從推論到預測：機器學習如何重構科學研究範式
arXiv - Computers and SocietyMalena Mendez Isla, Vincent Lariviere, Diego Kozlowski
本文分析大規模文獻發現機器學習正將科學研究從強調解釋性的「推論」轉向強調精準度的「預測」。
AI 幫你先抓重點
AI 重點 1
科學研究正經歷從「理解因果」到「追求預測準確度」的範式轉移。
滑鼠懸停看 AI 判斷理由
這對於研究者至關重要，因為傳統科學強調解釋機制（Why），但當前趨勢正向黑箱化的預測（What）傾斜，這將挑戰科學知識的透明度與可驗證性。
AI 重點 2
商業化大型模型的使用正在增加科學研究的「認識論不透明性」。
滑鼠懸停看 AI 判斷理由
隨著研究者依賴封閉的商業 AI 模型，科學發現的過程變得難以追蹤與重現，這可能導致科學知識的生產權力向技術巨頭集中，而非完全開放於學術界。
核心研究發現
- 1
研究分析了 490 萬篇論文與 255 種機器學習技術，發現物理科學構成方法論核心，而健康科學則是技術採用的主要領域。
- 2
預測型技術集中於計算機科學，而推論型技術則廣泛分佈於各類應用科學領域中。
- 3
預測架構正取代傳統強調解釋性的技術，這過程分為兩波：第一波是深度學習帶來的黑箱化，第二波則是商業模型帶來的數據與過程不透明性。
- 4
科學研究的知識生產模式正在改變，分析能力雖有所擴張，但知識的生成與評估方式也隨之重塑。
對教育工作者的啟發
對於教育工作者與課程設計者，此研究提醒我們在 AI 時代需重新定義「科學素養」。首先，在科學教育中應強化「批判性評估 AI 預測結果」的能力，而不僅是學習如何使用工具；其次，課程設計應平衡「預測技術的操作」與「底層邏輯的推論解釋」，避免學生過度依賴黑箱模型而喪失理解科學原理的能力；最後，應引導學生關注 AI 模型的透明度與倫理問題，培養在數據驅動時代下的科學誠信與批判思考。
原始文獻資訊
- 英文標題：
- From inference to prediction: how machine learning is reconfiguring science
- 作者：
- Malena Mendez Isla, Vincent Lariviere, Diego Kozlowski
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。