ओखम के मध्ययुगीन तपस्वी विलियम ने एक प्रसिद्ध विचार प्रस्तुत किया: हमेशा सबसे सरल स्पष्टीकरण चुनें। अक्सर पार्सिमोनी सिद्धांत के रूप में जाना जाता है, “ओखम के रेजर” ने सदियों से वैज्ञानिक निर्णयों को आकार दिया है।
लेकिन हाल ही में, अविश्वसनीय रूप से जटिल एआई मॉडल ने अपने सरल समकक्षों को बेहतर प्रदर्शन करना शुरू कर दिया है। प्रोटीन संरचनाओं की भविष्यवाणी करने के लिए अल्फफोल्ड पर विचार करें, या मानव की तरह पाठ उत्पन्न करने के लिए चैट और उसके प्रतियोगियों की भविष्यवाणी करें।
में एक नया पेपर स्वामी तर्क देता है कि मॉडलिंग में पार्सिमोनी पर बहुत अधिक भरोसा करके, वैज्ञानिक गलतियाँ और याद करते हैं।
पहले लेखक और एसएफआई जटिलता पोस्टडॉक्टोरल फेलो मरीना डुबोवा का कहना है कि पार्सिमोनी पर अतिव्यापी ऐतिहासिक है।
“वैज्ञानिकों को यह मार्गदर्शन करने के लिए एक उपकरण की आवश्यकता होती है कि वे दुनिया के मॉडल कैसे बनाते हैं। पार्सिमोनी को ऐतिहासिक रूप से उपयोग करने के लिए एक आसान उपकरण के रूप में अपनाया गया था। तब से, यह पर्याप्त सवाल नहीं किया गया है। शैक्षिक कार्यक्रम वैज्ञानिक सिद्धांत और मॉडल निर्माण में एक प्रमुख सिद्धांत के रूप में पार्सिमोनी को सिखाते हैं। अधिकांश शोध यह सही ठहराने की कोशिश करते हैं कि पार्सिमोनी क्यों अच्छी है, लेकिन उन औचित्य ने समय की कसौटी पर खरा नहीं उतरे, “वह कहती हैं।
डबोवा ने हाल ही में एक कम्प्यूटेशनल सिमुलेशन चलाया जिसमें दिखाया गया है कि यादृच्छिक प्रयोगों ने पिछले मान्यताओं के आधार पर चुने गए वैज्ञानिक प्रयोगों की तुलना में बेहतर मॉडल उत्पन्न किए।
अब एक संज्ञानात्मक वैज्ञानिक दुबोवा, सभी की सबसे बड़ी वैज्ञानिक मान्यताओं में से एक की जांच कर रहा है: जटिल मॉडल से परहेज।
दुबोवा कहते हैं, “हमारे मार्गदर्शक सिद्धांत के रूप में अकेले पार्सिमोनी पर भरोसा करते हुए हम दुनिया के बारे में क्या सीख सकते हैं और संभावित रूप से हमें गलत दिशाओं में चला सकते हैं।” “पार्सिमोनी और जटिलता पूरक उपकरण हैं। वैज्ञानिकों को यह निर्धारित करने के लिए साक्ष्य, निर्णय और संदर्भ-विशिष्ट मांगों का उपयोग करने की आवश्यकता है कि क्या अधिक पार्श्विक या जटिल मॉडल उनके अनुसंधान लक्ष्यों के अनुरूप हैं।”
दुबोवा और सह-लेखक उन निष्कर्षों पर चर्चा करते हैं जो सुझाव देते हैं कि गलत तरीके से पार्सिमोनी मॉडल को पक्षपाती बना सकती है और बुरी भविष्यवाणियों का नेतृत्व कर सकती है। उदाहरण के लिए, लाइव ब्रेन स्कैन की व्याख्या करने के लिए सरल मॉडल अक्सर आवधिक बैक-एंड-फोर्थ पैटर्न पढ़ते हैं, जब वास्तव में, मस्तिष्क गतिविधि समय के साथ धीरे-धीरे बदल रही है। अप्रयुक्त नई दवाओं का मूल्यांकन करने वाले एक मॉडल से प्रमुख विशेषताओं (जैसे रोगी की उम्र) को छोड़कर, जो अच्छी तरह से प्रतिक्रिया नहीं करेंगे, इसकी खराब भविष्यवाणियां हो सकती हैं।
इसके विपरीत, जटिल मॉडल अधिक लचीले और सटीक हो सकते हैं, क्योंकि जलवायु परिवर्तन अनुसंधान में नए दृष्टिकोणों ने दिखाया है। अक्सर विज्ञान में, प्रत्येक प्रयोगशाला ब्याज की घटना के बारे में भविष्यवाणियां करने के लिए अपने स्वयं के मॉडल को विकसित करती है, और क्षेत्र अंततः सबसे अधिक पार्श्विक मॉडल पर परिवर्तित होता है जो डेटा को सबसे अच्छा लगता है। हालांकि, जलवायु वैज्ञानिकों ने पाया है कि जब वे अलग-अलग प्रयोगशालाओं से दर्जनों विरोधाभासी मॉडल को एक पहनावा में जोड़ते हैं, तो जलवायु पूर्वानुमान वास्तविक वास्तविक दुनिया की घटनाओं की भविष्यवाणी करने में बेहतर हो जाते हैं।
“यहां तक कि जब ये जलवायु मॉडल असंगत होते हैं, तो वैज्ञानिक उन सभी को रोजगार देने का फैसला करते हैं क्योंकि वे जानते हैं कि हर एक दुनिया के कुछ पहलू पर कब्जा कर रहा है। साहित्य बताता है कि उन्हें एक साथ उपयोग करने से हमें अपने आसपास की वास्तविकता की बेहतर भविष्यवाणी करने में मदद मिलती है,” वह कहती हैं। “क्या यह दृष्टिकोण पूरी तरह से नई समझ को प्रेरित कर सकता है कि जलवायु क्या है, हमारे बिना वैज्ञानिकों के रूप में सिर्फ एक साधारण स्पष्टीकरण के लिए हमारी प्राथमिकता लगाने की कोशिश कर रहे हैं?”
डबोवा को उम्मीद है कि पेपर नए शोध को किकस्टार्ट कर देगा जब वैज्ञानिक मॉडलर्स को पार्सिमोनी या जटिलता का चयन करना चाहिए।
