4 formas en que el aprendizaje automático hace que los investigadores sean más eficientes

Desde abordar la sobrecarga de información hasta identificar imágenes manipuladas, el aprendizaje automático está cambiando la forma en que se hace la ciencia

De acuerdo a Ian Evans, el aprendizaje automático y la IA están omnipresentes en estos días y las personas están encontrando todo tipo de maneras creativas para su uso en el campo de la investigación. Aquí hay algunas maneras en que Elsevier y sus colaboradores innovadores lo están usando.

1. El aprendizaje automático puede sugerir nuevas hipótesis para que investigue.

© istock.com/liuzishan

Las plataformas de Big Data y Machine Learning también pueden hacer más que motores de recomendación de combustible. Pueden formar parte del discurso científico al realizar una tarea para la que son especialmente adecuados: escanear grandes cantidades de información para descubrir conexiones que conducen a nuevas hipótesis.

Un programa piloto entre Elsevier y la plataforma Euretos AI tiene como objetivo utilizar estas tecnologías para analizar millones de artículos de revistas y cientos de bases de datos para establecer conexiones y sugerir nuevas hipótesis para que investiguen los investigadores. El proyecto explora el poder de combinar el análisis de grandes datos con el factor humano para encontrar flujos de trabajo en los que los humanos y las máquinas trabajen juntos para acelerar el ritmo de la investigación.

2. El sitio de carreras utiliza aprendizaje automático para sugerir puestos de investigación relevantes

Personal de Mendeley en la oficina Alphabeta de Elsevier en Londres (Foto por Todd Fredericks)

Mendeley Careers encuentra otro uso para el aprendizaje automático: alerta a los investigadores sobre los trabajos más relevantes para sus intereses y experiencia. Para la mayoría de los investigadores, encontrar un nuevo puesto significa tener que supervisar todo, desde las redes sociales hasta los sitios de trabajo y los canales de posibles empleadores. Sin embargo, Mendeley Careers puede recomendar ofertas de trabajo abiertas en función de su historial de lectura. El sitio tiene más anuncios de trabajo abiertos que cualquier otro editor académico o plataforma de investigación.  

3. Los científicos de Harvard están utilizando el aprendizaje automático para detectar imágenes duplicadas o manipuladas en artículos científicos.

Diseño basado en una superposición de imágenes de muestra (una en rojo, una en verde, superposición en amarillo) utilizada en un estudio Dra. Mary Walsh, Investigadora Científica Principal, Facultad de Medicina de Harvard.

Con el apoyo de Elsevier, un equipo de analistas de datos y expertos en integridad de investigación de la Harvard Medical School están trabajando para desarrollar una herramienta que pueda indicar objetivamente si una imagen ha sido manipulada o es una duplicación.

Una imagen manipulada puede ser una indicación de posible mala conducta: puede estirarse, cortarse, aclararse, invertirse o duplicarse para cambiar el significado de la investigación. Más comúnmente, es un síntoma de mala gestión de datos. En cualquier caso, es importante identificar estas instancias al principio del proceso de envío, ya que pueden tener consecuencias importantes.

No es un proceso fácil, y la solución actual es manual, con gente que revisa la literatura publicada buscando discrepancias en las imágenes publicadas para ver si han sido manipuladas, o si la misma imagen fue reutilizada para representar los resultados de diferentes experimentos. Su evaluación puede no ser tan sistemática y objetiva como podría ser si una computadora estuviera realizando la tarea. Además, las computadoras a veces pueden detectar anomalías que el ojo humano no puede detectar.

4. Las recomendaciones personalizadas están ayudando a los científicos a administrar la sobrecarga de información.

© istock.com/monsitj

Mantenerse al día con la literatura científica se ha descrito como la habilidad individual más importante a lo largo de la carrera de un investigador, con 28.100 revistas revisadas por pares activas y 2.5 millones de nuevos artículos publicados cada año, de acuerdo con el Informe STM . Sin embargo, al igual que las recomendaciones personalizadas han cambiado la forma en que las personas encuentran e interactúan con la música y el cine, ahora tienen el poder de cambiar la forma en que los investigadores descubren el contenido y mantenerse actualizados y los investigadores que elijan inscribirse en ScienceDirect. una forma alternativa de descubrir el contenido que es más relevante para ellos.

Al aplicar el aprendizaje automático a los registros de uso de ScienceDirect , el recomendador puede modelar las relaciones entre los artículos de investigación. Estos capturan no solo las relaciones obvias sino que también revelan otras más sutiles, como descubrir que dos artículos de diferentes dominios que usan terminología diferente están relacionados entre sí. El enfoque puede ayudar a los investigadores a realizar descubrimientos fortuitos que hubieran sido difíciles de recuperar utilizando un motor de búsqueda tradicional.