GCRI · Labs
KI in wissenschaftlichen Arbeitsabläufen
Machine learning now enters science at every step: screening literature, designing experiments, analysing images and sequences, emulating simulations and drafting text. Each use can speed discovery and each can introduce errors that look like findings. This page sets out how models are evaluated for scientific use, where leakage, benchmark overfitting and silent drift arise, and what evidence editors, funders and regulators need before they rely on a model-assisted result.
Wie die Arbeit abläuft.
Testbed operations
AI in scientific workflows · Field lab coast · Campaign 5
Sensor deployment
illustrative Küstenlinie
Sensors
| S-01 tide | 94 | 0.0 | Nominal |
| S-04 salinity | 76 | 0.4 | Recalibrate |
| S-07 wave | 95 | 0.1 | Nominal |
Sensor vs reference
Abb.Testbed operations: example names and illustrative values, not a record or a live system.
AI in scientific workflows: how the risk develops.
Model evaluation and scientific assistance. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Leakage inflates performance
When information from the test set reaches training, through duplicates, shared patients, neighbouring sites or preprocessing fitted on all the data, a model appears more accurate than it is. Leakage has been documented in many fields that adopted machine learning.
Benchmarks get overfitted
Repeated tuning against the same public benchmark selects models that fit its quirks. Gains on a leaderboard can vanish on new data, and contamination of training corpora with benchmark items makes scores hard to interpret.
Drift and distribution shift
Instruments, protocols, populations and software change. A model validated on last year’s data or another lab’s scanner can degrade without any visible error. Monitoring after deployment is part of the evaluation, not an extra.
Generated text and fabricated sources
Language models can produce fluent text, citations and code that are wrong. Unchecked, these errors enter manuscripts, peer reviews and proposals, and spread through citation. Disclosure and verification policies exist because such errors are hard to see.
How AI in scientific workflows is modelled, measured and tested.
Das Modell, seine Annahmen, seine Daten und seine Unsicherheit in der Form, in der eine Wissenschaftlerin oder ein Ingenieur sie prüfen würde. Die Strukturen folgen veröffentlichten Methoden. Die dargestellten Werte sind illustrativ, keine Befunde.
Modell, Gleichungen und Annahmen
The model structure used for AI in scientific workflows, the assumptions it makes and how each is tested.
Ri = f(Hi, Ei, Vi, Ci)Gefahr, Exposition, Verwundbarkeit und BewältigungskapazitätEAL = ∑k pk · Lküber Ereignisse k mit jährlicher Wahrscheinlichkeit pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| Annahme | Warum es entsteht | Wie es geprüft wird |
|---|---|---|
| Gefahr und Exposition sind innerhalb eines Ereignisses unabhängig | Hält das Schadensintegral berechenbar | Mit einer Copula-Anpassung an gemeinsamen Aufzeichnungen vergleichen |
| Kopplungen sind nahe dem Arbeitspunkt linear | Lässt Schocks sich über A ausbreiten | Über den linearen Bereich hinaus stören und vergleichen |
| Vulnerabilitätskurven lassen sich zwischen Orten übertragen | Lokale Kurven sind selten verfügbar | Anhand beobachteter Schäden validieren, wo es sie gibt |
- Eingaben
- versionierte Datensätze mit Herkunftsnachweis
- Ergebnisse
- Verteilungen, nie einzelne Zahlen
- Code
- mit Modellkarte und Tests veröffentlicht
- Reproduktion
- gleiche Daten, Code, Umgebung und Seed
AI in scientific workflows changes each domain’s methods.
- WasserIn der PraxisML rainfall-runoff models in research.What a reader can checkOut-of-sample tests
- GesundheitIn der PraxisAI-assisted analysis of surveillance data.What a reader can checkValidation and bias
- BiodiversitätIn der PraxisAutomated species identification.What a reader can checkError by region
Findings feed the Reihe Methods and Technical. AI use follows NIST’s AI RMF and is disclosed; models carry NS-12 cards under the proposed Nexus Standards.
- Workflow evaluations.
- Disclosed AI use cases.
Was gemessen wird und wie gut.
Jeder Indikator trägt seine Einheit, seinen Rhythmus, die Art der zugrunde liegenden Quelle und die Evidenzkennzeichnung, die ein Wert tragen würde. Es werden keine Werte gezeigt: Ein Programm liefert sie unter seiner eigenen Autorität.
| Indikator | Einheit | Takt | Quellentyp | Kennzeichnung |
|---|---|---|---|---|
| Held-out evaluation design stated | percent of model-based studies | jährlich | Audit against the REFORMS checklist | BEOBACHTET |
| Code and model weights available | percent of studies with runnable code and weights | jährlich | Repository and article audit | BEOBACHTET |
| External validation | percent of models tested on data from another site or period | jährlich | Literature review | GESCHÄTZT |
| Kalibrierungsfehler | expected calibration error, dimensionless | per model | Held-out evaluation | BEOBACHTET |
| Performance gap under shift | difference in the primary metric between internal and external test sets | per model | Validation reports | BEOBACHTET |
| AI use disclosure | percent of submissions with a disclosure statement | jährlich | Journal submission records | DEKLARIERT |
| Contamination checks reported | percent of benchmark evaluation reports | jährlich | Evaluation reports | BERICHTET |
Woher die Evidenz stammt.
Benannte öffentliche Datensätze und institutionelle Aufzeichnungen, jeweils mit ihrer Lizenzklasse. Quellen auf Vereinbarungsbasis werden nur zu ihren Bedingungen genutzt und niemals weiterveröffentlicht.
| Quelle | Was es liefert | Lizenzklasse |
|---|---|---|
| OpenML | Datasets, tasks and evaluation runs with standardised splits | Open, CC BY |
| Hugging Face Hub model and dataset cards | Documented models and datasets with stated training data and limitations | Licence per model or dataset |
| MLCommons benchmarks | Shared benchmarks and measurement rules for model performance | Open, Apache 2.0 |
| AI Incident Database (Responsible AI Collaborative) | Reported failures and harms of deployed AI Systeme | Offen, Namensnennung |
| Software Heritage | Archived source code with persistent intrinsic identifiers | Open archive, licence per repository |
| arXiv metadata | Preprints across physics, computing and quantitative biology | Metadata CC0; licence per paper |
| Zenodo (CERN) | Citable deposits of code, models, data and evaluation outputs | Open, licence per record |
Wer entscheidet und wozu die Evidenz dient.
Labore prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| Wer entscheidet | Die Frage | Evidenz, der diese Seite dient |
|---|---|---|
| Journal editors and reviewers | Whether a model-based claim rests on an evaluation that excludes leakage and tests generalisation | REFORMS or TRIPOD+AI checklist, split design, external validation, code availability |
| Forschungsförderer | Whether applicants and reviewers may use generative AI, and on what disclosure terms | Funder policy, disclosure records, documented verification of generated content |
| Medicines and device regulators | Whether an AI component in a medical product is validated for its intended use | Prespecified evaluation, external validation, predetermined change control plan |
| Research integrity offices | Whether an allegation involving fabricated or generated content is substantiated | Provenance of text, data and code; version history; tool logs |
Ergebnisse, die dieses Thema hervorbringt
- Evaluation protocols that fix splits, metrics and baselines before training
- Model cards and datasheets with intended use, limits and known failure modes
- Leakage and contamination audits of model-assisted studies
- Reproducible pipelines with code, weights, environment and data versions archived
What experts ask about AI in research.
- What task is the model doing, and what is it compared against?
- Was the model evaluated on data independent of the data it was trained or tuned on?
- How does performance change when conditions shift away from the training data?
- Can the output be checked by a person or a simpler method, and is it?
- Which steps of the workflow were assisted, and is that disclosed in the result?
Where AI helps and where it misleads.
Machine learning models learn statistical regularities from data. They can be very effective where those regularities are stable and data are plentiful, for example classifying land cover from satellite imagery or emulating a climate model to explore many scenarios. They are weaker where data are sparse, where the system changes over time or where rare events matter most, which describes much of risk science.
Common failure modes are well understood: leakage, where information from the test set reaches training; Verteilungsverschiebung, where conditions in use differ from those in training; shortcut learning, where a model relies on a spurious cue; and overconfident outputs without calibrated uncertainty. Generative models add the risk of fluent but fabricated content, including citations and code that looks correct but is not.
Workflow effects matter as much as model accuracy. When a tool is used at several stages, small errors can accumulate, and reviewers may give automated outputs more trust than they deserve.
How AI tools are evaluated.
- 01
Held-out and out-of-distribution tests
Evaluation on data separated by time, place or source. This is the minimum for any claim of generalisation.
- 02
Baselines
Comparison with simple statistical methods and expert judgement. A complex model that does not beat a simple baseline is not adding value.
- 03
Calibration and uncertainty
Checks that stated confidence matches observed accuracy, using Unsicherheitsquantifizierung.
- 04
Provenance and disclosure
A record of which model, version and prompts or settings were used at each step, so the workflow can be re-run or audited.
Benchmark scores rarely transfer directly to a new research setting, and a model’s behaviour can change between versions. Evaluation is repeated when either the task or the model changes.
Wie es untersucht wird und was die Methoden nicht sagen können.
- 01Künstliche Intelligenz und maschinelles LernenUnterstütztes Screening für systematische Reviews · Surrogatmodelle zur Steuerung von ExperimentenHier angewandt
- 02Unsicherheitsquantifizierung und ModellvalidierungBudgets der Messunsicherheit · Sensitivitätsanalyse von SimulationsmodellenHier angewandt
- 03Wahrscheinlichkeit und StatistikPlanung von Stichprobengröße und Teststärke · Metaanalyse mit Bewertung von VerzerrungenHier angewandt
- 04Kausale Inferenz und WirkungsevaluationRandomisierte Pilotprojekte und gestufte Einführungen · Quasi-experimentelle ProgrammevaluierungHier angewandt
- 05SystemtechnikRückverfolgbarkeit von Anforderungen zur Verifikation · Bereitschaftsprüfungen an Stage-GatesHier angewandt
Where this page’s references lead.
Die Gremien und Dokumente, vor deren Hintergrund diese Seite gelesen wird. Status und Ausgaben ändern sich; jeder Link führt zur herausgebenden Stelle.
Fragen und Antworten.
What is data leakage?
Is a high benchmark score enough to publish a method?
Can a generative AI tool be listed as an author?
Why publish model weights and code?
Does Labs use generative AI to write findings?
Can Labs evaluate a commercial AI model?
Why compare with simple baselines?
Evidenz von dieser Seite aus beitragen.
Berichte is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
- E-MailZugang GW-GCRIVon dieser Seite aus sendenEvidenz, eine Korrektur, ein Fall, eine Methode, eine Prüfung, eine Übersetzung oder ein Beitrag zu einem Profil. Sie kommt mit dieser Seite gekennzeichnet an, sodass die zuständige Redaktion sie erhält.
- ZenodoOffene HinterlegungHinterlegen und bei der Community einreichenVeröffentlichen Sie Ihren eigenen Eintrag auf Zenodo mit Ihrer ORCID iD und reichen Sie ihn dort bei der Reports-Community ein. Kuratorinnen und Kuratoren prüfen ihn; der DOI bleibt bei Ihnen.
- BerichteGCRIAlle Wege zum Beitragen ansehenDie Beitragsarten, wie jede geprüft wird, welche Nennung Sie erhalten, die Lizenz und was nie angenommen wird.
Senden Sie nie personenbezogene Daten, sensible Infrastrukturdetails oder etwas, das Sie nicht weitergeben dürfen. Ein Beitrag wird vor der Nutzung geprüft; das Einsenden begründet weder Urheberschaft noch redaktionelle Rechte, und Sponsoring erkauft nie ein Ergebnis.
Bringen Sie eine Methode, einen Datensatz oder eine Frage mit.
Information und Anfragen sind heute offen. Eine Anfrage erhält ein Aktenzeichen und nennt den nächsten Schritt; Bewerbungen, Zahlungen, Rechenzuteilungen und Registrierungen öffnen erst, wenn Team, Bedingungen und Prüfkapazität bestehen.
Rechtliche Dokumente.
Karten, Daten und Zahlen auf dieser Website werden zu Kontext- und allgemeinen Informationszwecken gezeigt. Sie sind weder Beratung noch Prognosen oder Warnungen; die Grenzen der Information sind in den Haftungsausschlüssen und Datenhinweisen dargelegt.