天進行100種組合,那麼我將花費110年以上的時間才能耗盡所有組合!但是,如果我自己不能完成任務,那麼將有一大批人。如果我們有1000人在一起產生我所描述的組合,那麼任何一個人只需要進行4,000多個組合即可。如果我們每個人每天只進行10個組合,那麼我們在一起將在不到一年半的時間內完成所有這些組合:1,000人將發明一項單人必須花費110年以上才能做出的發明……[44]結論是非常明確的:一個想要憑藉其發現和發明而享譽世界的社會必須在每個知識領域都擁有大量的人才。一個或幾個有學識和天才的人今天什麼都沒有,或者幾乎沒有什麼意義,因為現在一切都是由大量人完成的。我想提供以下比喻:發明和發現就像彩票;並非每個玩家都贏,但是從眾多玩家中必須贏得一些。關鍵不是約翰或保羅,因為他們想發明一個發明並且因為他們為之努力而應該發明一個發明。但是,在成千上萬的人想要一項發明並為之努力的地方,該發明必須出現,就像無支撐的岩石必須倒在地上一樣。

但是,普魯斯問道:“是什麼力量驅使[調查人員]辛勞而又常常令人沮喪的努力?這些人將通過什麼線索來探索迄今為止尚未探索的研究領域?”普魯斯(Prus)認為,隨着時間的流逝,發現和發明的增加改善了人們的生活質量並擴大了人們的知識水平。 “文明社會的這種逐步進步,對自然界中存在物體的知識的不斷增長,工具和有用材料的不斷增長,被稱為進步或文明的增長。” 相反,普魯斯警告說:“不發明或不知道如何使用發明的社會和人民,過着悲慘的生活,最終滅亡。” [44]

科學的可重複性

科學事業的基本特徵是結果的可重複性。香農·帕魯斯(Shannon Palus)寫道:“幾十年來,……在某些領域,文學的(相當一部分)顯然是錯誤的……這是一個公開的秘密。”這有效地破壞了科學事業,並且每年浪費全世界數十億美元的資源。反對可重複性的軍事行動是科學家不願共享技術,因為他們擔心自己的優勢會喪失給其他科學家。而且,科學期刊和權屬委員會傾向於獎勵令人印象深刻的新成果,而不是在現有文獻的基礎上逐步取得進步。悄悄地對他人的工作進行事實檢查或花費更多時間以確保其他研究人員易於理解自己的實驗方案的科學家,對自己沒有什麼好處。[45]

為了提高科學結果的可重複性,有人建議研究資助機構只資助那些包括使工作透明化的計劃的項目。 2016年,美國國立衛生研究院引入了新的應用說明並審查了問題,以鼓勵科學家提高可重複性。 NIH要求提供更多有關該研究如何以先前工作為基礎的信息,以及可能影響該研究的變量列表,例如動物的性別-先前被忽視的因素,導致許多研究將雄性動物中發現的現象描述為普遍現象。[46]

同樣,期刊和審稿人也可以提出資助者可以事先提出的​​問題。一種解決方案是“註冊報告”,即對研究進行預先註冊,科學家可以在進行實際研究之前提交研究分析和設計計劃,以供發表。然後,同行評審會評估該方法,期刊承諾將打印結果,無論結果如何。為了防止過度依賴預先註冊的研究(這可以鼓勵更安全,更少冒險的研究,從而過度糾正問題),可以將預先註冊的研究模型與傳統的以結果為中心的模型結合起來使用,有時可能會更多對偶然發現友好。[46]


重新發現

2016年《科學美國人》的一份報告強調了重新發現在科學中的作用。印第安納大學布盧明頓分校的研究人員梳理了上個世紀發表的2200萬篇科學論文,發現了數十種“沉睡美女”,這些研究在被人們注意到之前已經休眠了很多年。[47] 持續時間最久的頂級發現,後來受到了科學家的最強烈關注,它們來自化學,物理和統計學領域。處於休眠狀態的研究結果被其他學科(例如醫學)的科學家喚醒,以尋求新的見解,並且能夠測試曾經理論的假設。[85]由於科學文獻的可及性越來越高,“睡美人”將來可能會變得更加普遍。《科學美國人》報告列出了15個最美的睡美人:化學7個,物理5個,統計2個和冶金1個。示例包括:

赫伯特·弗倫德里希(Herbert Freundlich)的“關於溶液中的吸附”(1906年),是當原子或分子粘附於表面時的第一個吸附數學模型。如今,工業環境中的環境修復和凈化都嚴重依賴吸附。.[47]

愛因斯坦(A. Einstein),波多爾斯基(B. Podolsky)和羅森(N. Rosen),“物理現實的量子力學描述可以被認為是完整的嗎?”物理評論,第一卷。 47(1935年5月15日),第777–780頁。這個量子物理學中著名的思想實驗-在作者姓氏縮寫之後,現在被稱為EPR悖論-在首次提出時就進行了理論討論。直到1970年代,物理學才有了實驗方法來測試量子糾纏。[47]

J [ohn] Turkevich,P。C. Stevenson,J。Hillier,“膠體金合成中成核和生長過程的研究”,討論。法拉第。 Soc。,1951年,第11頁,第55-75頁,解釋了如何將金納米顆粒懸浮在液體中。它的喚醒歸功於醫學,該醫學現在使​​用金納米顆粒來檢測腫瘤和遞送藥物。[47]

William S. Hummers和Richard E Offeman,“石墨氧化物的製備”,《美國化學學會雜誌》,第1卷。 80號6(1958年3月20日),第2頁。 1339年,引入了悍馬方法,這是一種製造氧化石墨的技術。最近對石墨烯潛力的關注使1958年的論文受到關注。氧化石墨可以作為二維材料的可靠中間體。[47]

多重獨立發現

歷史學家和社會學家指出,科學中“多重獨立發現”的發生。社會學家羅伯特·K·默頓(Robert K. Merton)將這樣的“多重性”定義為實例,其中相互獨立工作的科學家也做出了類似的發現[48] “有時候發現是同時發生的,或者幾乎是同時發現的;有時,科學家會做出一個新發現,而對於他來說,未知的是,別人是幾年前做出的。”[49][50] 多個獨立發現的常見例子是17世紀艾薩克·牛頓,戈特弗里德·威廉·萊布尼茲等人獨立地演算微積分;[51] the 18th-century independent discovery of oxygen by Carl Wilhelm Scheele, Joseph Priestley, Antoine Lavoisier, 卡爾·威廉·謝爾,約瑟夫·普里斯特利,安東尼·拉瓦錫等人在18世紀獨立發現了氧氣;以及查爾斯·達爾文(Charles Darwin)和阿爾弗雷德·羅素·華萊士(Alfred Russel Wallace)在19世紀獨立提出的物種進化理論。[52]

默頓將“多個”與“單個”進行了對比,這一發現是由單個科學家或一組科學家共同努力而獨特地做出的。[53] 他認為,代表科學的共同模式的是多種發現,而不是獨特的發現。[54]

科學史上的多項發現為科學技術的進化模型提供了證據,例如模因論(對文化的自我複製單元的研究),進化認識論(將生物進化的概念應用於人類知識的增長研究)。 )和文化選擇理論(以達爾文方式研究社會學和文化進化)。重組DNA啟發的“範式範式”,描述了“重組概念化”的機制,預示着通過跨越已有的概念和事實而產生了一個新概念。這就是當有人說科學家,學者或藝術家已被另一人“影響”時的意思。從詞源上講,後者的概念已“滲入”了前者的思想。[55]

可以將多重獨立發現和發明的現象看作是BolesławPrus的漸進,依賴和組合三個定律的結果(請參見上文的“發現與發明”)。反過來,前兩個定律可以看作是第三定律的推論,因為漸進定律和依賴定律意味着在必須結合某些理論,事實或技術的情況下,某些科學或技術的進步是不可能的。產生特定的科學或技術進步。

技術

技術將發現應用於實際問題中-在經濟學家羅伯特·J·戈登(Robert J. Gordon)所確定的跨度到1970年的“特殊世紀”中顯示出驚人的加速。他寫道,那時,現代生活中的所有關鍵技術到位:衛生,電力,農業機械化,高速公路,航空旅行,電信等。 iPhone是21世紀的一項標誌性技術。同時,在原型階段還停留着許多廣為人知的潛在重大技術,包括自動駕駛汽車,飛行汽車,增強現實眼鏡,基因療法和核聚變。戈登寫道,二十一世紀的迫切目標是通過開發負擔得起的零排放和負排放技術來消除上一次偉大技術繁榮的某些後果。[56]

技術是用於生產商品或服務或實現目標(例如科學研究)的技術,技能,方法和過程的總和。自相矛盾的是,有時人們認為,如此構想的技術佔據了最終地位,甚至損害了他們的利益。勞拉·格雷戈(Laura Grego)和戴維·賴特(David Wright)在2019年《科學美國人》雜誌上寫道,觀察到:“當前的美國導彈防禦計劃主要是由技術,政治和恐懼所驅動。導彈防禦將無法使我們擺脫對核武器的脆弱性。事態發展將阻止進一步削減核武庫,並可能刺激新的部署,從而為採取實際措施降低核風險創造了障礙。”[57]

科學心理學

習慣

耶魯大學物理學家,天文學家Priyamvada Natarajan撰寫了Urbain Le Verrier和John Couch Adams在1846年幾乎同時發現的海王星行星(早在1612年伽利略·伽利萊(Galileo Galilei)之後,其他天文學家就不知不覺地觀察了該行星),評論道: Template:Blockquote

自我驅動力

一個實際的問題涉及使某些人在其工作領域中取得非凡成就的特徵,以及如何培養這種創造力。創新策略的學生梅利莎·席林(Melissa Schilling)已經發現了八位自然科學或技術領域的主要創新者共有的一些特徵:本傑明·富蘭克林(1706–90),托馬斯·愛迪生(1847–1931),尼古拉·特斯拉(1856–1943),瑪麗亞·斯科沃德斯卡(MariaSkłodowska)居里(1867–1934),迪安·卡門(生於1951年),史蒂夫·喬布斯(1955–2011),阿爾伯特·愛因斯坦(1879–1955)和埃隆·馬斯克(生於1971年)。[58]

席林選擇自然科學和技術領域的創新者,而不是其他領域的創新者,因為她發現人們對自然科學和技術的重要貢獻比對藝術或音樂的共識更大。[59] 她進一步將集合限制為與多項創新相關的個人。 “當一個人僅與一項主要發明相關聯時,要知道該發明是由發明人的個人特徵還是僅僅在正確的時間正確的位置引起的,就更加困難。”[60]

這八個人都很聰明,但是“不足以使某人成為連續的突破性創新者。” [58] 幾乎所有這些創新者都表現出很高的社會獨立性或分離性(本傑明·富蘭克林是一個明顯的例外)。.[61] “他們的孤立意味着他們較少受到主導思想和規範的影響,而他們的不歸屬感意味着即使受到主導思想和規範的影響,他們通常也不太傾向於採用它們。”[62] 從很小的時候開始,他們都對克服障礙的能力表現出了極大的信心,這就是心理學所說的“自我效能感”。[62]

“席林(Schilling)寫道,其中[大多數]是受唯心主義驅使的,這一崇高目標比其自身的舒適,聲譽或家庭更為重要。尼古拉·特斯拉(Nikola Tesla)希望通過無限的自由能源使人類擺脫勞動,並通過全球和平實現國際和平。溝通;埃隆·馬斯克(Elon Musk)希望解決世界的能源問題,並在火星上殖民化;本傑明·富蘭克林(Benjamin Franklin)正在通過平等主義,寬容,勤奮,節制和慈善的理想尋求更大的社會和諧與生產力。只有在包括婦女在內的所有波蘭人追求教育和技術進步的情況下,才能保存在沙皇俄國統治下的婦女。”[63]

大多數創新者還孜孜不倦地工作,因為他們發現工作非常有意義。有些人對成就有很高的要求。許多人似乎也發現工作是自動完成的,這是為了自己的報酬。[103]突破性創新者中令人驚訝的很大一部分是自學成才的人(自學成才的人),並且在課堂上比在室內要好得多。[64] 突破性創新者中令人驚訝的很大一部分是自學成才的人(自學成才的人),並且在課堂上比在室內要好得多。[65]

席林寫道:“幾乎所有突破性創新都是從一個不尋常的想法或打破傳統觀念的信念開始的……。但是,僅憑創意幾乎是遠遠不夠的。許多人都有創意,甚至是出色的創意。但通常我們缺乏採取這些想法的時間,知識,金錢或動力。”通常很難獲得他人的幫助來實施原始思想,因為這些思想最初通常很難被他人理解和重視。因此,每一個突破性創新者都表現出非凡的努力和毅力。[66] 即便如此,希林寫道,“在正確的時間在正確的位置仍然很重要”。[67]

領導力

與先前的研究表明,較高的智力可以使各個領域的領導者取得更好的成就相反,後來的研究表明,在一定程度上,較高的智商可以被視為有害。[68] 幾十年前,心理學家迪安·西蒙頓(Dean Simonton)提出,精明的領導人的話可能會打動人們的頭腦,他們的解決方案實施起來可能更複雜,追隨者可能很難與他們建立聯繫。最後,他和兩位同事在2017年7月的《應用心理學雜誌》上發表了該假設的實際檢驗結果。.[68][69]

這個研究,研究了30個國家/地區的379名男女商業領袖,包括銀行,零售和技術領域。經理們參加了智商測試,這是許多方面的不完美但可靠的業績預測指標,並且平均每8位同事對他們的領導風格和效率進行了評估。智商與領導效能,策略形成,遠見及其他一些特徵的評估呈正相關(在一定程度上)。評分最高時達到智商約120,高於約80%的上班族。除此之外,收視率下降了。研究人員建議,理想的智商在各個領域可能更高或更低,這取決於在給定的工作文化中技術或社會技能是否更受重視。[68]

未參與這項研究的心理學家保羅·薩克特(Paul Sackett)評論說:“對我來說,對這項工作的正確解釋是,它強調需要了解高智商的領導者所做的事情,從而導致追隨者的看法降低。錯誤的解釋是“ [不要僱用高智商的領導者。” [68] 該研究的主要作者,心理學家約翰·安托納基斯(John Antonakis)建議,領導者應利用自己的智慧來產生創造性的隱喻,以說服和啟發他人。 Antonakis說:“我認為一個聰明的人能夠恰當地發出自己的智慧並仍然與人們保持聯繫的唯一方法就是以超凡魅力的方式說話。”[68]

科學社會學

研究問題的選擇

(A)一項研究衡量了2010年MEDLINE(醫學數據庫)發表的所有新藥物的發現效率。該模型沒有考慮特定實驗的難度或費用的差異。這個全球科學戰略的效率圖體現了新發表的生物化學新通路(橫軸)與平均實驗次數(縱軸)之間的關係。與此對應的,可以製作藥物之間的網絡圖。研究者使用了各種假想的策略效率來與現實情況的策略效率來進行對比,用完全隨機,以及50%和100%發現最佳網絡的優化策略。縱軸上的較低值表示更有效的策略,進行新發現的模式並不是最優的。實際策略最適合發現13%的化學網絡,而50%優化的策略對於發現50%的化學網絡有效,但兩者都不如揭示整個網絡的100%最佳策略一樣好。 (B)現實中藥物發現網絡可以被繪製成圖表的形式。該策略誕生的新連接是圍繞着一些“重要的”、高度相關的化學物質進行的研究,如圖中的熱點,但是100%效率的研究策略則顯示了更加均勻的發現規律,並且不太可能在科學可能性的空間中“從眾”。

科學家如何決定研究哪些研究問題?科學社會學家早就推測,這些選擇是由進行傳統研究和創新的風險之間的緊張博弈而決定的。堅持其領域研究傳統的科學家通常會通過發布一系列穩定不斷的研究成果來推動重心話題的究進程,從而顯得富有成效。

但是,太過專註某一議題可能會限制研究人員感知和抓住機會的能力。這些機會可以找出促進該領域發展的新想法。例如,一個研究生物醫學家選擇新型化學藥品和已有化學藥品關係的案例研究表明,隨着研究領域的成熟,研究人員越來越多的關注已有的知識。

雖然創新文章往往比保守文章產生更大的影響,但高風險、高創新的策略卻很少見,因為額外的獎勵並不能彌補發表失敗的風險。獎勵和榮譽似乎能夠作為,抵制保守傾向的主要激勵因素,它們能夠打破傳統,給予人們新的驚喜。儘管有許多因素影響着科學家要做的工作,但是在科學事業中控制研究興趣變化的宏觀模式是明顯有跡可循的,這些規律就隱藏在科研和科學家的職業道路中。

科學家對研究課題的選擇主要影響了他們的個人事業以及依賴他們的人的職業生涯。然而,科學家群體的決策有時候在決定科學發現方向上作用更大。研究策略保守意味着個人職業發有穩定良好的前景,但對整個學科的促進效果較差。這種策略被名為文件抽屜問題(file drawer problem)的現象放大了:與已建立的假設不一致的結果很少被發表,導致已發表研究的系統性偏見。站不住腳的和虛假的內容有時甚至被奉為經典。

文件抽屜問題: 指研究員對參考文獻的選擇偏見,與研究目不符的文獻會停留在抽屜里而不是拿出來作為參考。

更多大膽的假設可能已被幾代科學家測試過,但只有那些成功足以產出文章的人才能為我們所知。解決這個保守陷阱問題的一種方法是敦促資助機構主動贊助那些測試全新假設的風險項目,讓特殊利益群體承擔起針對特殊疾病的研究。

定量分析結果表明,美國生物醫學資源的分配是與歷史分配和研究相關,而不是與疾病實際問題嚴重程度相關的,指出了生物醫學需求與資源之間的系統性錯位。這種錯位使人們懷疑資助機構在沒有額外監督,激勵和反饋的情況下,由嵌入穩固習慣的科學家經營着的這些資金能多大程度上影響科學的發展。

針對文章和專利的分析共同證明了科學發現和發明中的罕見組合傾向於獲得更高的引用率。跨學科研究是一個標誌性的重組過程; 因此,歷史上不相關的思想和資源的成功結合對跨學科研究至關重要,往往反直覺,並導致了具有高度影響力的新思想。不過,從基金申請的證據表明,面對真正新穎的或跨學科的研究議題的時候,專家評估系統通常給予較低的分數。

最具影響力的科學工作主要出自常規內容的組合,但它同時也出自不尋常的組合。這種類型的論文獲得高引用率的可能性是其兩倍。換句話說,新的和既有元素的混合是成功科學進步的最安全的途徑。

職業選擇

在知識生產和利用的廣闊市場背景下,各種學術職業出現了。所以,科學的職業成績不僅被研究個人激勵和邊際生產力(相對增益與精力),也在機構激勵和競爭兩方面的背景下被檢驗着。需要組合高內容分辨率的個人、地理和時間的大型元數據庫 metadata 來構建可以從不同角度分析的職業軌跡。例如,一項研究發現,容忍早期失敗的資助計劃(獎勵長期成功)比短期審查周期的資助更有可能產生影響力大的發表文章。

具有時間尺度的競爭交互系統是複雜系統科學中的經典問題。科學的多角度性質是生成模型的驅動力,這種模型能突出了政策的意外後果。例如,職業發展模型表明,短期合同是生產力波動的重要原因,因為這通常會導致某事業的突然結束。

生產力和職業長度的差異可以解釋男女科學家之間的合作模式和招聘率上的差異。另一方面,實驗證據表明,對女性的偏見發生在職業階段的早期。當性別在一組申請人的履歷中被隨機分配時,招聘委員會系統性輕視女性候選人的成果。

迄今為止,大多數研究都集中在相對較小的樣本上,改進和編製大規模科學家數據集,利用來自不同來源信息(例如,出版記錄,撥款申請和獎勵),將有助於更深入地了解不平等的原因。建立可以為政策解決方案提供信息的動機模型。

科學家的流動性是提供多元職業機會的另一個重要因素之一。大多數針對人才流動性的研究都集中在量化國家或地區的人才流入和流出上,這種研究尤其發生在政策變化之後。然而,對個人流動性及其職業影響的研究仍然很少,主要是由於難以獲得關於科學家遷移的縱向信息以及流動決策背後原因的說明。

根據文章引用數量發現,離開原籍國家的科學家,比起那些沒有離開的,在文章引用量上表現更好。這可能源於一種選擇偏好:好的學者(有能力出國)容易獲得更好的職位(更強的團隊)。此外,科學家傾向於在名聲對等的機構之間移動。然而,當通過引用來量化科學家跳槽影響時,沒有發現系統的增加或減少,即使科學家搬到一個相當高或低級別的機構。換句話說,產生影響的不是機構而是組成機構的個體研究人員。

另一個影響職業的潛在因素是名聲,以及它為出發點審核文獻、評估提案和決策帶來的兩難困境。作者的聲譽,以其先前產出的總引用量來衡量能夠顯着提高該論文在出版後的頭幾年所得的引用次數。然而,在這個初始階段之後,影響取決於科學界對工作的接受程度。這一發現以及引文的工作表明,對於富有成效的科學事業而言,聲譽不是第一生產力,努力工作,天分和知難而進才是驅動因素。

和政策相關的一個問題是創造力和創新是否與年齡或職業階段有關。對優秀研究人員和創新者的數十年研究認為,重大突破發生在職業生涯中相對較早的階段,其中位年齡為35歲。

但是,最近的工作表明,早期職業發現的這種充分記錄的傾向完全由生產力傾向解釋,生產力在科學家的職業生涯的早期階段很高,並且後來下降。換句話說,創新中沒有年齡模式:學者引用最多的論文可以是他或她的任何論文,與論文發表時的年齡或職業階段無關。描述影響力發展的隨機模型也表明,突破是由科學家的能力和挑選具有高潛力的問題直覺與運氣相結合而產生的。


專業化

學術專業化可為科學技術帶來巨大利益。但是,過於狹窄的專業化可能成為傳統學科之間生產合作的障礙。

2017年,詹姆斯·哈里斯·西蒙斯(James Harris Simons)是著名的數學家,世界上最大的對沖基金之一的退休創始人,在其非營利性企業Flatiron Institute成立了該公司。幫助人類。[70] 他建立了天體物理學,生物學和量子物理學研究的計算部門,[71] 以及建立氣候建模的跨學科部門,將地質學,海洋學,大氣科學,生物學和氣候學聯繫起來。[72]

後者是Flatiron Institute的第四部門,其靈感來自加利福尼亞理工學院的“生物地球學家”約翰·格羅辛格(John Grotzinger)在2017年向研究所領導的演講中,他解釋了氣候建模的挑戰。格羅辛格(Grottzinger)是歷史氣候變化的專家,特別是造成二疊紀大滅絕的原因,在此期間幾乎所有物種都死了。為了正確評估這一災難,人們必須既了解岩石記錄又了解海洋的組成,但是地質學家與物理海洋學家的互動並不多。格羅辛格與自己最好的合作是與海洋學家共進午餐的結果。氣候建模是一個內在的難題,由於學術界的結構分歧而變得更加嚴重。 “如果把所有的東西都放在一個保護傘下……這可能會(更快)取得重大突破。”西蒙斯(Simons)和他的團隊發現格羅辛格(Grottzinger)的演示文稿令人信服,而Flatiron Institute決定建立其第四和最後一個計算部門。.[72]

科研指導

社會學家哈里特·祖克曼(Harriet Zuckerman)在1977年對美國的自然科學諾貝爾獎獲得者進行的研究中,震驚的事實是,到1972年在美國進行過獲獎研究的92位獲獎者中,有一半以上(48)曾任職於擔任諾貝爾獎獲得者的學生,博士後或初級合作者。此外,這48位未來的獲獎者總共在71名獲獎者的指導下工作。[73]}}

社會粘性確保並非每個合格的新手科學家都能獲得最有生產力的科學思想中心。扎克曼寫道:“儘管如此,有希望的學生在一定程度上可以選擇與之共事的碩士,而碩士可以在出勤學習的學生群體中進行選擇。這種雙向分類選擇的過程在超精英中尤為明顯。該精英的實際成員和准成員選擇他們的科學家父母,並選擇他們的科學家祖先,就像後來他們選擇他們的科學家後代和他們的科學家後代一樣。”[74]

祖克曼寫道:“精英學徒到本來就是精英學徒的精英大師的行列,等等,無限期地,它們常常可以追溯到很久以前的科學歷史,早在1900年之前,那時[阿爾弗雷德]諾貝爾科學獎將揭開現在的序幕daccess-ods.un.org daccess-ods.un.org作為國際一流的大師和學徒悠久歷史鏈條的一個例子,以出生於德國的英國獲獎者漢斯·克雷布斯(Hans Krebs,1953年)為例,他的科學血統可以追溯到他的大師,1931年的獲獎者奧托·沃堡(Otto Warburg),沃堡曾與埃米爾·菲斯[her] [185] –1919年研究,他於1902年獲得獎金,享年50歲,距授予他的老師阿道夫[1905年]三年了。馮·拜爾[von Baeyer [1835–1917],現年70歲。這四位諾貝爾大師和學徒有其自己的諾貝爾前學歷。他的結構式的思想徹底革新了有機化學,誰是Perh以經常被重述的夢境中有關他在夢中碰到苯的環結構而聞名的aps(1865)。 Kekulé自己曾受過偉大的有機化學家Justus von Liebig(1803-73)的訓練,他曾在Sorbonne與大師J.oseph L [ouis] Gay-Lussac的大師(1778-1850)一起學習,他本人曾經對克洛德(Claude)習以為常。路易斯·伯特霍爾特(Louis Berthollet,1748–1822年)。在眾多機構和認知成就中,伯特霍爾特幫助創立了ÉcolePolytechnique,並擔任埃及拿破崙的科學顧問,並且對我們的目的更重要的是,他與[Antoine] Lavoisier [1743-94]一起修改了化學命名法。” [75]

學術引用

(A)如果每篇論文的引用次數c除以該學科所有論文的平均引用次數c0,那麼在同一學科和年份上發表的論文的引用分布,各個學科基本上都是統一的。虛線是對數正態擬合曲線。 (B)1964年發表於“ 物理評論(Physical Review)”的四篇論文的引文歷史,根據其獨特的動態選擇,顯示出“跳躍衰變”模式(藍色),峰值延遲(紫紅),引文數量穩定模式(綠色),和引文指數上升(紅色)。(C.單個紙)引文由三個參數確定:fitness λ ,immediacy μ ,和longevity σ 。通過適當的(λ,μ,σ)參數重新調整(B)中每篇論文的引用,四篇論文將其合并為一個通用函數,這對所有學科都是相同的。


學術引用仍然是科學中衡量學術成就的主流方式。鑒於對主流引用標準的長期依賴,引文積累的動態規律已被幾代學者所驗證。根據Price開創性的研究,科學論文引文的分布是高度具有傾向性的:許多論文從未被引用,但開創性論文可以累積10,000或更多的引用。這種不均勻的引文分布是科學變動的一種強大的,自然出現的,革新的屬性。當論文按機構分組時,它也成立。並且如果一個論文的引用的次數除以論文同學科同年的平均引文,得到的分數分布是所有學科基本上無區別的。

這意味着通過查看相對引用量可以比較不同學科發表的論文的影響力。例如,一篇收集100篇引文的數學論文比300篇引文的微生物學論文具有更高的學科影響。

分布的尾部信息能夠捕捉高影響力論文的數量,揭示驅動引用數量累計的機制。最近的分析表明,它遵循冪律分布。冪律的尾部可以通過累積優勢的過程產生,網絡科學中將其稱為偏好依附 preferential attachment ,表明引用論文的概率隨着它已經積累的引用次數增長而增長。

這樣的模型可以與引用動力學的其他特徵,比如知識的過時共同使用來增強模型說明性。文章引用數量隨着時間增加而下降,或者也可以利用一個擬合參數 fitness parameter 對應每個論文對科學界的吸引力。只有一小部分論文不能被以上假設所描述,稱為“睡美人”,因為它們在發表後一段時間內都無人問津,但是在經過一段時間後,突然收到大量的關注和引用。

科學合作

社會學家邁克爾·法雷爾(Michael P. Farrell)研究了緊密的創意小組,並寫道:“為新願景奠定基礎的大多數脆弱見解不是在整個小組在一起時出現的,不是在成員單獨工作時出現的,而是在成員合作並作出回應時出現的。 [76] 弗朗索瓦·雅各布(FrançoisJacob)與雅克·莫諾(Jacques Monod)一起開創了基因調控研究的先河,他指出,到20世紀中葉,大多數分子生物學研究都是由兩人進行的。雅各布寫道:“在幻想理論和構建模型方面,兩個勝過一個。” “因為有兩個專心解決問題的人,想法飛得越來越快。它們在夥伴之間反彈。...在此過程中,幻想很快就被消滅了。”截至2018年,在過去的35年中,諾貝爾生理學或醫學獎的一半已經分配給科學合作夥伴。[77] 詹姆斯·薩默斯(James Somers)描述了Google的頂級軟件工程師傑夫·迪恩(Jeff Dean)和桑傑·格瑪瓦(Sanjay Ghemawat)之間的非凡夥伴關係。[78]

在自然科學和技術以外的創新活動中,兩人合作也很突出。例如,莫奈(Monet)和雷諾阿(Renoir)於1869年聯合創作的印象派作品,巴勃羅·畢加索(Pablo Picasso)和喬治·布拉克(Georges Braque)的六年立體主義合作作品,以及約翰·列儂(John Lennon)和保羅·麥卡特尼(Paul McCartney)在披頭士樂隊歌曲中的合作。詹姆士·薩默斯(James Somers)寫道,“每個人”都具有創造力,但是兩個人很少同時這樣做。[79]

弗朗西斯·克里克(Francis Crick)可能是歷史上最著名的科學二人組成員弗朗西斯·克里克(Francis Crick)和詹姆斯·沃森(James Watson)提出了同樣的觀點,他們共同發現了遺傳物質DNA的結構。在關於詹姆斯·沃森(James Watson)的PBS電視紀錄片的結尾,克里克(Crick)在視頻剪輯中向沃森(Watson)解釋說,他們的合作對他們的發現至關重要,因為當其中一個錯了時,另一個會讓他挺直。[80]

此外,過去的幾十年里,科研對團隊合作的依賴程度與日俱增,這代表了科學研究方式的根本轉變。對1,990萬篇研究論文和210萬項專利的作者進行的研究發現了一個幾乎是普遍的科研領域的團隊化趨勢。例如,在1955年,科學和工程團隊撰寫了與單個作者相同的論文數量。然而到2013年,團隊撰寫的論文比例增加到90%。

如今,在科學和工程團隊撰寫的論文有6.3倍的可能獲得1000以上的引用,或大於個體論文的引用,這種現象並不能由自我引用 self-citations 來解釋。一個可能的原因是團隊能夠提出更多新穎的想法組合或生產其他研究者可以後續使用的資源(例如,基因組學)。

數據表明,團隊比單獨作者多了38%的可能將科研突破內容組合進熟悉的知識領域,證明了團隊可以將不同專業結合在一起的前提,從而有效促進科學的突破。擁有更多的協作意味着通過更多的共同作者提高在學者們之間的可見度,他們可能會因此將彼此的工作引入科研的內部網絡中,這方面的強化意味着每個研究員要和同事分享聲譽。

在過去的一個世紀里,平均團隊規模一直在穩步擴大。紅色虛線表示所有論文中共同作者的平均數; 黑色曲線考慮那些引用數高於領域平均值的文章的團隊平均大小。黑色曲線系統地位於紅色虛線之上,這意味着大型團隊比小型團隊更容易產生高影響力的工作。每張圖表對應WoS規定的一個學科大類(A)科學與工程,(B)社會科學,(C)藝術與人文科學


平均而言,來自大型團隊的研究員可以在各種領域獲得更多的引用。研究表明,小型團隊傾向於用新想法和機會變革科學和技術,而大型團隊則推動現有的研究的進程。因此,資助和培養各種規模的團隊來緩和科學的官僚化可能很重要的。 同時,團隊大小也在以平均每十年17%的速度增加,這個變化趨勢因團隊的底層架構已經變化。科學團隊包括小型,穩定的“核心”團隊和大型團隊,動態擴展的團隊。大多數領域不斷增加的團隊規模是由動態擴展團隊的不斷擴增而產生的,擴展團隊從小型核心團隊開始,但隨後通過生產力為基礎的原始積累吸引新成員。規模是團隊生存策略的關鍵決定因素:如果小團隊保持穩定的核心,那麼他們的存活時間會更長,但大團隊表現出會員流動機制,才能存活更長時間。

隨着科學的加速和日益複雜,擴展知識前沿所需的工具在規模和精度上都日益提升。對大多數個人調查員來說,研究工具價值過高,有價無市,但對大多數機構來說也是如此。學術合作一直是解決這個問題的關鍵方案,這樣就能將資源更多集中到科研上。

歐洲核子研究中心的大型強子對撞機是世界上最大和最強大的粒子對撞機,她的誕生不能忽視學術合作,來自100多個國家的10,000多名科學家和工程師參與了這台對撞擊的建立。然而,隨着規模的增加,與“大科學”相關的價值和風險的權衡隨即產生。儘管可以解決更大的問題,但是科學重複性問題要求你重複實驗,這可能在實際上或經濟上不可行。

合作者會對科學產生巨大影響。根據最近的研究,失去明星合作者的科學家會經歷生產力的大幅下降,特別是如果這位散夥的合作者是一位普通的研究人員的情況下。與極強合作者合作的發表文章平均引用次數會增加17%,這表明職業合作的價值。

鑒於研究論文中作者的數量越來越多,誰應該並且確實獲得最多的名譽?科學中名譽的錯誤分配的經典理論是馬太效應,其中參與合作工作的較高地位的科學家因其貢獻而獲得超額名譽。為協作參與人員分配信譽是很困難的,因為不能輕易區分個人貢獻。但是,有可能檢查共同作者論文的共同模式,以確定群體中的每個共同作者分配的信譽。

政策

大科學

被稱為“大科學”的東西來自美國的第二次世界大戰曼哈頓計劃,該計劃生產了世界上第一枚核武器。自那時以來,“大科學”就與物理學聯繫在一起,這需要大量的粒子加速器。在生物學領域,Big Science於1990年通過“人類基因組計劃”首次亮相,以對人類DNA進行測序。 2013年,美國宣布了一項BRAIN計劃,而歐盟宣布了一項人腦計劃,神經科學成為了大科學領域。以色列,加拿大,澳大利亞,新西蘭,日本和中國也宣布了新的重要腦研究計劃。[81]早期成功的“大科學”項目使政治家,大眾媒體和公眾習慣於以有時不受批評的眼光看待“大科學”計劃。[82]

美國的BRAIN計劃的靈感來自對精神障礙的蔓延和成本的擔憂,以及對諸如遺傳遺傳學之類的新型大腦操縱技術的興奮。[126]經過一些早期的錯誤嘗試之後,美國國家心理健康研究所讓該國的大腦科學家定義了BRAIN Initiative,這導致了一個雄心勃勃的跨學科計劃,以開發新的技術工具來更好地監視,測量和模擬大腦。國家心理健康研究所的同行評審過程確保了研究的競爭。.[82] 在歐盟,歐盟委員會的“人腦計劃”開創了一個艱難的開端,因為政治和經濟方面的考慮使人們對該計劃的最初科學計劃的可行性(主要是基於神經迴路的計算機模型)的可行性產生疑問。四年前,即2009年,由於擔心歐盟在計算機和其他技術方面會進一步落後於美國,歐盟已開始為大型科學項目發起競爭,而人腦項目的初始計劃似乎是一個合適的選擇用於可能在先進技術和新興技術方面處於領先地位的歐洲計劃。[82] 僅在2015年,在800多名歐洲神經科學家揚言要抵制歐洲範圍的合作之後,人類大腦項目就引入了一些變化,用科學的思維取代了許多最初的政治和經濟考慮.[83]

基金資助

政府資助

微軟前首席技術官,微軟研究院創始人內森·邁爾沃爾德(Nathan Myhrvold)認為,基礎科學的資金不能留給私營部門-“沒有政府資源,基礎科學就會停滯不前。”[84] 他指出愛因斯坦(Albert Einstein)於1915年發表的廣義相對論並沒有在尤里卡時代從他的大腦中全面發展。他從事了多年,最終由與數學家戴維·希爾伯特(David Hilbert)的對決而最終完成。.[84] T幾乎任何標誌性的科學發現或技術發明(包括燈泡,晶體管,DNA甚至是互聯網)的歷史都表明,具有突破性意義的著名名字“僅比競爭對手領先幾步”。一些作家和民選官員利用這種“平行創新”現象來反對基礎研究的公共資助:他們認為,政府應將其留給公司來資助他們需要的研究。[84]

爾沃爾德寫道,這樣的論點是危險的錯誤:沒有政府的支持,大多數基礎科學研究將永遠不會發生。 “對於那種純粹的研究,最明顯的事實是……已經產生了……巨大的智力收益,卻沒有任何利潤,例如使希格斯玻色子帶給我們的工作,或者對超大質量黑洞位於中心的理解。銀河系,或在土星衛星土衛六上發現甲烷海的手段公司研究實驗室曾經做過這樣的工作:大爆炸的實驗證據是在AT&T的貝爾實驗室發現的,並因此獲得了諾貝爾獎。不見了。”[84]

Myhrvold寫道,即使是在材料科學和計算機科學等應用領域,“公司現在也了解基礎研究是慈善的一種形式,因此他們避免了。”貝爾實驗室的科學家創造了晶體管,但這項發明為英特爾和微軟賺了數十億美元。施樂PARC工程師發明了現代的圖形用戶界面,但蘋果和微軟卻從中受益匪淺。 IBM研究人員率先使用巨磁阻來提高硬盤容量,但很快將磁盤驅動器業務輸給了希捷和Western Digital。.[84]

公司研究人員現在必須將注意力集中在可以迅速帶來收入的創新上。否則,研究預算將無法為公司的投資者辯護。 “那些相信以利潤為導向的公司會無私地為具有廣泛利益的基礎科學付出代價的人,但他們主要是對他人而不是對一代人來說是幼稚的。...如果政府將其交給私人部門來支付基礎研究,大多數科學將陷入停頓。倖存的研究大部分將秘密進行,因為擔心將下一件大事交給競爭對手。” [84]

私人資助

馬克斯·D·馬克斯(D.T. Max)提出了關於科研經費的補充觀點,他撰寫了Flatiron研究所 Flatiron Institute ,該研究所於2017年在曼哈頓成立,旨在為科學家提供數學幫助。熨斗研究所由數學家詹姆斯·哈里斯·西蒙斯(James Harris Simons)建立,他曾使用數學算法使自己成為華爾街的億萬富翁。該研究所設有三個計算部門,分别致力於天體物理學,生物學和量子物理學,並且正在致力於氣候建模的第四部門,該部門將涉及地質,海洋學,大氣科學,生物學和氣候學的接口。[72]

Flatiron Institute是科學研究走向私人資助研究趨勢的一部分。在美國,傳統科學傳統上是由大學或政府資助的,但是私人機構通常更快,更集中。自1990年代以來,當硅谷開始培養億萬富翁時,美國各地的私人機構如雨後春筍般冒出。1997年,拉里·埃里森(Larry Ellison)創立了埃里森醫學基金會,以研究衰老的生物學。保羅·艾倫(Paul Allen)於2003年創立了艾倫腦科學研究所。埃里克·施密特(Eric Sc​​hmidt)在2010年成立了施密特海洋研究所。[85]

這些機構做得很好,部分是通過提供更嚴格的系統的替代方案。但是私人基金會也有責任。富裕的捐助者傾向於將資金用於個人的熱情。基金會不收稅;否則,支持他們的大部分資金將流向政府。[85]

資助偏見

約翰·P·A斯坦福大學醫學院的Ioannidis寫道:“越來越多的證據表明,我們進行,評估,報告和傳播研究的某些方式非常無效。2014年,《柳葉刀》上的一系列論文……估計有85%生物醫學研究的投資被浪費了。許多其他學科也有類似的問題。”[86]約阿尼迪斯指出了一些破壞科學企業效率的科學資助偏見,並提出了解決方案:為太少的科學家提供資金:“ [科學研究]的巨大成功很大程度上是運氣以及艱苦努力的結果。目前享有巨額資金的研究人員不一定是真正的超級巨星;他們可能是最有聯繫的人。”解決方案:“使用彩票來決定要資助的撥款申請(可能在基本審查通過之後)。...將資金從老年人轉移到年輕的研究人員...” [86]

透明性無濟於事:“許多科學協議,分析方法,計算過程和數據都是不透明的。[M]任何重要發現都無法複製。這是三分之二的頂級心理學論文,三分之二的頂級心理學論文就是這種情況。實驗經濟學和超過75%的頂尖論文確定了新的癌症藥物靶標。[科學家]不因分享他們的技術而獲得回報。”解決方案:“創建更好的基礎結構,以實現透明,開放和共享。將透明作為籌資的先決條件。[P]優先僱用,促進或任用...捍衛透明。” [86]

不鼓勵複製:複製對於科學方法是必不可少的。然而,在產生新發現的壓力下,研究人員往往沒有動力,也沒有太多的誘因來嘗試複製以前的研究結果。解決方案:“資助機構必須為複製研究付費。科學家的進步不僅應基於他們的發現,而且還應基於他們的複製記錄。” [86]

沒有為年輕科學家提供資金:“維爾納·海森堡,阿爾伯特·愛因斯坦,保羅·狄拉克和沃爾夫岡·保利在20年代中期做出了傑出貢獻。”但是,獲得首筆實質性資助的生物醫學科學家的平均年齡為46歲。美國一名正式教授的平均年齡為55歲。解決方案:“應為年輕的研究人員指定更多的經費。大學應設法改變衰老的年齡。通過僱用更多年輕的調查員來分配他們的教師。”"[86]

資金來源偏向:“美國研究與開發的大部分資金不是來自政府,而是來自私人的,以營利為目的的資金,這不可避免地產生了利益衝突,併產生了使贊助商滿意的結果的壓力。”解決方案:“限制甚至禁止存在明顯利益衝突的資金。期刊不應該接受存在此類衝突的研究。對於不太明顯的衝突,至少應確保透明和徹底的披露。”[87]

為錯誤的領域提供資金:“資金豐富的領域吸引了更多的科學家為他們工作,這增加了他們的遊說範圍,加劇了惡性循環。一些根深蒂固的領域吸收了巨大的資金,即使它們清楚地證明了產量有限或無法糾正的缺陷。”解決方案:“對於資金充裕的領域,必須對產出進行獨立,公正的評估。應為新領域和高風險領域撥出更多資金。應鼓勵研究人員轉換領域,而目前卻被鼓勵將精力集中在一個領域。 “ [87]

支出不足:美國軍事預算(8860億美元)是美國國立衛生研究院預算(370億美元)的24倍。 “對科學的投資使整個社會受益,但是當有好心的科學領袖承諾不可能實現時,例如迅速消除所有癌症或阿爾茨海默氏病,試圖說服公眾的情況通常會使情況變得更糟。”解決方案:“我們需要通過更清楚地闡明科學過程來傳達科學資金的使用方式,包括取得重大成就所需的科學家人數。...如果我們能夠證明科學的依據,我們也將提出更具說服力的理由我們致力於改善我們的運行方式。” [87]

獎勵大筆開支:“聘用,晉陞和任期決策主要取決於研究人員獲得高水平資金的能力。但是,項目的支出不一定與項目的重要性相關。這種獎勵結構主要是為精明政治的經理人選擇的,他們知道如何吸收金錢。”解決方案:“我們應該獎勵科學家們高質量的工作,可重複性和社會價值,而不是為了獲得資金。出色的研究可以在沒有保護時間的情況下,幾乎沒有資金就可以完成。機構應該提供這段時間,並尊重能夠做出傑出貢獻的科學家。工作而不浪費大量金錢。”[87]

沒有資金來支持高風險的想法:“納稅人的錢被'充分利用'的壓力導致政府資助者支持最有可能獲得積極結果的項目,即使風險更高的項目可能會帶來更重要但不確定性更高的預付款工業界還避免對高風險項目進行投資……創新是極其困難的,即使不是不可能的,也無法預測……”解決方案:“資助優秀的科學家而不是項目,並給予他們自由選擇適合自己的研究途徑的機會。霍華德·休斯醫學研究所等一些機構已經成功使用了這種模型。”必須向公眾和決策者傳達科學是一項累積的投資,沒有人可以事先知道哪些項目將會成功,並且必須根據總議程而不是單個實驗或結果來判斷成功。[87]

缺乏良好的數據:“關於哪種科學實踐效果最好的證據相對有限。我們需要對研究進行更多的研究('元研究'),以了解如何最佳地執行,評估,審查,傳播和獎勵科學。”解決方案:“我們應該投資研究如何獲得最好的科學,以及如何選擇和獎勵最好的科學家。”[87]

性別偏見

致力於推動醫學研究的拉斯克基金會主席克萊爾·波默羅伊(Claire Pomeroy)指出,女科學家在職業發展中繼續受到歧視。[88]

儘管在1969年至2009年間,美國生命科學領域授予女性博士學位的比例從15%上升至52%,但2009年在生物學相關領域中,只有三分之一的助理教授和不到五分之一的正教授是女性。婦女僅占醫學院校常任理事長的15%,而僅占醫學院院長的16%。[88]

問題是一種無意識的偏見文化,使許多婦女感到士氣低落和邊緣化。在一項研究中,理科教授獲得了相同的簡歷,其中兩名申請人的姓名和性別互換了;男性和女性教師都認為男性申請者比較稱職,並為他提供了更高的薪水。[88]

潛意識的偏見也表現為對女科學家的“微攻擊”:據稱微不足道的性別歧視笑話和侮辱多年來積累了下來,破壞了人們的信心和野心。克萊爾·波默羅伊(Claire Pomeroy)寫道:“每次都假設實驗室小組中唯一的女性將扮演唱片秘書的角色,每次在會議之間的男性廁所中完成一項研究計劃時,每次都不邀請女性參加在全體演講會之後出去喝啤酒,損害得到了加強。”[88]

“當我與一群女科學家交談時,”波莫羅伊寫道,“我經常問他們是否曾經參加過他們提出建議的會議,是否被忽略,然後聽到一個男人因做出同樣的建議而受到讚揚和支持。幾分鐘後,每次觀眾中的大多數女性舉手,來自高中科學老師,大學導師,大學教務長或科學精英成員的微攻擊尤其有害。享有盛譽的獎項-那些應該鼓舞和支持下一代科學家的人。”[88]

性騷擾

學術界的性騷擾比軍方以外的任何其他社會部門更為普遍。美國國家科學,工程和醫學研究院在2018年6月的一份報告中指出,性騷擾傷害了個人,減少了科學人才的儲備,並最終損害了科學的完整性。[89]

草擬該報告的委員會聯合主席寶拉·約翰遜(Paula Johnson)介紹了一些預防科學中性騷擾的措施。一種是用小組指導代替受訓者的個人指導,並使指導關係與受訓者對指導者的財務依賴脫鉤。另一種方法是禁止在騷擾案件中使用保密協議。[89]

一些高等教育機構採用了一種稱為“性騷擾”的新穎性舉報方法,該方法已被某些高等教育機構採用,該方法使受屈的人可以記錄下帶有日期戳的性騷擾經歷,而無需實際對其進行正式舉報。該程序使人們可以查看其他人是否記錄了同一個人的騷擾經歷,並匿名共享信息。[89]

刻板印象

心理學家安德烈·辛皮安(Andrei Cimpian)和哲學教授莎拉·簡·萊斯利(Sarah-Jane Leslie)提出了一種理論,以解釋為什麼美國婦女和非裔美國人由於偏重天才而常常被巧妙地阻止尋求進入某些學術領域。[90] 皮安和萊斯利已經注意到,他們各自的領域在本質上是相似的,但是對成功的關鍵持有不同的看法。哲學家比心理學家更重視某種人:具有傑出思想的“輝煌巨星”。心理學家更有可能相信,心理學的領導者通過努力工作和積累經驗來達到自己的位置。[91] 2015年,女性在哲學博士學位授予中所佔比例不到30%;非裔美國人僅占哲學博士學位的1%。另一方面,心理學成功吸引了女性(佔2015年心理學博士學位的72%)和非裔美國人(占心理學博士學位的6%)。[92]

心理學家卡羅爾·德威克(Carol Dweck)的工作為辛比安和萊斯利提供了對這些差異的早期見解。她和她的同事表明,一個人對能力的信念對這個人的最終成功至關重要。將才華視為穩定特質的人會被激勵“炫耀這種才能”並避免犯錯。相比之下,一個採用“成長思維方式”的人將他或她當前的能力視為一項正在進行的工作:對這樣的人而言,錯誤不是指責,而是一個有價值的信號,突出了他們需要工作的技能。[ 137]辛皮安(Cimpian)和萊斯利(Leslie)及其合作者檢驗了以下假設:在各種學術領域內,關於“天才”和對錯誤的不接受性的態度可能解釋了這些領域對美國女性和非裔美國人的相對吸引力。他們這樣做是通過聯繫來自各個學科的學術專業人士,並詢問他們是否認為某種形式的傑出知識人才才能在其領域取得成功來實現的。從30個領域的近2,000名學者那裡獲得的答案與辛比安和萊斯利所期望的博士學位分布相吻合:重視才華的領域也減少了女性和非裔美國人的博士學位。例如,婦女和非裔美國心理學博士的比例高於哲學,數學或物理學的平行比例。[93]

進一步的調查表明,非學術界對哪些領域需要光輝有共同的想法。在家庭或學校中暴露於這些想法可能會阻止成見群體的年輕成員從事某些職業,例如自然科學或工程領域的職業。為了對此進行探討,辛皮安和萊斯利向數百名五歲,六歲和七歲的男孩和女孩提出了問題,以衡量他們是否真正“真正,非常聰明”(即“光彩”)與性別相關聯。該結果發表於2017年1月的《科學》Science 上與有關早期獲得性刻板印象的科學文獻一致。五歲的男孩和女孩的自我評估沒有差異。但是到了六歲,女孩不太可能認為女孩“真的很聰明”。接下來,作者向另一組五歲,六歲和七歲的孩子介紹了陌生的遊戲般的活動,作者形容這些活動是“給真正,非常聰明的孩子的”。比較男孩和女孩在每個年齡段對這些活動的興趣,發現在五歲時沒有性別差異,但是六歲和七歲時的男孩的興趣顯着增加,正好是刻板印象出現的年齡。[94]

辛皮安和萊斯利得出結論:“鑒於當前的社會刻板印象,將[天才或才華]刻畫為[學術成功]必不可少的信息,可能會不必要地挫敗刻板印象群體的有才華成員。”[94]

學術壁壘

天文學家兼科學普及者卡爾·薩根(Carl Sagan)是1980 PBS電視宇宙系列節目的創作者,這在很大程度上是由於他的受歡迎程度而引起的,這一點受到了科學家的嘲笑,並在1960年代未能在哈佛大學任職,並且沒有成為美國國家科學院的會員。 1990年代的科學。同名的“薩根效應”仍然存在:作為一個整體,科學家們仍然不鼓勵個人研究者與公眾互動,除非他們已經是公認的資深研究者。[95][96]

薩根效應的運作使社會失去了就複雜問題(包括基因工程,氣候變化和能源替代方案)做出明智決定所需的全部專業知識。較少的科學聲音意味着較少的反科學或偽科學討論論據。薩根效應還造成了一種錯誤的印象,即科學是老年白人(統治高級職位)的領域,從而使婦女和少數民族不願考慮從事科學事業。[95]

薩根效應的持久性有許多因素。在17世紀科學革命的鼎盛時期,許多研究人員效仿了艾薩克·牛頓(Isaac Newton)的榜樣,他致力於物理學和數學,並且從未結過婚。這些科學家被視為純粹的真理追求者,並沒有被更多平凡的關注所分散。同樣,如今,任何使科學家無法從事研究的事情,例如愛好或參加公開辯論,都可能損害其作為研究人員的信譽。[97]薩根效應持續存在的另一個更平淡的因素可能是職業嫉妒。[97]

但是,似乎有跡象表明,與其他社會互動對科學職業的危害越來越小。現在有這麼多人擁有社交媒體帳戶,因此成為公眾人物對於科學家來說並不像以前那樣不尋常。此外,隨着傳統資金來源的停滯,上市有時會導致新的,非常規的資金流。除研究,教學和管理的傳統作用外,一些機構,例如埃默里大學和麻省理工學院,可能已經開始將推廣活動視為學術活動領域。國家聯邦科學基金會現在正式贊成普及,這在聯邦資助機構中是例外。[98][96]

機構勢利

像傳染病一樣,學術界的思想也具有感染力。 但是,為什麼有些想法能賺大錢卻又讓相對好些的想法保持相對默默無聞尚不清楚。 一組計算機科學家使用流行病學模型來模擬思想如何從一個學術機構轉移到另一個學術機構。 2018年10月發布的基於模型的發現表明,與來自不太知名的地方的同樣好的想法相比,起源於著名機構的想法引起更大的``流行病。 該發現揭示了科學完成方面的一個重大缺陷。 許多訓練有素的,有好主意的人沒有在最負盛名的機構獲得職位。 其他科學家和學者忽略了工人在聲望較低的地方發表的許多出色著作,因為他們沒有引起注意。[99]

文獻

  1. Florian Znaniecki, "Przedmiot i zadania nauki o wiedzy" ("The Subject Matter and Tasks of the Science of Knowledge"), Nauka Polska (Polish Science), vol. V (1925)
  2. [Florian Znaniecki], "The Subject Matter and Tasks of the Science of Knowledge" (English translation), Polish Contributions to the Science of Science, pp. 1–2.
  3. Maria Ossowska and Stanisław Ossowski, "The Science of Science", originally published in Polish as "Nauka o nauce" ("The Science of Science") in Nauka Polska (Polish Science), vol. XX (1935), no. 3.
  4. :pl:Bohdan Walentynowicz|Bohdan Walentynowicz, Editor's Note, in Bohdan Walentynowicz, ed., Polish Contributions to the Science of Science, p. XI.
  5. Maria Ossowska and Stanisław Ossowski, "The Science of Science", reprinted in :pl:Bohdan Walentynowicz|Bohdan Walentynowicz, ed., Polish Contributions to the Science of Science, pp. 84–85.
  6. Maria Ossowska and Stanisław Ossowski, "The Science of Science", in Bohdan Walentynowicz, ed., Polish Contributions to the Science of Science, p. 86.
  7. Maria Ossowska and Stanisław Ossowski, "The Science of Science", in Bohdan Walentynowicz, ed., Polish Contributions to the Science of Science, pp. 87–88, 95.
  8. Elena Aronova, Simone Turchetti (eds.), Science Studies during the Cold War and Beyond: Paradigms Defected, Palgrave Macmillan, 2016, p. 149.
  9. Michael Shermer, "Scientia Humanitatis: Reason, empiricism and skepticism are not virtues of science alone", Scientific American, vol. 312, no. 6 (June 2015), p. 80.
  10. Michael Shermer, "Scientia Humanitatis", Scientific American, vol. 312, no. 6 (June 2015), p. 80.
  11. Steven Shapin, "A Theorist of (Not Quite) Everything" (review of David Cahan, Helmholtz: A Life in Science, University of Chicago Press, 2018, →ISBN{{#invoke:check isxn|check_isbn|978-0-226-48114-2|error= Invalid ISBN}}, 937 pp.), The New York Review of Books, vol. LXVI, no. 15 (10 October 2019), pp. 29–31. (p. 30.)
  12. Thomas Nagel, "Listening to Reason" (a review of T.M. Scanlon, Being Realistic about Reasons, Oxford University Press, 132 pp.), The New York Review of Books, vol. LXI, no. 15 (October 9, 2014), p. 49.
  13. Marcelo Gleiser, "How Much Can We Know? The reach of the scientific method is constrained by the limitations of our tools and the intrinsic impenetrability of some of nature's deepest questions", Scientific American, vol. 318, no. 6 (June 2018), p. 73.
  14. George Musser, "Virtual Reality: How Close Can Physics Bring Us to a Truly Fundamental Understanding of the World?", Scientific American, vol. 321, no. 3 (September 2019), pp. 30–35.
  15. 15.0 15.1 Marcelo Gleiser, "How Much Can We Know?, Scientific American, vol. 318, no. 6 (June 2018), p. 73.
  16. Herbert Spencer, First Principles (1862), part I: "The Unknowable", chapter IV: "The Relativity of All Knowledge".
  17. Freeman Dyson, "The Case for Blunders" (review of Mario Livio, Brilliant Blunders: From Darwin to Einstein—Colossal Mistakes by Great Scientists that Changed Our Understanding of Life and the Universe, Simon and Schuster), The New York Review of Books, vol. LXI, no. 4 (March 6, 2014), p. 4.
  18. 18.0 18.1 18.2 18.3 18.4 18.5 Freeman Dyson, "The Case for Blunders", The New York Review of Books, vol. LXI, no. 4 (March 6, 2014), p. 4.
  19. Freeman Dyson, "The Case for Blunders", The New York Review of Books, vol. LXI, no. 4 (March 6, 2014), pp. 6, 8.
  20. Freeman Dyson, "The Case for Blunders", The New York Review of Books, vol. LXI, no. 4 (March 6, 2014), p. 8.
  21. Jim Holt (philosopher)|Jim Holt, "At the Core of Science" (a review of Steven Weinberg, To Explain the World: The Discovery of Modern Science, Harper, [2015], 416 pp., $28.99, →ISBN{{#invoke:check isxn|check_isbn|978-0062346650|error= Invalid ISBN}}), The New York Review of Books, vol. LXII, no. 14 (September 24, 2015), p. 53.
  22. 22.0 22.1 22.2 Jim Holt (philosopher)|Jim Holt, "At the Core of Science" (a review of Steven Weinberg, To Explain the World: The Discovery of Modern Science, Harper, 2015), The New York Review of Books, vol. LXII, no. 14 (September 24, 2015), p. 53.
  23. Jim Holt (philosopher)|Jim Holt, "At the Core of Science" (a review of Steven Weinberg, To Explain the World: The Discovery of Modern Science, Harper, 2015), The New York Review of Books, vol. LXII, no. 14 (September 24, 2015), pp. 53–54.
  24. 24.0 24.1 24.2 24.3 24.4 24.5 24.6 24.7 Jim Holt (philosopher)|Jim Holt, "At the Core of Science" (a review of Steven Weinberg, To Explain the World: The Discovery of Modern Science, Harper, 2015), The New York Review of Books, vol. LXII, no. 14 (September 24, 2015), p. 54.
  25. Kenneth Cukier, "Ready for Robots? How to Think about the Future of AI", Foreign Affairs, vol. 98, no. 4 (July/August 2019), p. 192.
  26. Template:High-use Template:AWB standard installation Template:Citation Style documentation/lua Template:Citation Style documentation/cs1 Template:Citation Style documentation/lead Template:Citation Style 1 Template:Wikipedia referencing Template:UF-COinS
  27. John R. Searle, "What Your Computer Can't Know", The New York Review of Books, 9 October 2014, p. 52.
  28. John R. Searle, "What Your Computer Can't Know", The New York Review of Books, 9 October 2014, p. 53.
  29. John R. Searle, "What Your Computer Can't Know", The New York Review of Books, 9 October 2014, p. 54.
  30. Gary Marcus, "Am I Human?: Researchers need new ways to distinguish artificial intelligence from the natural kind", Scientific American, vol. 316, no. 3 (March 2017), p. 61.
  31. Pedro Domingos, "Our Digital Doubles: AI will serve our species, not control it", Scientific American, vol. 319, no. 3 (September 2018), p. 93.
  32. Melanie Mitchell, Artificial Intelligence: A Guide for Thinking Humans, New York, Farrar, Straus and Giroux, 2019, →ISBN{{#invoke:check isxn|check_isbn|978-0374257835|error= Invalid ISBN}}, quoted in The New Yorker, 4 November 2019, "Briefly Noted" section, p. 73.
  33. 33.0 33.1 Lydia Denworth, "A Significant Problem: Standard scientific methods are under fire. Will anything change?", Scientific American, vol. 321, no. 4 (October 2019), pp. 62–67. (p. 66.)
  34. Lydia Denworth, "A Significant Problem: Standard scientific methods are under fire. Will anything change?", Scientific American, vol. 321, no. 4 (October 2019), pp. 62–67. (pp. 63-64.)
  35. Lydia Denworth, "A Significant Problem: Standard scientific methods are under fire. Will anything change?", Scientific American, vol. 321, no. 4 (October 2019), pp. 62–67. (p. 64.)
  36. 36.0 36.1 36.2 36.3 Lydia Denworth, "A Significant Problem: Standard scientific methods are under fire. Will anything change?", Scientific American, vol. 321, no. 4 (October 2019), pp. 62–67. (p. 67.)
  37. Bolesław Prus, On Discoveries and Inventions: A Public Lecture Delivered on 23 March 1873 by Aleksander Głowacki [Bolesław Prus], Passed by the [Russian] Censor (Warsaw, 21 April 1873), Warsaw, Printed by F. Krokoszyńska, 1873. http://www.gutenberg.org/files/30407/30407-h/30407-h.htm
  38. Bolesław Prus, On Discoveries and Inventions: A Public Lecture Delivered on 23 March 1873 by Aleksander Głowacki [Bolesław Prus], Passed by the [Russian] Censor (Warsaw, 21 April 1873), Warsaw, Printed by F. Krokoszyńska, 1873, p. 12.
  39. 39.0 39.1 Bolesław Prus, On Discoveries and Inventions, p. 14.
  40. Bolesław Prus, On Discoveries and Inventions, pp. 12–13.
  41. Bolesław Prus, On Discoveries and Inventions, p. 13.
  42. Bolesław Prus, On Discoveries and Inventions, pp. 13–14.
  43. Bolesław Prus, On Discoveries and Inventions, p. 16.
  44. 44.0 44.1 Bolesław Prus, On Discoveries and Inventions, p. 17.
  45. Shannon Palus, "Make Research Reproducible: Better incentives could reduce the alarming number of studies that turn out to be wrong when repeated" (State of the World's Science, 2018), Scientific American, vol. 319, no. 4 (October 2018), p. 58.
  46. 46.0 46.1 Shannon Palus, "Make Research Reproducible", Scientific American, vol. 319, no. 4 (October 2018), p. 59.
  47. 47.0 47.1 47.2 47.3 47.4 Amber Williams, "Sleeping Beauties of Science: Some of the best research can slumber for years", Scientific American, vol. 314, no. 1 (January 2016), p. 80.
  48. Merton, Robert K. (1963). "Resistance to the Systematic Study of Multiple Discoveries in Science". European Journal of Sociology 4 (2): 237–282. Reprinted in Robert K. Merton, The Sociology of Science: Theoretical and Empirical Investigations, Chicago, University of Chicago Press,1973, pp. 371–82. [1]
  49. Merton, Robert K. (1973). The Sociology of Science: Theoretical and Empirical Investigations. Chicago: University of Chicago Press. ISBN 978-0-226-52091-9. https://archive.org/details/sociologyofscien0000mert.
  50. Merton's hypothesis is also discussed extensively in Harriet Zuckerman, Scientific Elite: Nobel Laureates in the United States, Free Press, 1979.
  51. Hall, A. Rupert (1980). Philosophers at War: The Quarrel between Newton and Leibniz. New York: Cambridge University Press. ISBN 978-0-521-22732-2.
  52. Tori Reeve, Down House: the Home of Charles Darwin, pp. 40-41.
  53. Robert K. Merton, On Social Structure and Science, p. 307.
  54. Robert K. Merton, "Singletons and Multiples in Scientific Discovery: a Chapter in the Sociology of Science," Proceedings of the American Philosophical Society, 105: 470–86, 1961. Reprinted in Robert K. Merton, The Sociology of Science: Theoretical and Empirical Investigations, Chicago, University of Chicago Press, 1973, pp. 343–70.
  55. Christopher Kasparek, "Prus' Pharaoh (novel)|Pharaoh: the Invention|Creation of a Historical Novel," The Polish Review, vol. XXXIX, no. 1 (1994), pp. 45-46.
  56. Wade Roush, "The Big Slowdown: Major technological shifts are fewer and farther between than they once were", Scientific American, vol. 321, no. 2 (August 2019), p. 24.
  57. Laura Grego and David Wright, "Broken Shield: Missiles designed to destroy incoming nuclear warheads fail frequently in tests and could increase global risk of mass destruction", Scientific American, vol. 320, no. no. 6 (June 2019), pp. 62–67. (p. 67.)
  58. 58.0 58.1 Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, p. 13.
  59. Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, p. 11.
  60. Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, p. 12.
  61. Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, p. 35.
  62. 62.0 62.1 Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, p. 14.
  63. Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, p. 15.
  64. Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, p. 16.
  65. Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, p. 17.
  66. Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, pp. 17–18.
  67. Melissa A. Schilling, Quirky: The Remarkable Story of the Traits, Foibles, and Genius of Breakthrough Innovators Who Changed the World, New York, Public Affairs, 2018, →ISBN{{#invoke:check isxn|check_isbn|9781610397926|error= Invalid ISBN}}, p. 18.
  68. 68.0 68.1 68.2 68.3 68.4 Matthew Hutson, "Ineffective Geniuses?: People with very high IQs can be perceived as worse leaders", Scientific American, vol. 318, no. 3 (March 2018), p. 20.
  69. Antonakis, John; House, Robert J.; Simonton, Dean Keith (2017). "Can super smart leaders suffer from too much of a good thing? The curvilinear effect of intelligence on perceived leadership behavior." (in en). Journal of Applied Psychology 102 (7): 1003–1021. ISSN 1939-1854. PMID 28358529. https://serval.unil.ch/resource/serval:BIB_1D17920D27A5.P001/REF.pdf.
  70. D.T. Max, "The Numbers King: Algorithms made James Harris Simons|Jim Simons a Wall Street billionaire. His new research center helps scientists mine data for the common good", The New Yorker, 18 & 25 December 2017, p. 72.
  71. D.T. Max, "The Numbers King: Algorithms made James Harris Simons|Jim Simons a Wall Street billionaire. His new research center helps scientists mine data for the common good", The New Yorker, 18 & 25 December 2017, p. 76.
  72. 72.0 72.1 72.2 D.T. Max, "The Numbers King: Algorithms made James Harris Simons|Jim Simons a Wall Street billionaire. His new research center helps scientists mine data for the common good", The New Yorker, 18 & 25 December 2017, p. 83.
  73. Harriet Zuckerman, Scientific Elite: Nobel Laureates in the United States, New York, The Free Press, 1977, p. 42.
  74. Harriet Zuckerman, Scientific Elite: Nobel Laureates in the United States, New York, The Free Press, 1977, p. 104.
  75. Harriet Zuckerman, Scientific Elite: Nobel Laureates in the United States, New York, The Free Press, 1977, p. 105.
  76. Michael P. Farrell, Collaborative Circles: Friendship Dynamics and Creative Work, 2001, quoted in James Somers, "Binary Stars: The friendship that made Google huge", The New York Review of Books, 10 December 2018, p. 30.
  77. James Somers, "Binary Stars: The friendship that made Google huge", The New York Review of Books, 10 December 2018, p. 31.
  78. James Somers, "Binary Stars: The friendship that made Google huge", The New York Review of Books, 10 December 2018, pp. 28–35.
  79. James Somers, "Binary Stars: The friendship that made Google huge", The New York Review of Books, 10 December 2018, pp. 30–31.
  80. "American Masters: Decoding Watson", PBS "American Masters" series, season 32, episode 9 (2019), first aired on 2 January 2019. [2]
  81. Stefan Theil, "Trouble in Mind: Two years in, a $1-billion-plus effort to simulate the human brain is in disarray. Was it poor management, or is something fundamentally wrong with Big Science?", Scientific American, vol. 313, no. 4 (October 2015), p. 38.
  82. 82.0 82.1 82.2 Stefan Theil, "Trouble in Mind", Scientific American, vol. 313, no. 4 (October 2015), p. 42.
  83. Stefan Theil, "Trouble in Mind", Scientific American, vol. 313, no. 4 (October 2015), pp. 38-39.
  84. 84.0 84.1 84.2 84.3 84.4 84.5 Nathan Myhrvold, "Even Genius Needs a Benefactor: Without government resources, basic science will grind to a halt", Scientific American, vol. 314, no. 2 (February 2016), p. 11.
  85. 85.0 85.1 D.T. Max, "The Numbers King: Algorithms made James Harris Simons|Jim Simons a Wall Street billionaire. His new research center helps scientists mine data for the common good", The New Yorker, 18 & 25 December 2017, p. 75.
  86. 86.0 86.1 86.2 86.3 86.4 John P.A. Ioannidis, "Rethink Funding: The way we pay for science does not encourage the best results" (State of the World's Science, 2018), Scientific American, vol. 319, no. 4 (October 2018), p. 54.
  87. 87.0 87.1 87.2 87.3 87.4 87.5 John P.A. Ioannidis, "Rethink Funding: The way we pay for science does not encourage the best results" (State of the World's Science, 2018), Scientific American, vol. 319, no. 4 (October 2018), p. 55.
  88. 88.0 88.1 88.2 88.3 88.4 Claire Pomeroy, "Academia's Gender Problem", Scientific American, vol. 314, no. 1 (January 2016), p. 11.
  89. 89.0 89.1 89.2 Clara Moskowitz, "End Harassment: A leader of a major report on sexual misconduct explains how to make science accessible to everyone" (State of the World's Science, 2018), Scientific American, vol. 319, no. 4 (October 2018), p. 61.
  90. Andrei Cimpian and Sarah-Jane Leslie, "The Brilliance Trap", Scientific American, vol. 317, no. 3 (September 2017), pp. 60–65.
  91. Andrei Cimpian and Sarah-Jane Leslie, "The Brilliance Trap", Scientific American, vol. 317, no. 3 (September 2017), pp. 61–62.
  92. Andrei Cimpian and Sarah-Jane Leslie, "The Brilliance Trap", Scientific American, vol. 317, no. 3 (September 2017), p. 62.
  93. Andrei Cimpian and Sarah-Jane Leslie, "The Brilliance Trap", Scientific American, vol. 317, no. 3 (September 2017), pp. 63–64.
  94. 94.0 94.1 Andrei Cimpian and Sarah-Jane Leslie, "The Brilliance Trap", Scientific American, vol. 317, no. 3 (September 2017), p. 65.
  95. 95.0 95.1 Susana Martinez-Conde, Devin Powell and Stephen L. Macknik, "The Plight of the Celebrity Scientist", Scientific American, vol. 315, no. 4 (October 2016), p. 65.
  96. 96.0 96.1 The Editors, "Go Public or Perish: When universities discourage scientists from speaking out, society suffers", Scientific American, vol. 318, no. 2 (February 2018), p. 6.
  97. 97.0 97.1 Susana Martinez-Conde, Devin Powell and Stephen L. Macknik, "The Plight of the Celebrity Scientist", Scientific American, vol. 315, no. 4 (October 2016), p. 66.
  98. Susana Martinez-Conde, Devin Powell and Stephen L. Macknik, "The Plight of the Celebrity Scientist", Scientific American, vol. 315, no. 4 (October 2016), p. 67.
  99. Viviane Callier, "Idea Epidemic: An infectious disease model shows how science knowledge spreads", Scientific American, vol. 320, no. 2 (February 2019), p. 14.

進一步閱讀

  • Dominus, Susan, "Sidelined: American women have been advancing science and technology for centuries. But their achievements weren't recognized until a tough-minded scholar [Margaret W. Rossiter] hit the road and rattled the academic world", Smithsonian, vol. 50, no. 6 (October 2019), pp. 42–53, 80.
  • Priyamvada Natarajan, "Calculating Women" (review of Margot Lee Shetterly, Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space Race, William Morrow; Dava Sobel, The Glass Universe: How the Ladies of the Harvard Observatory Took the Measure of the Stars, Viking; and Nathalia Holt, Rise of the Rocket Girls: The Women Who Propelled Us, from Missiles to the Moon to Mars, Little, Brown), The New York Review of Books, vol. LXIV, no. 9 (25 May 2017), pp. 38–39.
  • Scientific American Board of Editors, "Science Suffers from Harassment: A leading organization has said that sexual harassment is scientific misconduct. Where are the others?", Scientific American, vol. 318, no. 3 (March 2018), p. 8.
  • James D. Watson, The Double Helix: A Personal Account of the Discovery of the Structure of DNA, New York, Atheneum, 1968.
  • [團隊規模與顛覆性創新]
  • [小團隊的創新性研究“供養”了大團隊嗎?]
  • [Nature物理:諾貝爾獎更偏好年輕的小團隊嗎?]
  • [PNAS:科學獎項指數增長,為什麼獲獎者卻總是那幾個人?]


外部連接

  • American Masters: Decoding Watson PBS documentary about James Watson, co-discoverer of the structure of DNA, including interviews with Watson, his family, and colleagues. 2019-01-02.

參考

本篇參考借鑒集智俱樂部發表文章Science經典綜述文章:什麼是科學學

本中文詞條由趣木木用戶、 參與編譯, 用戶審校,歡迎在討論頁面留言本詞條內容源自wikipedia及公開資料,遵守 CC3.0協議。

個人工具
名字空間
動作
導覽
工具箱