بحران در روش تحقیق تجربی

چرا اغلب یافته‌های تحقیقاتیِ منتشرشده نادرست‌اند؟

چطور یک روان‌شناس می‌خواهد سوگیری‌های انسانی را از علم بیرون بکشد؟

Nautilus , 27 مرداد 1394 ساعت 8:40

مولف : فیلیپ بال

مترجم : علی حاتمیان

علم قرار است از اشتباهات یا سوگیری‌هایی که در باورهای عامۀ مردم وجود دارد، دوری کند؛ اما علم هم پیش‌گیری‌ها و نقصان‌های خاص خودش را دارد. بخشی از این نقصان‌ها قطعاً ناخواسته‌اند، اما این به معنیِ آن نیست که چنین اشتباهاتی پیش‌بینی‌ناپذیر یا اجتناب‌ناپذیرند. یکی از علت‌هایش این است که دانشمند به جای آنکه دائماً از خود بپرسند «کجا ممکن است خطا کرده باشم؟» مدام از خود می‌پرسند «چگونه درست می‌گویم؟»


نوتیلوس
اول

گاهی آدم تعجب می‌کند که اصلاً علم به دردی هم می‌خورد؟ به طور مثال در سال ۲۰۰۵، مقاله‌ای با عنوان «چرا اغلب یافته‌های تحقیقاتیِ منتشرشده نادرست‌اند» با طرح نکته‌هایی دربارۀ ضعف روش‌های پژوهشی، جامعه علمیِ پزشکی را به لرزه درآورد. البته جان یوانیدیس۱، نویسنده مقاله و استاد پزشکیِ دانشگاه استنفورد، معتقد نبود که نتایج خاصِ رشته‌های علمی واقعاً نادرست‌اند، بلکه با بررسی روش‌ها و نتایج علوم در پی نشان‌دادن این مساله برآمد که آمارهایی که در یافته‌های تجربی استفاده می‌شود، با انتظارات علمی چندان سازگاری ندارند.

یوانیدیس بر این اساس نتیجه گرفت که «بسیاری از یافته‌های منتشرشدۀ تحقیقاتی نادرست و اغراق‌شده هستند؛ به علاوه بیش از ۸۵ درصد منابع تحقیقی نیز کاملاً بی‌مصرف‌اند».

در واقع، بسیاری از محققان آگاهانه برای اینکه مقالاتشان منتشر شود، خرمنی از منابع پژوهشی درست می‌کنند و از این رو، بخشی از مساله به سیاست‌های نشر در مجلات پژوهشی باز می‌گردد. با این حال، نادرستیِ یافته‌های علمی در اغلب موارد به اشتباهات ناخواسته و ناآگاهانه محققان ربط دارد.

آن‌ها در پیش‌فرض‌های‌شناختی و شیوه‌های رایجِ تفکر گرفتار می‌شوند و طبیعتاً ما را به نتایجی نادرست، اما مقبول و جذاب می‌رسانند. به گفته سوزان فیدلر، اقتصاددان رفتاری در موسسه ماکس پلانک «وقتی به نرخ تکرارپذیری تحقیقات در روان‌شناسی و دیگر علوم تجربی توجه کنیم، می‌توانیم به‌سادگی نتیجه بگیریم که خیلی چیز‌ها آن‌طور که باید کار نمی‌کند و پیش‌داوری‌های‌شناختی یکی از دلایل آن است».

برایان نوزک۲، روان‌شناس دانشگاه ویرجینا، مهم‌ترین و عمومی‌ترین جهت‌گیری و پیش‌داوری علمی را «استدلال موجه۳» می‌داند: یعنی اینکه مشاهدات علمی را برای تطبیق با ایده‌هایی مشخص تفسیر و تعبیر کنیم. روان‌شناسان نشان داده‌اند که «بیشتر استدلال‌های ما در واقع نوعی عقلانی‌سازی۴ است»، یعنی از قبل تصمیممان را گرفته‌ایم که چه‌کار می‌خواهیم بکنیم، یا چطور می‌خواهیم فکر کنیم، بنابراین «توضیحاتی» که برای استدلال‌هایمان می‌آوریم هم در واقع توجیهی است برای چیزی که از قبل می‌خواسته‌ایم انجام دهیم یا باور کنیم. البته علم باید عینی‌تر و شکاک‌تر از فکرهای روزمره باشد، اما در واقعیتِ امر هم این‌طور هست؟

با آنکه کارل پوپر مدلِ ابطال‌پذیری در روش علم را سال‌ها پیش مطرح کرد که طبق آن دانشمند باید دائماً از خود بپرسد «چگونه خطا می‌کنم؟»، به گفته نوزک دانشمندان به جای این پرسش، مدام از خود می‌پرسند «چگونه درست می‌گویم؟» (به تعبیری دیگر، چطور شما بر خطا هستید؟) هر وقت فکت‌ها دارند نشان می‌دهند که ممکن است ما بر خطا باشیم، اغلب آن‌ها را به‌منزلۀ فکت‌هایی نامرتبط نادیده می‌گیریم. برای مثال، در پژوهش‌های بدنام «گداخت سرد» در اواخر دهه ۸۰ که الکتروشیمی‌دانی به نام مارتین فلایشمان و همکارش استنلی پونز انجام دادند، آکنده از این‌گونه کنارگذاری فکت‌هاست. مثلاً وقتی به فلایشمان و پونز تذکر دادند که طیف اشعه گاما در فرآیند گداخت در سطح نادرستی لحاظ شده است، آن‌ها صرفاً آن را کنار گذاشتند و گفتند این چیز‌ها به خطای اندازه‌گیری برمی‌گردد.

البته از قرار معلوم، آمارهای علمی با کمک نیروی اعداد از پیش‌داوری‌ها در امان می‌مانند، اما واقعیت آن است که آمار‌ها هم آکنده از پیش‌فرض‌هایند. کریس هارت‌گرینک۵ از دانشگاه تیل‌بورگ روی تأثیر عوامل انسانی در جمع‌آوریِ داده‌های آماری تحقیق کرده است.

او نشان داده که محققان اغلب نوعی قطعیت ضروری را به آمارهای احتمالی منتسب می‌کنند و «مانند دیگر آدم‌ها در تفکر احتمالاتی بسیار ضعیف هستند».

هارت‌گرینک به این مساله نیز اشاره می‌کند که در مقالات علمی به ندرت درباره نتایج سخن گفته می‌شود. او در تحقیق اخیر خود نشان می‌دهد که بیش از دو سوم مقالاتِ روان‌شناسی نتایجی بی‌اهمیت را گزارش کرده و از نتایج منفی و کاذب۶ چشم‌پوشی می‌کنند.

با توجه به اینکه علم تنوع وسیعی از پیش‌داوری‌های‌شناختی را آشکار ساخته است، غفلت نسبی از نتایج این پیش‌داوری‌ها در خود رشته‌های علمی تا حدی عجیب و تصورناپذیر است.

به گفته هارت‌گرینک «من از پیش‌داوری‌های بشری اطلاعات زیادی داشتم، اما زمانی که برای نخستین بار دریافتم که این داوری‌ها در علم نیز حاضرند، گرچه این امری بدیهی است، اما برایم بسیار شگفت‌آور بود».

دوم
یکی از پاسخ‌های معمول به چنین موقعیتی آن است که با وجود اینکه دانشمندان خود را فریب می‌دهند، اما دیگران در نقد ایده‌ها و نتایج به دست آمدۀ آن‌ها تردید نمی‌کنند. لذا علم در ‌‌نهایت، فعالیتی گروهی است که خود را تصحیح می‌کند. این پاسخ گاهی درست است اما روند تصحیح علمی ضرورتاً آنچنان که ما تصور می‌کنیم به سهولت و آسانی پیش نمی‌رود.

نوزک معتقد است فرآیند بازبینی همتایان۷ گاهی اوقات فعالانه مانع آزمون سریع و دقیقِ مدعاهای علمی می‌شود. به طور مثال، وقتی در سال ۲۰۱۱ گروهی از فیزیکدانان ایتالیایی گزارشی مبنی بر حرکت نوترینو‌ها با سرعتی بیش از نور را منتشر کردند (که مثالِ‌ِ نقضی برای نظریه نسبیت خاص انیشتین تلقی می‌شود) این یافته به سرعت طرح، آزمون و کنار گزارده شد؛ این کار به دستِ چند فیزیک‌دانِ پرانرژی و به کمکِ سیستم توزیعِ پیش‌مقالاتِ منتشرنشده در منبعی با دسترسی آزاد انجام شد. در حالی که اگر این کار بر بازبینیِ همتایان مبتنی بود، فرآیند بررسی آن سال‌ها طول می‌کشید.

به طور مشابه، زمانی که محققان در سال ۲۰۱۰ در مجله ساینس اعلام کردند که ممکن است آرسنیک در برخی میکروب‌ها جایگزین مولکول‌های فسفرِ دی‌ان‌ای شود (ادعایی که اصول شیمیایی حیات را به صورت بنیادین تغییر می‌دهد)، یکی از محققانی که برای تکرار این یافته‌ها تحقیق می‌کرد، احساس کرد باید اسناد مرتبط با نتایج خود را در وبلاگی که همگان به آن دسترسی داشته باشند، منتشر کند. این کار در تضاد با رویه گروه تحقیقاتی اصلی بود که به سبب ناتوانی در ارایه شواهد پشتیبان برای یافتۀ خود، مورد انتقاد عمومی قرار داشتند.

بازبینی همتایان به‌منزلۀ ابزاری برای سنجش علمی (به ویژه در حوزه‌هایی چون پزشکی و روان‌شناسی) بسیار پراشتباه‌تر از چیزی است که اغلب فکر می‌کنیم؛ چنانکه بحران تکرارپذیری گواهی بر ضعف‌های آن است. ایوان اورانسکی۸، خبرنگار حوزه پزشکی و آدام مارکوس، ویراستارِ علمی که سرویس ریتِرَکشن‌واچ را راه‌اندازی کرده‌اند، مساله را چنین خلاصه می‌کنند: «زمانی که علم بر اساس رویه متداول عمل می‌کند، یافته‌های نهایی در اثرِ تغییر یا اصلاً محوِ تحقیقات اولیه به دست می‌آیند... اما مساله آن است که در علم، یا به بیان بهتر روندِ انتشار مقالات علمی، این فرآیند به ندرت نشان داده می‌شود... بیشترِ -اگر نگوییم همۀ- مقالات منتشرشدۀ در مجلات علمی طوری نوشته شده‌اند که اگر آزمایشگاهِ دیگری بخواهد آزمایش‌های آن‌ها را تکرار کند، موفق نمی‌شود».

یکی از دلایل انحراف فرآیند تحقیق و انتشار مقالات علمی، این است که مجلات به انتشار نتایجِ مثبت گرایش دارند، نه نتایج منفی. در واقع، اعلام درستیِ چیزی بسیار آسان‌تر از اعلامِ نادرستی آن است. به همین دلیل، داوران علمی مجلات ممکن است به ردکردنِ مقالاتی که نتایج منفی دارند، مایل باشند.

این‌جور مقاله‌ها را خسته‌کننده بدانند و محققان نیز به سبب پرهیز از اعتبار اندک و جایگاه پایین‌تر حاصل از چنین نتایجی در مراکز و دپارتمان‌های علمی، از انجام تحقیقاتِ معطوف به چنین نتایجی منصرف شوند. در واقع «اگر شما ۲۰ آزمایش انجام دهید، صرفاً یکی از آن‌ها احتمالاً به نتیجه‌ای قابل انتشار می‌انجامد؛ اما انتشار صِرف این یافته، مجموعه یافته‌های شما را معتبر نمی‌کند، بلکه کاملاً برعکس».

اورانسکی می‌گوید علی‌رغم تأثیر جدی مشوق‌ها در تقویت پیش‌داوری‌های تاییدیِ علوم، ضرورت انتشار مقالات همچنان در زمره مهم‌ترین مشکلات است. به گفته او «کسب شأن استادی و جایگاه شغلیِ مناسب دانشمندان را به انتشار پرتعداد و سریع مقالات وادار می‌کند. آن‌ها سعی می‌کنند مقالاتی با نتایج مثبت و یافته‌های پیشروانه مطرح نمایند که مورد دوم به افزایش ارجاع به مقاله و بالارفتن ضریب نفوذ۹ آن‌ها می‌انجامد. با چنین شرایطی، خودفریبی دانشمندان برای مشاهده نتایجی فوق‌العاده در میان تحقیقات تجربی چندان دور از ذهن نیست».

نوزک نیز با این استدلال موافق است و یکی از عوامل اصلی انحراف در تحقیقات علمی را نظام پاداشی می‌داند که بر اساس جایگاه شغلی، شأن علمی و بورسیه‌ها سامان یافته است. او در این باره می‌نویسد: «برای ارتقای شغلی باید با حداکثر سرعتِ ممکن مقالاتی را در مجلاتی با بالا‌ترین سطح علمی منتشر کنیم. این امر به معنای آن است که مقالاتی باید به نگارش درآیند که شانس بیشتری برای انتشار داشته باشند».

این مقالات اغلب آن‌هایی هستند که نتایج مثبت («این نتیجه به دست آمد» و نه «این نتیجه رد شد»)، نتایج اصیل (بدون کوچک‌ترین اشاره‌ای به «تحقیقات پیشین») و نتایج واضح («ما نشان دادیم» و نه «به درستی نمی‌توان این نتایج را تفسیر کرد») را در خود داشته باشند. «اما بیشتر آنچه در آزمایشگاه روی می‌دهد هیچ مشابهتی با این نوع از نگارش مقاله ندارد؛ پس چگونه از چنان تجاربی این نتایج کامل و زیبا به دست می‌آیند؟ می‌توان صبور بود یا خوش شانس. البته راه دیگری هم هست: انتخابِ آسان‌ترین مسیر؛ در مورد داده‌های مورد نیاز برای نتایج مطلوب، به صورت ناخودآگاه، تصمیم‌گیری کنیم و با تحلیل این اطلاعاتِ گلچین‌شده، داستانی کامل بسازیم. در چنین شرایطی حضور پیش‌داوری در استدلال قطعی است».

استدلال موجه و فشارهای شغلی نه‌تن‌ها به ادامه حضور داده‌های نادرست و ضعیف در تحقیقات می‌انجامند، بلکه ایده‌های درست را نیز پنهان می‌کنند. پیشنهادات باربارا مک‌کلینتون۱۰ در دهه‌های ۴۰ و ۵۰ درباره جهش قطعات دی‌ان‌ای در کروموزوم‌ها و طرح استنلی پروسینر۱۱ در باب پروتئین‌های «زندان» که به شکلی نادرست درمی‌آیند و این بدشکلی از یک پروتئین به پروتئین دیگر منتقل می‌شود، آنچنان بر خلاف باور عمومی بود که با بی‌رحمی توسط محققان رد شد؛ البته مدتی بعد درستی این ایده اثبات شده و جایزه نوبل را برای این دو دانشمند به ارمغان آورد.

مشکوک بودن به مدعاهای جدید و بنیادین کاملاً موجه است، اما با نگاه به گذشته می‌توان مواردی را یافت که در آن‌ها ناتوانی در غلبه بر پیش‌داوری‌های موجود و تصاویرِ رایج، محسوس‌تر است از تردیدِ اصیل و علمیِ محققان درباره کیفیت شواهد. مثال مک‌کلینتون و پروسینر نشان می‌دهد که علم وقتی خودتصحیح‌گر است که اهمیتِ شواهد این کار را ممکن کند، در غیر این صورت، به گفته نوزک «هرگز نخواهیم فهمید دیگر کجا این طور ایده‌های درخشانی شکل گرفته‌اند، اما تماماً نادیده گرفته شده‌اند و هیچکس دنباله‌شان را نگرفته است».

البته دانشمندان به خوبی از این مساله آگاه‌اند. بسیاری از آن‌ها با نظریه تامس کوهن موافق‌اند. مطابق این نظریه، علم چرخش‌های پارادایمی۱۲ ناگهانی‌ای را تجربه می‌کند که در آن‌ها، خرد متداول در تمام عرصه علمیِ معینی تضعیف شده و صورت‌بندی سراسر جدیدی ظاهر می‌گردد. در این چرخش‌ها، ما فقط «علم رایج» را می‌بینیم.

علمی که روی آن اجماع عمومی وجود دارد؛ تا زمانی که موارد نقض، فشار کافی برای شکست مرزهای پیشین و ظهور پارادایم جدید را فراهم سازد. مثالی کلاسیک از این مساله، فیزیک کوانتمی در آغاز قرن بیستم یا ایدۀ قرن هجدهمی فلوژیستون در شیمی است (عاملی که در سوختن مواد مؤثر دانسته می‌شد و تنها با ایدۀ لاوازیه درباره نقش اکسیژن کنار گذاشته شد) که با الگوی کوهن مطابقت دارد.

جمله‌ای منتسب به ماکس پلانک دراین‌باره هست که در آن نقش، پیش‌داوری‌ها چنین تصویر شده‌اند: «علم در هر بزنگاهی، مراسم ترحیم برپا می‌کند». به بیان دیگر، ایده‌های جدید وقتی وارد می‌شوند که ایده‌های قدیمی مرده باشند.

سوم
نقش پیش‌داوری در علم برای نوزک به عنوان دانش‌آموختۀ روان‌شناسی کاملاً آشکار است. او دربارۀ تجربه خود می‌نویسد: «مانند بسیاری از دانش‌آموختگان، برای من نیز ایده‌آلیسم علمی وقتی رنگ باخت که سر کلاسِ روش تحقیق حاضر شدم. در آن کلاس ما مقالات بسیاری را از دهۀ ۵۰ یا ۷۰ می‌خواندیم که در آن‌ها پیش‌داوری در انتشار مقالات، طراحی ضعیف تحقیق، فقدان تکرارپذیری، بحث اندک در باب روش‌شناسی، کمبود دسترسی به منابع اصلی و پیش‌داوری علیه نتایج خنثی بررسی می‌شد».

نوزک از آن زمان خود را وقف بهتر ساختن فرآیند علمی کرد. او متقاعد شده بود که فرآیند پیشرفت علوم با آشکار ساختن نقش پیش‌داوری‌ها تسهیل می‌شود. این امر به معنای شفافیت بیشتر تحقیقات به لحاظ روشی، فرضیات و تفاسیر بود.

البته نبرد با این مسائل آسان نبود، چراکه بسیاری از آن‌ها در چالش‌های عمیق فرهنگی ریشه داشتند و هیچ کس قادر نیست به تنهایی فرهنگ عمومی را به مبارزه فرا بخواند: «از این رو، من با مساله‌ای کار را آغاز کردم که نمی‌توانستم در برابر آن مقاومت کنم: قدرت [و تاثیرگذاری] طراحی تحقیق».

شگفت آنکه نوزک موثر‌ترین راه‌کار برای مساله پیش‌داوریِ‌شناختی را در عرصه‌ای جست‌وجو کرد که به سبب جهت‌گیری‌ها و روش‌های خودفریبی در معرض شدید‌ترین انتقادات قرار داشت: علمِ داروسازی. نوزک باور داشت که داروسازی به دلیل درگیری جدی صنعت دارو با مسئله پیش‌داوری بیش از تمام عرصه‌های علمی خود را با این دشواری مواجه می‌بیند. به طور مثال، گرایش آزمایشگاه‌های دارویی به انتشار نتایج اثباتی و کنار گذاشتن نتایج منفی، قانون‌گذاران ایالات متحده را وادار ساخت تا آزمایشات صورت گرفته بر روی دارو‌ها را پیش از تولید محصول، منوط به گرفتنِ مجوز کنند. در نتیجۀ این قوانین، محققان به انتشار نتایج به‌دست‌آمده (مثبت یا منفی) سوق می‌یابند.

بر همین اساس، نوزک الگویی از پیش‌ثبت‌نام را برای محققان بنیان گذارد که چارچوبِ بازِ علمی۱۳ خوانده می‌شود. طراحی این الگو در ابتدا به کندی پیش می‌رفت اما زمانی که جف اسپایس۱۴، توسعه‌دهندۀ نرم‌افزار، در سال‌های ۲۰۰۹ و ۲۰۱۰ به آزمایشگاه ملحق شد و آن را به تحقیق خود مبدل کرد، پروژه جانی تازه گرفت.

به گفته نوزک، این الگو «شمار زیادی از افراد را درگیر خود کرده و به سرعت گسترش یافته است. در ادامه ما وب‌سایت و انجمنی را نیز برای چارچوبِ بازِ علمی راه‌اندازی کردیم». او به همراه اسپایس مرکز علوم باز را در سال ۲۰۱۳ تأسیس کردند که در حال حاضر مدیریت پروژه چارچوبِ بازِ علمی را بر عهده دارد و خدمات خود را به صورت رایگان ارایه می‌کند.

ایده اصلی چارچوبِ بازِ علمی به گفته نوزک آن است که محققان «درباره تحقیق خود به تفصیل توضیح دهند و حدس خود را از نتایج احتمالی بیان نمایند». آنگاه در زمان انجام آزمایش، به طور کامل نسبت به چارچوب اولیه وفادار باقی بمانند و مطابق آن عمل کنند. این کار در نگاه اول بسیار ابتدایی به نظر می‌رسد و در واقع نیز چنین است.

با این حال، بیشتر پژوهش‌ها در غفلت کامل از این مساله حیاتی صورت می‌گیرند. به گواهی سوزان فیدلر، تحلیل علمی اغلب بر اساس انواع و اقسام پیش‌فرض‌های بیان نشده و ناخودآگاه درباره آنچه باید دیده شود یا نادیده گرفته شود پیش می‌رود. نوزک باور دارد محققانی که از سیستم چارچوبِ بازِ علمی استفاده می‌کنند، از این مساله شگفت‌زده خواهند شد که پس از به دست آمدن نتایج نهایی، تحقیق صورت گرفته تا چه حد با طرح اولیه متفاوت است.

فیدلر از این خدمات استفاده کرده و تأثیر چارچوبِ بازِ علمی روی صداقت تحقیق را تصدیق می‌کند. به علاوه تجربه او نشان می‌دهد که خدمات چارچوبِ بازِ علمی مسیر تحقیق را کند‌تر می‌کند: «پیش‌ثبت‌نام تحقیقات در چارچوبِ بازِ علمی مرا وادار کرد که در خصوص تمامی جزئیات با دقت بیشتری فکر کنم، حتی زمانی که جمع‌آوری داده‌ها را نیز آغاز نکرده بودم».

به گفته او «این آگاهی به من کمک کرد تا میان نتایج اطمینان‌بخش و غیرقابل‌اطمینان تمایز ایجاد کنم. این توانایی تمامی فرآیند پژوهش را شفاف ساخت و به دیگر محققان نیز اجازه داد در خصوص تطابق نتایج با طرح اولیه داوری نمایند».

به گفته هارت‌گرینک، یکی از کاربران چارچوبِ بازِ علمی، اظهار دقیق اهداف راه مناسبی برای آزمودن این نکته است که به درستی می‌دانید آن‌ها چیست‌اند. «زمانی که تصمیم به این کار می‌گیریم، مشخص می‌شود که آشکار ساختن فرضیات به خودی خود تا چه اندازه دشوار هستند». امری که نشانه‌ای از عدم صورت‌بندی واضح آن‌ها است. «از این رو اگر می‌خواهید فرضیات خود را بررسی کنید، پیش‌ثبت‌نام تحقیقات، ضرورتی فنی است».

فیدلر نیز در تأیید این مساله به این نکته اشاره می‌کند که در طول سال گذشته، همراهِ همۀ دانشجویان دکتری‌اش از الگوی چارچوبِ بازِ علمی استفاده کرده است. او استفاده از این سیستم را بسیار مفید و آموزنده می‌داند و می‌گوید کاربرد آن را می‌شود به همه پیشنهاد کرد.

البته چنانکه هارت‌گرینک اشاره می‌کند، تمایز میان چارچوبِ بازِ علمی و وجوه شغلیِ علم، معمولاً شایان توجه است. از آنجا که اغلب محققان دست‌نوشته‌های خود را تنها پس از اجرای تحقیق منتشر می‌کنند، فرضیات پیش از این مرحله اعلام نمی‌گردند. در حالی که این رویه «منجر به صورت‌بندی مطلوب‌تر فرضیات پس از حصول نتایج می‌شود».

ارنست اُبویل۱۵ از دانشگاه آیوا با کمک همکارانش این پیش‌داوری که ارایه نتایج به صورتی پس‌نگرانه صورت پذیرد را تحلیل و آن را «اثر شفیره‌ای۱۶» نامیده‌اند.

به گفته هارت‌گرینک، یکی از نتایج این کار، پذیرفتنی‌کردنِ نتایج غیرمنتظره است: «یکی از متداول‌ترین روش‌های علمی در طول زمانی دراز این بوده که از دیگران درباره درستی کاری سؤال کنید و آن‌ها کار مورد نظر را نادرست بدانند».

چرخش فرضیات و اهداف در اغلب موارد بدون توجه و حتی آگاهی صورت می‌گیرد. به گفته فیدلر «در فرآیند‌گاه طولانی طراحی آزمایش، جمع‌آوری داده‌ها و تحلیل و ارایه نتایج به همکاران، روش نگریستن ما به پرسش‌ها و تصحیح نتایج تغییر می‌کند.

در طول مسیر ممکن است در خصوص آزمون‌های اولیه دچار فراموشی شویم و بصیرت‌های تازه را برای پاسخ به سوالاتی جدید به کار گیریم.» چنین رویکردی به علم نتایج ارزشمند بسیاری دارد و ارتباطات پنهان را به خوبی فراروی ما قرار می‌دهد؛ اما این چرخش نه تنها اهداف نهایی پژوهش را تغییر می‌دهد بلکه ممکن است باعث شود «محقق اعتماد زیادی به نتایج نادرست و کاذب پیدا کند».

اما اگر شما مسیری را در تحقیق خود برگزینید که در آن، خود را به مجموعه محدودی از اهداف محدود کرده باشید، پیش از آنکه واقعاً آزمایشی صورت گرفته باشد، آنوقت این سؤال مطرح می‌شود که آیا مسیری بارور را که هنوز توانایی دیدن آن را ندارید، کاملاً مسدود نکرده‌اید؟

نوزک معتقد است که چنین احتمالی وجود دارد اما «آموختن از داده‌ها راه دستیابی به نتایج قابل اعتماد نیست». به گفته او «در چنین حالتی وجوه تبیینی و تاییدی پژوهش در هم آمیخته شده‌اند... یکی از واقعیات اساسی که همیشه نادیده گرفته می‌شود این است که شما نمی‌توانید با مجموعه یکسانی از داده‌ها، فرضیات را طراحی کرده و آن‌ها را آزمون کنید». اگر ایده جذابی را یافتید، باید فرآیند آزمایش آن را به صورتی جداگانه طراحی کنید، نه اینکه به خود بگویید این‌‌ همان چیزی است که در ‌‌نهایت، آزمایش دربارۀ آن خواهد بود!

فیدلر این ادعا را که پیش‌ثبت‌نام خلاقیت و آزادی تحقیق را از میان می‌برد به چالش کشیده است. به گفته او «این کاری نیست که لازم باشد همه حتماً آن را انجام دهند». در واقع فرآیند اکتشافی که بدون برنامه و فرضیات معین به جمع‌آوری داده‌ها می‌پردازد، همچنان جایگاه مهمی دارد. با این حال باید تمایزات را در نظر داشته باشیم.

به باور هارت‌گرینک، مهم‌ترین مانع در این میان آموزش است. محققان برای انجام امور به این شیوه توصیه‌ای دریافت نمی‌کنند؛ اما بهتر است که دریافت کنند. در واقع «اگر محققان جوان استفاده از این روش‌ها را هم‌اینک آغاز نکنند، در ده سال آینده، خود را در انزوا خواهند یافت، زیرا در این مدت، تحقیقِ تکرارپذیر، شفاف و عمومی به هنجاری فراگیر بدل خواهد شد».

در ‌‌نهایت، نوزک چشم انتظار نوعی «اتوپیای علمی» است که در آن، علوم به ابزار موثرتری برای انباشت دانش علمی بدل شوند. با این حال، هیچ کس مدعی نیست که چارچوبِ بازِ علمی نوشدارویی برای تحقق چنین اتوپیایی است. چنانکه اورانسکی اشاره کرده است «یکی از مهم‌ترین مسائل توانا ساختن دانشمندان به ممانعت از خودفریبی است.

این امر به حذف استدلال موجه و پیش‌داوری‌های تاییدی نیاز دارد و در حال حاضر راه‌حل مناسبی برای آن وجود ندارد.» از این رو نوزک در کنار چارچوبِ بازِ علمی بازسازی شیوه انتشار مقالات علمی، دسترسی عمومی و بازبینی مداوم و فراگیر آن‌ها را ضروری می‌داند: شاید نتوانیم از پیش‌داوری‌های خود‌‌ رها شویم، اما می‌توانیم تأثیرِ مخرب آن را کاهش دهیم. بر اساس دیدگاه نوزک و همکار روان‌شناس او، یوآو بارآنان۱۷ از دانشگاه بن‌گوریون، «موانع اصلی تغییر، به حوزۀ امور فنی یا مالی ربطی ندارد، بلکه بیشتر اجتماعی است. گرچه دانشمندان از وضعیت موجود دفاع می‌کنند، اما به قدرِ یقین، قدرت تغییر آن را هم دارند».


پی‌نوشت‌ها:
* این مطلب در تاریخ ۱۴ می ۲۰۱۵ با عنوان The Trouble With Scientists در وبسایت نوتیلوس منتشر شده است.
[۱] John Ioannidis
[۲] Brian Nosek
[۳] motivated reasoning
[۴] rationalization
[۵] Chris Hartgerink
[۶] false negatives
[۷] peer review یعنی فرایندِ بازنگری و بازبینیِ دیگر متخصصان یک عرصۀ علمی دربارۀ ادعاهای جدیدی که در آن رشته مطرح می‌شود.
[۸] Ivan Oransky
[۹] impact factor
[۱۰] Barbara McClintock
[۱۱] Stanley Prusiner
[۱۲] paradigm shifts
[۱۳] Open Science Framework / OSF
[۱۴] Jeff Spies
[۱۵] Ernest O’Boyle
[۱۶] Chrysalis Effect
[۱۷] Yoav Bar-Anan


کد مطلب: 7352

آدرس مطلب: http://tarjomaan.com/neveshtar/7352/

ترجمان
  http://tarjomaan.com