GCRI · Labs
Bilimsel iş akışlarında yapay zekâ
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.
İşin nasıl yürüdüğü.
Testbed operations
AI in scientific workflows · Field lab coast · Campaign 5
Sensor deployment
açıklayıcı kıyı şeridi
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
Şek.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.
Model, varsayımları, verileri ve belirsizliği, bir bilim insanının veya mühendisin kontrol edeceği biçimde. Yapılar yayımlanmış yöntemleri izler. Çizilen değerler bulgu değil, açıklayıcıdır.
Model, denklemler ve varsayımlar
The model structure used for AI in scientific workflows, the assumptions it makes and how each is tested.
Ri = f(Hi, Ei, Vi, Ci)tehlike, maruziyet, kırılganlık ve başa çıkma kapasitesiEAL = ∑k pk · Lkyıllık olasılığı pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| Varsayım | Neden yapıldığı | Nasıl sınanır |
|---|---|---|
| Bir olay içinde tehlike ve maruziyet bağımsızdır | Kayıp integralini çözülebilir tutar | Ortak kayıtlara uydurulmuş bir kopula ile karşılaştırın |
| Bağlantılar çalışma noktası yakınında doğrusaldır | Şokların A üzerinden yayılmasına izin verir | Doğrusal aralığın ötesine itin ve karşılaştırın |
| Kırılganlık eğrileri yerler arasında aktarılabilir | Yerel eğriler nadiren mevcuttur | Mevcut olduğunda gözlemlenen kayıplarla doğrulayın |
- Girdiler
- kaynağı belgelenmiş, sürümlü veri setleri
- Çıktılar
- dağılımlar, asla tek sayılar değil
- Kod
- model kartı ve testlerle birlikte yayımlanır
- Yeniden üretim
- aynı veri, kod, ortam ve tohum değeri
AI in scientific workflows changes each domain’s methods.
Findings feed the Yöntemler ve Teknik serisi. 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.
Neyin ve ne kadar iyi ölçüldüğü.
Her gösterge birimini, sıklığını, ardındaki kaynak türünü ve bir değerin taşıyacağı kanıt etiketini taşır. Hiçbir değer gösterilmez: değerleri bir program kendi yetkisi altında sağlar.
| Gösterge | Birim | Sıklık | Kaynak türü | Etiket |
|---|---|---|---|---|
| Held-out evaluation design stated | percent of model-based studies | yıllık | Audit against the REFORMS checklist | GÖZLENEN |
| Code and model weights available | percent of studies with runnable code and weights | yıllık | Repository and article audit | GÖZLENEN |
| External validation | percent of models tested on data from another site or period | yıllık | Literature review | TAHMİNİ |
| Kalibrasyon hatası | expected calibration error, dimensionless | per model | Held-out evaluation | GÖZLENEN |
| Performance gap under shift | difference in the primary metric between internal and external test sets | per model | Validation reports | GÖZLENEN |
| AI use disclosure | percent of submissions with a disclosure statement | yıllık | Journal submission records | BEYAN EDİLDİ |
| Contamination checks reported | percent of benchmark evaluation reports | yıllık | Evaluation reports | BİLDİRİLMİŞ |
Kanıtın nereden geldiği.
Her biri lisans sınıfıyla birlikte, adı belirtilmiş kamuya açık veri kümeleri ve kurumsal kayıtlar. Anlaşmaya dayalı kaynaklar yalnızca koşullarına göre kullanılır ve asla yeniden yayımlanmaz.
| Kaynak | Sağladıkları | Lisans sınıfı |
|---|---|---|
| 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 sistemleri | Açık, atıf |
| 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 |
Kim karar verir ve kanıt neye hizmet eder.
Laboratuvarlar prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| Kim karar verir | Soru | Bu sayfanın hizmet ettiği kanıt |
|---|---|---|
| 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 |
| Araştırma fon sağlayıcıları | 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 |
Bu konunun ürettiği çıktılar
- 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; dağılım kayması, 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 belirsizlik ölçümü.
- 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.
Nasıl incelendiği ve yöntemlerin söyleyemeyecekleri.
- 01Yapay zekâ ve makine öğrenmesiSistematik derlemeler için destekli tarama · Deneylere yön veren vekil modellerBurada uygulanır
- 02Belirsizliğin nicelleştirilmesi ve model doğrulamasıÖlçüm belirsizliği bütçeleri · Simülasyon modellerinin duyarlılık analiziBurada uygulanır
- 03Olasılık ve istatistikÖrneklem büyüklüğü ve güç planlaması · Yanlılık değerlendirmeli meta-analizBurada uygulanır
- 04Nedensel çıkarım ve etki değerlendirmesiRastgele pilot uygulamalar ve kademeli yaygınlaştırmalar · Yarı deneysel program değerlendirmesiBurada uygulanır
- 05Sistem mühendisliğiGereksinimlerden doğrulamaya izlenebilirlik · Aşama kapısı hazırlık incelemeleriBurada uygulanır
Where this page’s references lead.
Bu sayfanın karşılaştırıldığı kuruluşlar ve belgeler. Durumlar ve sürümler değişir; her bağlantı yayımlayan kuruluşa gider.
Sorular ve yanıtlar.
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?
Bu sayfadan kanıt katkısında bulunun.
Raporlar 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-postaGW-GCRI geçidiBu sayfadan gönderinKanıt, bir düzeltme, bir vaka, bir yöntem, bir inceleme, bir çeviri veya profil girdisi. Bu sayfayla etiketlenmiş olarak gelir; böylece sayfanın sahibi editör onu alır.
- ZenodoAçık depoDepolayın ve topluluğa gönderinKendi kaydınızı ORCID iD'nizle Zenodo'da yayımlayın, ardından orada Reports topluluğuna gönderin. Küratörler inceler; DOI sizde kalır.
- RaporlarGCRIKatkıda bulunmanın tüm yollarını görünKatkı türleri, her birinin nasıl incelendiği, alacağınız atıf, lisans ve asla kabul edilmeyenler.
Hiçbir zaman kişisel veri, hassas altyapı ayrıntısı veya paylaşma hakkınız olmayan hiçbir şey göndermeyin. Bir katkı kullanılmadan önce incelenir. Katkıyı göndermek yazarlık veya editoryal hak sağlamaz ve sponsorluk hiçbir zaman bir bulgu satın almaz.
Bir yöntem, bir veri seti ya da bir soru getirin.
Bilgi ve başvurular bugün açıktır. Bir başvuru bir referans numarası alır ve bir sonraki adımı belirtir; başvurular, ödemeler, işlem kapasitesi tahsisleri ve kayıtlar yalnızca ekipleri, koşulları ve inceleme kapasiteleri mevcut olduğunda açılır.
Hukuki belgeler.
Bu sitedeki haritalar, veriler ve şekiller bağlam ve genel bilgi amacıyla gösterilir. Tavsiye, tahmin ya da uyarı değildir; bilgilerin sınırları Sorumluluk Reddi ve Veri Bildirimleri'nde açıklanmıştır.