بحران تکرارپذیری در پژوهش‌های دانشگاهی و ظهور جنبش علم باز

بنیان روش علمی بر این فرض استوار است که یک آزمایش اگر در شرایطی کاملاً یکسان تکرار شود، دقیقاً به همان نتیجه پیشین می‌رسد. با این حال، زمانی که آزمایشگاه‌های مستقل بازآزمایی روشمند مطالعات برجسته در حوزه‌های پزشکی، روان‌شناسی و اقتصاد را آغاز کردند، با واقعیتی شوکه‌کننده مواجه شدند: شمار چشمگیری از یافته‌های زیربنایی در بررسی‌های دقیق‌تر عملاً محو شدند.[3][8]

این ناکامی گسترده در تایید مجدد مقالات پیشین، در سطح جهانی «بحران تکرارپذیری» نام گرفت. این چالش، نهادهای آکادمیک، آژانس‌های تامین مالی دولتی و ناشران سنتی را ناچار ساخت به این حقیقت تلخ اذعان کنند که سازوکار پژوهش‌های معاصر اغلب به جای متدولوژی دقیق و موثق، برای کشفیات جذاب و شگفت‌انگیز پاداش قائل می‌شود.[4][5]

در واکنش به این وضعیت، جنبش قدرتمند «علم باز» برای برچیدن ساختار سنتی نشر دانشگاهی پا به میدان گذاشت. این ائتلاف گسترده با اجباری کردن اشتراک‌گذاری عمومی داده‌ها و انتقال داوری همتا به ابتدایی‌ترین مرحله پژوهش، هدف خود را بازتعریف بنیادین شیوه تولید، اعتبارسنجی و توزیع دانش بشری قرار داده است.[6][10][14]

هدف نهایی این جنبش صرفاً تصحیح اشتباهات گذشته نیست، بلکه ایجاد زیرساختی نوین است که در آن شفافیت یک الزام پایه باشد، نه یک انتخاب تشریفاتی. از سیاست‌های اعطای گرنت‌های دولتی گرفته تا آزمایشگاه‌های بین‌المللی فیزیک، سازوکار اکتشاف علمی هم‌اکنون تحت یک بازطراحی ساختاری عمیق قرار دارد.[11]

ریشه‌های شکل‌گیری بحران

نخستین هشدارهای ساختاری درباره شکنندگی داده‌های دانشگاهی در سال ۲۰۰۵ صادر شد؛ زمانی که جان یوآنیدیس، متاپژوهشگر دانشگاه استنفورد، اثبات ریاضی تحول‌آفرینی منتشر کرد و نشان داد با توجه به استانداردهای آماری رایج و فشار شدید برای انتشار مقاله، احتمالاً بخش عمده ادعاهای پژوهشی نادرست هستند.[1]

یوآنیدیس استدلال کرد که حجم نمونه کوچک، انعطاف افراطی در طراحی تحلیل‌ها و تضاد منافع مالی، کارنامه چاپ مقالات را به شدت منحرف کرده است. از آنجا که ژورنال‌های با ضریب تاثیر بالا به‌ندرت نتایج منفی را منتشر می‌کردند، متون علمی پر از خطاهای آماری تصادفی شد که نقاب کشفیات دوران‌ساز را به چهره زده بودند.[1]

این هشدار نظری در سال ۲۰۱۵ به یک واقعیت مستند تبدیل شد؛ زمانی که یک پروژه همکاری جمعی عظیم تلاش کرد ۱۰۰ مقاله منتشرشده در سه نشریه معتبر روان‌شناسی را بازتولید کند. نتایج حاصل شوک بزرگی به ارکان محافل دانشگاهی وارد کرد و اعتبار علوم رفتاری را به چالش کشید.[8]

از میان ۱۰۰ مطالعه اصلی، ۹۷ مورد نتایج معنادار آماری گزارش کرده بودند. اما وقتی ۲۷۰ پژوهشگر مستقل آزمایش‌ها را با دقت بازسازی کردند، تنها ۳۹ درصد از آن اثرات با موفقیت تکرار شدند و شدت اثر گزارش‌شده در آزمایش‌های جدید به‌طور معمول نصف ادعاهای اولیه بود.[8]

تصویر تولیدشده با هوش مصنوعی

دامنه بحران فراتر از روان‌شناسی رفت. در سال ۲۰۱۶، یک نظرسنجی جامع نشریه نیچر از ۱۵۰۰ دانشمند در رشته‌های مختلف نشان داد که ۷۰ درصد پژوهشگران در بازتولید آزمایش‌های همکاران خود ناکام مانده‌اند. نگران‌کننده‌تر اینکه بیش از نیمی از آن‌ها موفق به تکرار یافته‌های قبلی خود نشدند.[3]

آکادمی‌های ملی علوم، مهندسی و پزشکی آمریکا در نهایت گزارشی تفصیلی منتشر کردند که دو مفهوم را از یکدیگر متمایز ساخت: بازتولیدپذیری (Reproducibility) که به معنای دستیابی به همان نتیجه با استفاده از کدها و داده‌های نویسنده اصلی است، و تکرارپذیری (Replicability) که به معنای رسیدن به همان نتایج با گردآوری داده‌های کاملاً جدید در شرایط یکسان است.[5]

هر دو شاخص در سراسر شاخه‌های علمی با روندی هشداردهنده افت کرده بودند. جامعه علمی دریافت که علت بحران، موارد معدود تقلب یا داده‌سازی نیست، بلکه فرهنگی نهادینه‌شده است که به جای داده‌های دقیق و پرزحمت، به داستان‌سرایی شسته‌رفته و جذاب پاداش می‌دهد.[3][5]

سازوکار سوگیری در انتشار

ریشه اصلی بحران تکرارپذیری در فشار شدیدی نهفته است که دانشگاه‌ها برای جذب بودجه و ارتقای شغلی بر پژوهشگران وارد می‌کنند؛ فرهنگی موسوم به «یا چاپ کن یا محو شو». پیشرفت شغلی وابسته به چاپ مقاله در ژورنال‌های رده‌بالاست و این نشریات همواره خواستار نتایج بدیع، شگفت‌آور و دارای معناداری آماری هستند.[9]

این سازوکار موجب سوگیری شدید در انتشار می‌شود که به پدیده «مشکل کشوی پرونده‌ها» (File Drawer Problem) معروف است. زمانی که پژوهشی به نتیجه منفی می‌رسد—برای مثال مشخص می‌شود دارویی جدید موثر نیست یا یک مداخله روان‌شناختی اثری ندارد—به‌ندرت چاپ می‌شود و باعث می‌گردد ادبیات علمی ناقص باقی بماند.[1][10]

برای عبور از مرز قراردادی معناداری آماری، پژوهشگران دست به اقدامات پژوهشی سوال‌برانگیز می‌زنند؛ رفتاری که گاه کاملاً ناخودآگاه رخ می‌دهد. رایج‌ترین ترفند، پی‌هک یا دستکاری ارزش پی (p-hacking) است؛ جایی که تحلیل‌ها آن‌قدر دستکاری، متغیرها تعویض و داده‌های پرت حذف می‌شوند تا یک الگوی آماری معنادار پدیدار شود.[9]

تصویر تولیدشده با هوش مصنوعی

روش شایع دیگر، فرضیه‌سازی پس از مشخص شدن نتایج یا HARK نام دارد. پژوهشگران به جای بررسی یک فرضیه مدون اولیه، داده‌ها را شخم می‌زنند، یک همبستگی تصادفی پیدا می‌کنند و مقاله را طوری می‌نویسند که انگار از ابتدا به دنبال اثبات همان نتیجه بوده‌اند.[9]

این دستکاری‌ها متون علمی را از مسیر خارج می‌کنند، چرا که داده‌کاوی اکتشافی را به جای آزمون فرضیه دقیق جا می‌زنند. وقتی پژوهشگران بعدی می‌کوشند بر اساس این نتایج سست آزمایش‌های جدید طراحی کنند، کارشان شکست می‌خورد و میلیون‌ها دلار گرنت و سال‌ها کار آزمایشگاهی هدر می‌رود.[1][9]

پیامدهای این وضعیت در پژوهش‌های زیست‌پزشکی بسیار وخیم‌تر است؛ جایی که مثبت‌های کاذب می‌توانند فرآیند حیاتی توسعه دارو را متوقف کنند. پروژه‌ای که با هدف بررسی تکرارپذیری زیست‌شناسی پیش‌بالینی سرطان کلید خورد، ابتدا قصد داشت ۱۹۳ آزمایش از ۵۰ مقاله برجسته را بازتولید کند، اما در گام نخست برای درک نحوه اجرای آزمایش‌های اولیه با موانع عظیمی روبه‌رو شد.[7]

پروژه سرطان در نهایت ناچار شد ابعاد کار خود را به تنها ۵۰ آزمایش در ۱۸ مقاله محدود کند، زیرا مقالات اصلی فاقد جزییات فنی و متدولوژی کافی بودند. خودداری از اشتراک پروتکل‌ها، واکنش‌گرها و داده‌های خام، راستی‌آزمایی مستقل پژوهش‌های نجات‌بخش پزشکی را عملاً ناممکن کرده بود.[7]

البته همه معتقد نیستند که این شرایط یک بحران مرگبار است. گروهی از پژوهشگران استدلال می‌کنند که علم ذاتاً خطای خود را اصلاح می‌کند و حدی از شکست، بهای اجتناب‌ناپذیر پیشبرد مرزهای دانش در رشته‌های پیچیده و غیرقابل پیش‌بینی است.[4]

از این دیدگاه، وجود گاه‌به‌گاه یافته‌های تکرارناپذیر بخشی طبیعی از علم است، مشروط بر اینکه مطالعات بعدی آن را اصلاح کنند. اما مصلحان علم باز پاسخ می‌دهند که سیستم فعلی بیش از حد کند خود را اصلاح می‌کند و باعث می‌شود پارادایم‌های غلط دهه‌ها بر رشته‌ها مسلط بمانند.[4][9]

راهکار گزارش‌های ثبت‌شده

برای قطع پیوند میان نتیجه یک پژوهش و شانس انتشار آن، مرکز علم باز قالبی کاملاً نوآورانه موسوم به «گزارش‌های ثبت‌شده» (Registered Reports) را مطرح کرد. این شیوه روند داوری را دگرگون می‌کند تا دقت روش‌شناختی بر نتایج هیجان‌انگیز ارجح باشد.[10]

در فرمت گزارش‌های ثبت‌شده، پژوهشگران فرضیه، طرح آزمایش و برنامه تحلیل آماری خود را پیش از جمع‌آوری حتی یک داده به نشریه ارسال می‌کنند. داوران همتا به جای قضاوت درباره نتیجه نهایی، به سنجش اهمیت سوال و استحکام روش‌شناسی پیشنهادی می‌پردازند.[10]

اگر متدولوژی مطالعه استاندارد باشد، ژورنال به آن «پذیرش اصولی» اعطا می‌کند. این تعهد تضمین می‌کند که مقاله فارغ از اینکه نتایج نهایی فرضیه را تایید یا رد کنند، چاپ خواهد شد؛ به این شرط که تیم دقیقاً بر اساس پروتکل داوری‌شده پیش برود.[10]

تضمین چاپ پیش از روشن شدن نتایج، انگیزه دستکاری آماری یا فرضیه‌سازی کاذب را کاملاً از میان می‌برد. کریس چمبرز، استاد دانشگاه کاردیف، می‌گوید: «از آنجا که مقاله از قبل پذیرفته شده، انگیزه نویسندگان از ارائه‌ی یک روایت بی‌نقص، به ارائه‌ی دقیق‌ترین واقعیت ممکن تغییر می‌کند.»[10]

تصویر تولیدشده با هوش مصنوعی

این قالب همچنین پژوهشگران را ناگزیر می‌کند مرز میان آزمون فرضیه تاییدکننده و تحلیل اکتشافی را شفاف سازند. دانشمندان همچنان در گزارش کشفیات غیرمنتظره آزادند، اما این موارد باید به‌صراحت اکتشافی نام‌گذاری شوند تا به عنوان فرضیه از پیش برنامه‌ریزی‌شده قالب نشوند.[10]

پذیرش مدل گزارش‌های ثبت‌شده از سال ۲۰۱۳ تاکنون رشد چشمگیری داشته است. در حال حاضر بیش از ۳۰۰ ژورنال علمی این فرمت را به عنوان روش عادی ارسال یا در شماره‌های ویژه ارائه می‌دهند که نشان‌دهنده یک دگرگونی فرهنگی اساسی در مدیریت متون علمی است.[10]

ارزیابی‌های اولیه نشان می‌دهد این مدل در رفع سوگیری انتشار بسیار کارآمد است. مقالاتی که در این قالب چاپ می‌شوند، یافته‌های منفی را با نرخی بسیار بالاتر از مقالات سنتی منعکس می‌کنند و باعث می‌شوند کارنامه علمی واقعیت را بازتاب دهد نه گزیده‌ای دست‌چین‌شده.[10]

الزامات نهادی و اشتراک داده‌ها

در حالی که قالب‌های جدید نشر به نحوه گزارش‌دهی نتایج سامان می‌دهند، آژانس‌های تامین مالی قواعد سفت‌وسختی را برای مدیریت داده‌های خام وضع کرده‌اند. موسسه ملی سلامت آمریکا (NIH) که سالانه نزدیک به ۴۸ میلیارد دلار در پژوهش‌های پزشکی سرمایه‌گذاری می‌کند، سیاست فراگیر مدیریت و اشتراک‌گذاری داده‌ها را از ۲۵ ژانویه ۲۰۲۳ اجرایی کرد.[11]

سیاست جدید این موسسه تمامی متقاضیان گرنت را که داده تولید می‌کنند ملزم می‌سازد برنامه‌ای دقیق و دارای بودجه مشخص برای نگهداری و همرسانی داده‌ها ارائه دهند. این الزام کل دوره تامین مالی را پوشش می‌دهد و بدون توجه به اینکه مطالعه چاپ رسمی شود یا خیر، اعمال می‌گردد.[11]

با گره زدن اشتراک داده‌ها به بودجه دولتی، این موسسه دانشگاه‌ها را مجبور می‌کند زیرساخت‌های لازم برای آرشیو بلندمدت داده‌ها را بسازند. پژوهشگران باید به مجموعه داده‌های خام خود به عنوان سرمایه عمومی نگاه کنند، نه رازی آزمایشگاهی که باید انبار شود.[11]

الزامات مشابهی در نهادهای پژوهشی تراز اول دنیا در حال استقرار است. در اواخر سال ۲۰۲۲، سازمان اروپایی پژوهش‌های هسته‌ای (CERN) سیاست جامع علم باز خود را تصویب کرد که دسترسی آزاد فوری به کلیه مقالات، داده‌ها، نرم‌افزارها و سخت‌افزارهای تولیدی این مرکز را اجباری می‌کند.

تصویر تولیدشده با هوش مصنوعی

سیاست این سازمان اروپایی صراحتاً دسترسی همگانی به دانش را بر منافع تجاری انحصاری ترجیح می‌دهد. این نهاد با خودداری از ثبت اختراع کشفیات پایه‌ای و الزام به سخت‌افزارهای متن‌باز، قصد دارد بهره‌مندی جامعه جهانی از پژوهش‌های عمومی را به حداکثر برساند.

این دست سیاست‌ها با توصیه‌نامه علم باز یونسکو که در سال ۲۰۲۱ تصویب شد هم‌راستاست. این چارچوب بین‌المللی خطوط راهنمای جامعی برای کشورهای عضو فراهم می‌آورد تا بستر قانونی لازم را برای شفاف و دردسترس ساختن فرامرزی دانش تدوین کنند.[6]

چارچوب یونسکو تاکید می‌کند که علم باز فقط معاف شدن از هزینه دانلود مقالات نیست، بلکه باز کردن تمام چرخه پژوهش است؛ امری که نیازمند تعامل با ذی‌نفعان اجتماعی و توسعه زیرساخت‌های دیجیتال مشترک برای همکاری در سطح جهان است.[6]

ظهور حوزه متاپژوهش

تلاش برای اصلاح رویه‌های دانشگاهی، رشته‌ای کاملاً نوپا به نام «متاپژوهش» (Meta-research) یا مطالعه علمی خودِ فرآیند علم را پدید آورده است. این حوزه با روش‌های تجربی دقیق ارزیابی می‌کند که پژوهش‌ها چگونه انجام، گزارش و ارزش‌گذاری می‌شوند.[12]

در آوریل ۲۰۱۴، دانشگاه استنفورد مرکز نوآوری متاپژوهش (METRICS) را با یک گرنت بنیان‌گذار تاسیس کرد تا مطالعات راهکارمحور را تقویت کند. این مرکز ۲۸ پژوهشگر و سیاست‌گذار را گرد هم آورده تا نقص‌های ساختاری در شواهد زیست‌پزشکی را شناسایی و مداخلات مبتنی بر شواهد ارائه کنند.[12]

در آن سوی اقیانوس اطلس، شبکه تکرارپذیری بریتانیا (UKRN) به عنوان یک کنسرسیوم ملی همتاپایه برای ترویج فرهنگ دقت و شفافیت فعالیت می‌کند. این شبکه با حمایت مالی ۴.۵ میلیون پوندی آژانس تحقیقات انگلستان در سال ۲۰۲۱، برنامه‌های آموزشی و اصلاحات سازمانی را در دانشگاه‌های بریتانیا پیش می‌برد.[13]

مدل این شبکه بریتانیایی به ترویجگری بدنه پژوهشگران در کنار تعهدات راهبردی دانشگاه‌ها متکی است. کنسرسیوم با ایجاد هسته‌های بومی از محققان حامی علم باز، اطمینان می‌یابد که اصلاحات توسط خود پژوهشگران میدانی هدایت می‌شود نه صرفاً به صورت دستوری از بالا.[13]

جامعه علمی برای یکپارچه‌سازی این اقدامات، راهنمای ارتقای شفافیت و گشودگی (TOP) را تدوین کرد. این چارچوب که در نشریه ساینس منتشر شده و بیش از ۵۰۰۰ حامی رسمی دارد، ساختاری ۸ سطحی پیش روی مجلات و حامیان مالی می‌گذارد تا الزامات دسترسی به داده، کد و روش را تدریجاً ارتقا دهند.[2]

تصویر تولیدشده با هوش مصنوعی

راهنمای TOP نقشه راهی کاربردی برای دگرگونی زیست دانشگاهی است. این چارچوب با تعریف معیارهای روشن برای استناد، همرسانی داده‌ها و پیش‌ثبت پژوهش‌ها، به مراکز علمی کمک می‌کند رویه‌های کهنه را بدون اختلال در تولید دانش جدید کنار بگذارند.[2]

گذار به زیست‌بوم علم کاملاً باز چالش لجستیکی بزرگی است؛ محققان باید ابزارهای نرم‌افزاری جدید بیاموزند، دانشگاه‌ها مخازن دیجیتال سنگین برپا کنند و کمیته‌های ارتقای هیات علمی ملاک‌های ارزش‌گذاری مقالات را بازتعریف نمایند.[2][11]

با وجود این موانع، شتاب جنبش علم باز برگشت‌ناپذیر به نظر می‌رسد. بحران تکرارپذیری آسیب‌پذیری ساختار بسته و رقابت کورکورانه پیشین را برملا ساخت و ثابت کرد شفافیت نه یک ژست اخلاقی، بلکه ضرورتی برای اکتشافات متقن است.[5][9]

موفقیت پایدار این اصلاحات در نهایت با دوام کشفیات نسل بعدی سنجیده خواهد شد. با فراگیر شدن اشتراک داده‌ها و فرمت گزارش‌های ثبت‌شده، مقالات علمی ممکن است فرآیند کندتر و پیچیده‌تری طی کنند، اما به‌مراتب معتبرتر خواهند بود.[10][11]

روش علمی در حال تجربه عمیق‌ترین ارتقای کارکردی خود طی یک قرن اخیر است. جامعه آکادمیک با همسو کردن منافع فردی محققان با حقیقت‌جویی جمعی، در حال ترمیم اعتماد عمومی به شواهد تجربی است.[9][12][14]

دوران پذیرش چشم‌بسته ادعاهای علمی به پایان رسیده و جای خود را به نظارت موشکافانه داده‌ها داده است. میراث حقیقی بحران تکرارپذیری، زیرساخت شفاف و پایداری است که جامعه علمی ناگزیر به ساختنش شد.[5][10]