GCRI · Labs
वैज्ञानिक कार्यप्रवाह में AI
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.
काम कैसे चलता है।
Testbed operations
AI in scientific workflows · Field lab coast · Campaign 5
Sensor deployment
उदाहरणात्मक तटरेखा
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
चित्रTestbed 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.
मॉडल, उसकी मान्यताएँ, उसका डेटा और उसकी अनिश्चितता, उस रूप में जिसे कोई वैज्ञानिक या अभियंता जाँचेगा। संरचनाएँ प्रकाशित पद्धतियों का अनुसरण करती हैं। लिए गए मान उदाहरणात्मक हैं, निष्कर्ष नहीं।
मॉडल, समीकरण और मान्यताएँ
The model structure used for AI in scientific workflows, the assumptions it makes and how each is tested.
Ri = f(Hi, Ei, Vi, Ci)संकट, जोखिम-संपर्क, भेद्यता और सामना करने की क्षमताEAL = ∑k pk · Lkवार्षिक प्रायिकता pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| धारणा | यह क्यों बनाया जाता है | इसका परीक्षण कैसे होता है |
|---|---|---|
| एक घटना के भीतर संकट और जोखिम-संपर्क स्वतंत्र हैं | नुकसान समाकलन को हल करने योग्य रखता है | संयुक्त अभिलेखों पर कोपुला फ़िट से तुलना करें |
| संचालन बिंदु के पास युग्मन रैखिक हैं | झटकों को A के माध्यम से फैलने देता है | रैखिक सीमा से आगे विक्षोभ दें और तुलना करें |
| भेद्यता वक्र स्थानों के बीच स्थानांतरित होते हैं | स्थानीय वक्र शायद ही कभी उपलब्ध होते हैं | जहाँ प्रेक्षित हानियाँ मौजूद हों, उनके विरुद्ध सत्यापन करें |
- इनपुट
- उद्गम के साथ संस्करणबद्ध डेटासेट
- परिणाम
- वितरण, कभी एकल संख्याएँ नहीं
- Code
- मॉडल कार्ड और परीक्षणों के साथ जारी
- पुनरुत्पादन
- वही डेटा, कोड, परिवेश और सीड
AI in scientific workflows changes each domain’s methods.
Findings feed the पद्धतियाँ और तकनीकी शृंखला. 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.
क्या मापा जाता है, और कितनी अच्छी तरह।
प्रत्येक संकेतक अपनी इकाई, आवृत्ति, उसके पीछे के स्रोत का प्रकार और वह साक्ष्य लेबल वहन करता है जो किसी मान पर होगा। कोई मान नहीं दिखाए जाते: कोई कार्यक्रम उन्हें अपने अधिकार के तहत प्रदान करता है।
| संकेतक | इकाई | लय | स्रोत प्रकार | लेबल |
|---|---|---|---|---|
| Held-out evaluation design stated | percent of model-based studies | वार्षिक | Audit against the REFORMS checklist | प्रेक्षित |
| Code and model weights available | percent of studies with runnable code and weights | वार्षिक | Repository and article audit | प्रेक्षित |
| External validation | percent of models tested on data from another site or period | वार्षिक | Literature review | अनुमानित |
| अंशांकन त्रुटि | expected calibration error, dimensionless | per model | Held-out evaluation | प्रेक्षित |
| Performance gap under shift | difference in the primary metric between internal and external test sets | per model | Validation reports | प्रेक्षित |
| AI use disclosure | percent of submissions with a disclosure statement | वार्षिक | Journal submission records | घोषित |
| Contamination checks reported | percent of benchmark evaluation reports | वार्षिक | Evaluation reports | रिपोर्ट किया गया |
साक्ष्य कहाँ से आता है।
नामित सार्वजनिक डेटासेट और संस्थागत अभिलेख, प्रत्येक अपने लाइसेंस वर्ग के साथ। समझौते द्वारा प्राप्त स्रोतों का उपयोग केवल उनकी शर्तों के तहत होता है और कभी पुनः प्रकाशित नहीं किया जाता।
| स्रोत | यह क्या देता है | लाइसेंस वर्ग |
|---|---|---|
| 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 प्रणालियाँ | खुला, श्रेय सहित |
| 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 |
कौन निर्णय लेता है, और साक्ष्य किसकी सेवा करता है।
लैब prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| निर्णय कौन लेता है | प्रश्न | यह पृष्ठ जिस साक्ष्य की सेवा करता है |
|---|---|---|
| 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 |
| अनुसंधान वित्तपोषक | 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 |
इस विषय से उत्पन्न आउटपुट
- 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; वितरण बदलाव, 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 अनिश्चितता परिमाणन.
- 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.
इसका अध्ययन कैसे होता है, और पद्धतियाँ क्या नहीं बता सकतीं।
- 01कृत्रिम बुद्धिमत्ता और मशीन लर्निंगव्यवस्थित समीक्षाओं के लिए सहायता-प्राप्त स्क्रीनिंग · प्रयोगों के मार्गदर्शन के लिए सरोगेट मॉडलयहाँ लागू
- 02अनिश्चितता परिमाणन और मॉडल सत्यापनमापन अनिश्चितता बजट · सिमुलेशन मॉडलों का संवेदनशीलता विश्लेषणयहाँ लागू
- 03प्रायिकता और सांख्यिकीनमूना आकार और सांख्यिकीय शक्ति योजना · पूर्वाग्रह आकलन के साथ मेटा-विश्लेषणयहाँ लागू
- 04कारणात्मक अनुमान और प्रभाव मूल्यांकनयादृच्छिक प्रायोगिक परीक्षण और चरणबद्ध क्रियान्वयन · अर्ध-प्रायोगिक कार्यक्रम मूल्यांकनयहाँ लागू
- 05सिस्टम इंजीनियरिंगआवश्यकताओं से सत्यापन तक अनुरेखणीयता · चरण-द्वार तत्परता समीक्षाएँयहाँ लागू
Where this page’s references lead.
वे निकाय और दस्तावेज़ जिनके विरुद्ध यह पृष्ठ पढ़ा जाता है। स्थिति और संस्करण बदलते हैं; हर लिंक जारी करने वाले निकाय तक जाता है।
प्रश्न और उत्तर।
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?
इस पृष्ठ से साक्ष्य का योगदान करें।
रिपोर्ट 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.
- ईमेलगेटवे GW-GCRIइसे इसी पृष्ठ से भेजेंसाक्ष्य, सुधार, मामला, पद्धति, समीक्षा, अनुवाद या प्रोफ़ाइल इनपुट। यह इस पृष्ठ के टैग के साथ पहुँचता है, ताकि इसे सँभालने वाले संपादक को मिल जाए।
- Zenodoखुला जमाइसे जमा करें और समुदाय को प्रस्तुत करेंअपने ORCID iD के साथ Zenodo पर अपना अभिलेख प्रकाशित करें, फिर वहाँ Reports समुदाय को प्रस्तुत करें। संरक्षक उसकी समीक्षा करते हैं; DOI आपका ही रहता है।
- रिपोर्टGCRIयोगदान के सभी तरीके देखेंयोगदान के प्रकार, प्रत्येक की समीक्षा कैसे होती है, आपको क्या श्रेय मिलता है, लाइसेंस और क्या कभी स्वीकार नहीं किया जाता।
व्यक्तिगत डेटा, संवेदनशील अवसंरचना का विवरण या ऐसी कोई भी सामग्री कभी न भेजें जिसे साझा करने का आपको अधिकार नहीं है। उपयोग से पहले योगदान की समीक्षा होती है; इसे भेजने से लेखकत्व या संपादकीय अधिकार नहीं मिलते, और प्रायोजन कभी किसी निष्कर्ष को नहीं खरीदता।
कोई विधि, डेटासेट या प्रश्न लाएँ।
जानकारी और पूछताछ आज से खुली हैं। हर पूछताछ को एक संदर्भ मिलता है और अगला कदम बताया जाता है; आवेदन, भुगतान, कंप्यूट आवंटन और पंजीकरण तभी खुलते हैं जब उनकी टीम, शर्तें और समीक्षा क्षमता मौजूद हों।
कानूनी दस्तावेज़।
इस साइट पर मानचित्र, डेटा और आँकड़े संदर्भ और सामान्य जानकारी के लिए दिखाए जाते हैं। वे सलाह, पूर्वानुमान या चेतावनियाँ नहीं हैं; जानकारी की सीमाएँ अस्वीकरण और डेटा सूचनाओं में बताई गई हैं।