Science | COVID-19大流行期间,研究重点应放在高质量研究

简介: Science | COVID-19大流行期间,研究重点应放在高质量研究

2020年5月1日,《科学》杂志刊登了一篇文章"Against pandemic research exceptionalism"。科学家在新的评论中指出,不应仅因为COVID-19大流行就对高质量研究进行例外研究。

image.png

科学家在评论文章中指出,全球危机不是降低研究科学标准的借口。

鉴于COVID-19大流行,美国卡内基梅隆大学的亚历克斯·伦敦和加拿大麦吉尔大学的乔纳森·金梅尔曼表示,危机局势的紧迫性要求研究人员、医学专业人员、卫生当局和其他利益相关者对低质量的研究工作进行分类。。


随着全球冠状病毒大流行的发展,全世界的科学家正在进行研究,以前所未有的速度解决危机。然而,根据伦敦和金梅尔曼的说法,这些努力受到普遍认识的威胁,即公共卫生紧急状况要求例外的通常是高标准的研究,以使科学在如此艰难的时期变得可行。结果导致低质量研究的增加–许多研究在预出版服务器上发表,并且缺乏同行评审。作者认为,其中一些研究引起了公众的关注,以及决策者的资源。


然而,面对紧急情况,不能忽略采用严格的科学方法来识别的问题。归根结底,设计不当研究的泛滥扩大了将稀缺资源转移到错误线索和无效实践的风险,同时增加了如何最好地治疗患者或制定公共卫生干预措施的不确定性。

image.png

总体而言,London和Kimmelman提出了五个质量标准:重要性、严谨性、分析完整性、透明度和可行性。他们认为,研究和公共卫生利益相关者有责任评估和分类不符合这些条件的研究,并结合努力、劳动力和资源来快速有效地完成高质量的研究,这些研究具有最大的潜力,可以促进公共卫生。


目录
相关文章
|
2月前
|
人工智能
AI科学家太多,谁靠谱一试便知!普林斯顿新基准CORE-Bench:最强模型仅有21%准确率
【10月更文挑战第21天】普林斯顿大学研究人员提出了CORE-Bench,一个基于计算可重复性的AI代理基准,涵盖计算机科学、社会科学和医学领域的270个任务。该基准旨在评估AI代理在科学研究中的准确性,具有多样性、难度级别和现实相关性等特点,有助于推动AI代理的发展并提高计算可重复性。
63 4
|
5月前
|
机器学习/深度学习 人工智能 数据可视化
斯坦福博士图解AlphaFold 3:超多细节+可视化还原ML工程师眼中的AF3
【8月更文挑战第8天】AlphaFold 3作为AI领域的重大突破,革新了蛋白质结构预测。斯坦福博士通过图解详析了其内部机制,展示了多尺度建模与图神经网络技术如何提升预测精度。尽管存在数据依赖性和计算成本等挑战,AlphaFold 3仍极大地加速了生物学研究与药物开发进程。论文详情参见:https://www.nature.com/articles/s41586-024-07487-w
159 4
|
8月前
|
机器学习/深度学习 数据可视化 算法
PACNet & CellNet(代码开源)|bulk数据作细胞分类,评估细胞命运性能的一大利器
PACNet和CellNet都是强大的工具,分别用于研究细胞命运工程和细胞类型保真度,它们在细胞类型分类和网络分析方面有所不同,可以根据研究需求选择合适的工具。
154 1
|
8月前
|
存储 数据挖掘
R语言用WinBUGS 软件对学术能力测验(SAT)建立分层模型
R语言用WinBUGS 软件对学术能力测验(SAT)建立分层模型
|
Python
Data Science | 时期时间傻傻分不清楚
Data Science | 时期时间傻傻分不清楚
|
8月前
|
机器学习/深度学习 分布式计算 大数据
【云计算与大数据技术】Spark实战项目之判别西瓜好坏(附源码和数据集)
【云计算与大数据技术】Spark实战项目之判别西瓜好坏(附源码和数据集)
126 0
|
机器学习/深度学习 编解码 机器人
伯克利,斯坦福,宾大联合发表:从观察和交互中学习预测模型
伯克利,斯坦福,宾大联合发表:从观察和交互中学习预测模型
|
机器学习/深度学习
机器学习界的「五三」:这位学者整理了一份200页的练习册,关于无监督方法、推理和学习
机器学习界的「五三」:这位学者整理了一份200页的练习册,关于无监督方法、推理和学习
|
自然语言处理 算法 数据挖掘
ACL2022 | 清华大学、DeepMind等指出现有小样本学习方法并不稳定有效,提出评价框架
ACL2022 | 清华大学、DeepMind等指出现有小样本学习方法并不稳定有效,提出评价框架
177 0
|
机器学习/深度学习 人工智能 算法
ML如何做科学发现?牛津大学268页博士论文详述科学机器学习内涵
ML如何做科学发现?牛津大学268页博士论文详述科学机器学习内涵