Granice i możliwości nowych metod w nauce: replikacje, symulacje, metaanalizy i Big Data 3800-GMNMN25-S
Seminarium poświęcone jest filozoficznej refleksji nad nowymi metodami badawczymi, które odgrywają coraz większą rolę w naukach empirycznych. W ramach seminarium przewidziano trzy typy spotkań: wspólne dyskusje nad tekstami, rozmowy z praktykami stosującymi te metody oraz prezentacje własnych analiz uczestników.
REPLIKACJE
Replikacja to powtórzenie badania w celu sprawdzenia, czy uzyskany wynik da się odtworzyć. Replikacje uchodzą za istotne narzędzie kontroli wiarygodności wiedzy empirycznej. Ich stosowanie związane jest jednak z kilkoma zasadniczymi problemami. Sam termin „replikacja” oznacza wiele różnych praktyk: literalne kopiowanie procedury, testowanie tej samej hipotezy innymi metodami, ponowną analizę cudzych danych – a każda z nich daje inny stopień pewności. Dodatkowo wiele dziedzin cierpi na niski poziom mocy statystycznej, elastyczne „podkręcanie” analiz i presję, by publikować tylko pozytywne efekty, co sprawia, że fałszywe wyniki pojawiają się częściej, niż nam się wydaje. Kłopot pogłębia system nagród w nauce: nowe, efektowne odkrycia liczą się bardziej niż żmudne powtórzenia.
SYMULACJE
Symulacje komputerowe to narzędzia, które zamiast bezpośrednio manipulować badanymi przedmiotami, przetwarzają ich formalny opis na wyniki numeryczne, by przewidywać zachowanie systemu lub testować hipotezy. Filozoficznie budzą jednak wiele wątpliwości. Po pierwsze, status ontologiczny: czy symulacja tworzy tylko „model w pamięci komputera”, czy stanowi quasi-eksperyment, skoro nie zachodzi fizyczna interakcja z obiektem? Po drugie, uzasadnienie epistemiczne: wiarygodność zależy od wielu decyzji inżynierskich , więc trzeba wyjaśnić, kiedy wyniki liczbowe naprawdę świadczą o świecie, a kiedy jedynie o założeniach kodu. Po trzecie, rola metodologiczna: symulacje łączą modelowanie i eksperymentowanie w płynny cykl prób-i-poprawek, co nadaje im pewną autonomię – potrafią generować pytania i dane, które z kolei kształtują dalszy model.
METAANALIZY
Metaanaliza to statystyczny sposób łączenia wyników wielu badań w jedną wspólną miarę, dzięki czemu ma ułatwiać wyciąganie mocniejszych wniosków, niż pozwala pojedynczy eksperyment. Z perspektywy filozofii nauki rodzi to trzy kluczowe pytania. Po pierwsze, o obiektywność: każda metaanaliza wymaga szeregu decyzji (które badania włączyć, jak je zważyć, jaki model przyjąć), a te wybory mogą przesuwać wynik, zamiast go jedynie „odkrywać”. Po drugie, o jedność i różnorodność: sprowadzając różne operacjonalizacje do jednej liczby, metaanaliza zakłada, że badania mierzą zasadniczo to samo, co bywa sporne w naukach społecznych i biomedycznych. Po trzecie, o replikowalność: zwolennicy podkreślają, że metaanaliza najlepiej pokazuje, w jakim stopniu dane zjawisko powtarza się w różnych kontekstach, krytycy – że uśrednianie może zamazać istotne różnice i wzmacniać istniejące skrzywienia publikacyjne.
BIG DATA
Big Data zdaje się zwiastować przewartościowanie tego, co w nauce uznaje się za dowód. Ogromne repozytoria danych stają się towarem i oficjalnym „produktem” badań, co przesuwa uwagę z hipotezy na procedury gromadzenia, porządkowania i udostępniania informacji. Rodzi to trzy rodzaje problemów filozoficznych. (1) Epistemologiczne: algorytmy potrafią odkrywać korelacje bez wcześniejszej teorii, ale same korelacje nie wyjaśniają przyczynowości ani nie gwarantują prawdziwości; skuteczność wyszukiwania wzorców zależy od jakości danych, ich reprezentatywności i ukrytych założeń modelu. (2) Metodologiczne: badacz musi zdecydować, które źródła łączyć, jak usuwać szum i czy wyniki da się zweryfikować inną metodą; bez transparentnej dokumentacji wzrasta ryzyko „czarnej skrzynki”, w której błąd przechodzi niezauważony. (3) Etyka i władza: koncentracja danych w rękach nielicznych podmiotów potęguje asymetrie informacyjne, a profilowanie i predykcja ingerują w prywatność, utrwalając istniejące uprzedzenia społeczne.
Rodzaj przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
Nabyta wiedza:
– zna pojęcia charakterystyczne dla epistemologii i ogólnej metodologii nauki (takie jak symulacja, metaanaliza, dane masowe, uczenie maszynowe, reprezentacja, model naukowy, wyjaśnianie) i potrafi się nimi posługiwać (F1_W03, F1_W05, F2_W03, F2_W05)
– zna zarówno klasyczne, jak i współczesne ujęcia problemu reprezentowania i wyjaśniania w nauce, uwzględniające zastosowanie nowych metod badawczych (F1_W07, F1_W08, F2_W07, F2_W08, F2_W09)
– zna metody badawcze i strategie argumentacyjne właściwe dla ogólnej metodologii nauk, w szczególności używane w dyskusjach nad statusem epistemicznym i metodologicznym nowych metod w naukach empirycznych (F1_W12, F1_W14, F2_W11)
Nabyte umiejętności:
– potrafi analizować proste teksty na tematy naukowe z wykorzystaniem narzędzi metodologii ogólnej, również w odniesieniu do nowych metod badawczych (F1_U05, F1_U07; F1_U17, F1_U03, F2_U05)
– potrafi przygotować wystąpienie ustne związane z tematyką zajęć, opierające się o samodzielną interpretację tekstu filozoficznego dotyczącego metod takich jak symulacje czy Big Data (F1_U01; F1_U03; F1_U04; F1_U16; F1_U17; F2_U04)
– potrafi zbudować własną argumentację za wybranym stanowiskiem, odwołując się do pojęć i rozróżnień stosowanych w ogólnej metodologii nauk, również w kontekście nowych technologii i praktyk badawczych (F1_U16, F2_U03, F2_U14, F2_U16)
Nabyte kompetencje społeczne:
– potrafi w grupie przygotować wprowadzenie do tematu omawianego podczas seminarium lub wspólne opracowanie danego zagadnienia (F1_K04, F1_K10, F2_K06)
– jest otwarty na dyskusję i nowe propozycje rozwiązań problemów, również w kontekście kontrowersji związanych z nowoczesnymi metodami badawczymi (F1_K02)
Dodatkowe efekty kształcenia dla doktorantów
Zna i rozumie:
– związki między różnymi naukami oraz miejsce filozofii nauki w obrębie filozofii i nauk o poznaniu, w szczególności w kontekście współczesnych metod badawczych, takich jak symulacje komputerowe, analizy Big Data czy uczenie maszynowe (WG_03)
– metody badawcze i strategie argumentacyjne właściwe dla filozofii nauki, także te odnoszące się do oceny wiarygodności nowych form dowodu i reprezentacji (WG_03)
– najnowsze zagadnienia podejmowane w badaniach z zakresu filozofii nauki, w tym dotyczące reprezentacji, symulacji, przetwarzania wielkich zbiorów danych oraz ich znaczenia dla rozumienia wiedzy naukowej (WK_01)
Potrafi:
– krytycznie analizować i oceniać wyniki badań naukowych z punktu widzenia metodologii ogólnej, również w kontekście metod takich jak metaanalizy czy modelowanie komputerowe (UW_02)
– uczestniczyć w dyskursie filozoficznym z zakresu filozofii nauki, odnosząc się do współczesnych debat wokół nowych narzędzi badawczych i ich epistemicznego statusu (UW_03)
Jest gotów do:
– prowadzenia merytorycznej dyskusji, komunikowania swojego stanowiska w sposób asertywny, bez wchodzenia w spór z adwersarzami, także w ramach interdyscyplinarnych debat dotyczących metodologii nauki (KK_02)
Kryteria oceniania
Zaliczenie na ocenę.
Ocena zostanie wystawiona na podstawie:
- przygotowanie i wygłoszenie referatu, 40% oceny
- przygotowanie koreferatu 30% oceny
- aktywność na zajęciach, 30% oceny
- przygotowanie własnej analizy przypadku, (możliwość podwyższenia oceny do 30%)
Skala ocen
5! (cel.) – 95% lub najlepsza osoba w grupie
5 (bdb.) – od 90%
4+ (db. plus) – od 80%
4 (db.) – od 75%
3+ (dst. plus) - od 65%
3 – (dst.) od 60%
2 – (ndst.) mniej niż 60%
W wypadku doktorantów przygotowanie własnej analizy jest obowiązkowe. Ocena zostanie wystawiona na podstawie:
- przygotowanie i wygłoszenie referatu, 30% oceny
- przygotowanie koreferatu 20% oceny
- aktywność na zajęciach, 25% oceny
- przygotowanie własnej analizy przypadku, 25% oceny
Dopuszczalna liczba nieobecności podlegających usprawiedliwieniu (sugerowana liczba: 2 w semestrze): 2 na semestr
Literatura
Replikacje
1. Ioannidis, J. P. (2005). Why most published research findings are false. PLoS medicine, 2(8), e124.
2. Schmidt, S. (2009). Shall we really do it again? The powerful concept of replication is neglected in the social sciences. Review of general psychology, 13(2), 90-100.
3. Ioannidis, J. P. (2014). How to make more published research true. PLoS medicine, 11(10), e1001747.
4. Munafò, M. R., Nosek, B. A., Bishop, D. V., Button, K. S., Chambers, C. D., Percie du Sert, N., ... & Ioannidis, J. P. (2017). A manifesto for reproducible science. Nature human behaviour, 1(1), 0021.
Symulacje
1. Frigg, R., & Reiss, J. (2009). The philosophy of simulation: hot new issues or same old stew?. Synthese, 169, 593-613.
2. Humphreys, P. (2009). The philosophical novelty of computer simulation methods. Synthese, 169, 615-626.
3. Barberousse, A., Franceschelli, S., & Imbert, C. (2009). Computer simulations as experiments. Synthese, 169, 557-574.
4. Lenhard, J. (2007). Computer simulation: The cooperation between experimenting and modeling. Philosophy of science, 74(2), 176-194.
5. Bueno O. (2014), Computer Simulations: An Inferential Conception, The Monist , July, 2014, Vol. 97, No. 3, Models and Simulations (July, 2014), pp. 378-398.
6. Alvarado, R. (2022). Computer simulations as scientific instruments. Foundations of Science, 1-23.
7. Fitzpatrick S. M., Callaghan R. (2008), Magellan's Crossing of the Pacific: Using Computer Simulations to Examine Oceanographic Effects on One of the World's Greatest Voyages, The Journal of Pacific History , Sep., 2008, Vol. 43, No. 2 (Sep., 2008), pp. 145- 165.
Metaanalizy
1. Shelby L. B., Vaske J. J. (2008), Understanding Meta-Analysis: A Review of the Methodological Literature, Leisure Sciences, 30, 96–110.
2. Dekkers O. M. (2018), Meta-analysis: Key features, potentials and misunderstandings, Res Pract Thromb Haemost. 2018;2:658–663.
3. Stegenga, J. (2011). Is meta-analysis the platinum standard of evidence?. Studies in history and philosophy of science part C: Studies in history and philosophy of biological and biomedical sciences, 42(4), 497-507.
4. Holman, B. (2019). In defense of meta-analysis. Synthese, 196, 3189-3211.
5. Fletcher, S. C. (2022). Replication Is for Meta-Analysis. Philosophy of Science, 89(5), 960–969.
Big Data
1. Leonelli, S. (2014). What difference does quantity make? On the epistemology of Big Data in biology. Big data & society, 1(1), 2053951714534395.
2. Mazzocchi, F. (2015). Could Big Data be the end of theory in science? A few remarks on the epistemology of data‐driven science. EMBO reports, 16(10), 1250-1255.
3. Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big data & society, 1(1), 2053951714528481. (12 s.)
4. Borgman, C. L. (2017). Big data, little data, no data: Scholarship in the networked world. MIT press. (fragmenty)
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: