Sin embargo, me gusta la respuesta juguetonamente escrita de Marcline, si tomamos su pregunta de manera más general y en lugar de decir “100” hace años, sino “muchos” años atrás, entonces mi respuesta argumentará en gran medida que sí. Pero esto solo se debe a un problema simple: no hacer una revisión de la literatura, una de las cosas básicas más importantes que aprende como estudiante y que se supone que debe dominar como estudiante graduado (antes de pasar a la academia, si ese es su camino). ¿Dónde están las citas? Es en lo que viven los académicos, en particular, y los investigadores (a menudo esto es importante para construir reputación / credibilidad). TENGO EN CUENTA que hablaré desde la perspectiva de mi propio campo / dominio: Inteligencia Artificial (no puedo decir si mis observaciones son similares a las de otros dominios, por lo que mi respuesta puede no ser lo suficientemente general).
Parece, especialmente con el surgimiento y la re-popularización de las redes neuronales (nuevamente), que las personas se están olvidando de cómo hacer una asignación de crédito adecuada (Nota: cuando uso “asignación de crédito”, lo digo de dos maneras, una es la forma lo leería literalmente y de otra manera es un juego de palabras para investigadores de Machine Learning, refiriéndose a lo que llamamos el problema de asignación de crédito en el aprendizaje estadístico). En mi tiempo como investigador, he leído innumerables artículos / artículos que comienzan en gran medida desde los años 70/80 (y algunos antes de eso, por supuesto) hasta nuestros días (2016, en el momento de escribir este artículo). Lo único que observo es que gran parte de lo que está de moda en mi campo ya se ha propuesto o descubierto en gran parte, de una forma u otra, hace décadas (si no antes). La gran diferencia es que estamos disfrutando de los beneficios de los avances de ingeniería en hardware informático, una avalancha de información digital, etc., y ahora podemos explorar más a fondo ideas antiguas con una luz algo nueva.
Esto es bueno, sin duda, pero la forma en que se está haciendo es lo que está mal. Muchos están “reinventando ruedas” en lugar de simplemente leer lo que se ha hecho, criticando cómo se hizo una vez y arreglando viejas ideas o apoyándose en los hombros de estos gigantes para crear mejores ideas. Desafortunadamente, la mentalidad de “carro” es increíblemente fuerte en mi campo en estos días: todos quieren participar solo para obtener fondos (ya que los académicos persiguen fondos, es parte del trabajo) y fama / gloria fácil. El problema es que esto crea lo que he acuñado la “carrera de ratas de aprendizaje profundo” [Nota interesante: “aprendizaje profundo” es solo una palabra de moda para hacer que todo suene genial y nuevo, pero la idea de redes neuronales con muchas capas ocultas es bastante antiguo, y muchas de las ideas que usamos para construirlas son solo cambios de nombre o variaciones muy leves de cosas que puedo encontrar fácilmente en publicaciones anteriores que ya las propusieron.]. La “carrera de ratas de aprendizaje profundo” nos ha dado algunas cosas buenas: ciertamente estamos viendo un rápido progreso hoy en día (especialmente en ingeniería e investigación de aplicaciones). Pero nos ha dado algo problemático: la gente simplemente saca los papeles y los arroja a arXiv (un lugar donde uno puede poner su propio papel prepublicado), a menudo sin tener en cuenta el trabajo anterior y a menudo plagiando las ideas de otros (simplemente renombrando ellos a algo lindo: “plagio de ideas” es, en mi opinión, una de las peores cosas que experimentar junto al plagio completo).
- ¿Qué sería diferente si no se descubriera el elemento químico osmio?
- ¿Cuál fue el mejor descubrimiento de 2014 hasta ahora?
- ¿Cómo se descubren las personas por actuar?
- ¿El descubrimiento de qué físico tuvo un gran efecto práctico en nuestro mundo?
- ¿Cómo cambian los descubrimientos científicos las opiniones del mundo?
He escuchado el argumento de que simplemente hay “demasiado” por ahí y, por lo tanto, no hay necesidad de citar mucho trabajo previo (el argumento de “estar abrumado”). Honestamente, en mi humilde opinión, esto no es excusa. Si desea que su trabajo sea significativo / impactante, DEBE leer el trabajo relacionado y asegurarse de pagar crédito a aquellos que podrían haber pensado de manera similar a usted (de lo contrario, ¿cómo puedo confiar en que no haya copiado a alguien más?). En mi dominio, la “carrera de ratas de aprendizaje profundo” se ha vuelto tan mala, que la gente no mira ni siquiera hace un año para citar trabajos relacionados. Yo mismo siento frustración cuando veo que alguien básicamente propone lo que ya propuse, desarrollé y validé empíricamente el año pasado (como mi trabajo en el aprendizaje semi-supervisado), sin siquiera darle a mis documentos la miserable sola cita que creo que se merecen. En una conversación con muchos de los que he conocido en varias conferencias a lo largo de los años, he aprendido que no soy el único que se da cuenta de esta “carrera de ratas” y la falta de asignación de crédito adecuada. Tenga en cuenta que nada de esto se aplica si ya es famoso: la investigación de IA, por lo menos, sucumbe a la idolatría de los nombres de buena reputación que lleva a la mayoría de los recién llegados y aprendices en un campo ignorando el trabajo del campo al centrarse solo en el trabajo de aquellos que son famosos / popularizados Otro efecto indeseable es que parece que la calidad de los documentos que bombea este modelo acelerado parece estar disminuyendo, en términos de capacidad de escritura y claridad y rigor experimental (¡olvide la reproducibilidad!).
Sin embargo, aunque la desesperación silenciosa de algunos estudiantes e investigadores de posgrado es bastante irrelevante para el mayor avance de la ciencia, creo que la falta de asignación de crédito adecuada conduce a algo un poco más preocupante: la redundancia. ¿Imagínese cuánto progreso más rápido en campos como el mío podría avanzar si somos conscientes de lo que se hizo antes que nosotros para poder construir sobre lo que se hizo para alcanzar alturas aún mayores o ampliar aún más los límites del conocimiento humano?
Otra cuestión relacionada es que mi campo, y estoy seguro de que esto podría no ser ajeno a otras disciplinas, es la “fobia a los resultados negativos”. No nos gustan los resultados negativos, simplemente, y como resultado, una increíble cantidad de resultados negativos no se reportan. Si no supera el “estado del arte” por unos pequeños puntos de precisión (o alguna métrica relacionada), incluso si su idea es genial / novedosa / innovadora, no vale la pena escucharla (y a menudo rechazada por el error razones). Lo que es más importante, me gustaría saber sobre el arduo trabajo que terminó en un callejón sin salida, de modo que yo y otros investigadores no hacemos el mismo esfuerzo y tiempo para solo encontrar el mismo callejón sin salida. Quién sabe, ¿tal vez podríamos pensar en algo que esos investigadores no pudieron en ese momento?
En resumen, hablando desde la perspectiva de mi propio campo, la respuesta a su pregunta es un rotundo sí. Si esto es o no podría impedir el progreso de la ciencia, bueno, ese podría ser el tema de una pregunta diferente, y lo más importante, será para que la historia decida, supongo =]
