Для цитирования:
Бергер К. Научная политика, основанная на управлении данными. (2016) == Börner K. Data-Driven Science Policy. / Мотупалли В. ; пер. с англ. Рыбалко Я. А. / Дневничок Ярослава. [Электронный ресурс] // Дзен : [сайт]. — URL: https://dzen.ru/media/id/5ed518364abd40028a04e8d3/nauchnaia-politika-osnovannaia-na-upravlenii-dannymi-2016-652d65ab899d7674f37b9445 (дата обращения: 00.00.0000).
Cодержание.
- 1. Введение.
- 2. Меньше – лучше.
- 3. Мудрость толпы.
- 4. Виртуальные испытания.
- 5. Изобретая будущее.
1. Введение.
Самая важная проблема чиновников, занимающихся вопросами научной политики, является определение того, – как использовать ограниченные ресурсы наиболее эффективным образом. Чтобы решить ее, они должны обладать огромным объемом знаний: прежде всего понимать внутреннюю работу научной, технологической и инновационной (НТИ) системы, процесс производства знаний, а также знать результаты работы конкретных ученых и организаций. Достижения в области вычислительных мощностей в сочетании с беспрецедентным объемом разнообразных данных в научно-технических исследованиях создают идеальные условия для разработки и применения методов интеллектуального анализа данных и моделирования процессов, касающихся динамики развития отрасли, что способно повысить эффективность принятия управленческих решений при распределении ресурсов. Для того, чтобы тщательно изучить изменения научно-технического ландшафта и его структуры в исследованиях НТИ-системы используют данные из широкомасштабных публикаций и патентов, данные о финансировании, материалы из новостных изданий, социальных сетей и из иных источников. Чиновники могут использовать современные методы визуального отображения результатов исследований в научной политике, что позволяет им опытным путем подтверждать результативность различных политических мер или финансовых стратегий.
На сегодняшний день консультации по научным вопросам предоставляют старшие исследователи при институтах, на предприятиях и в правительстве. Но большинство экспертов весьма ограниченно используют высококачественные наборы данных с широким охватом или современные инструменты интеллектуального анализа данных и моделирования, что уже доступны в настоящее время. Пришло время дополнить человеческое мышление данными и алгоритмами.
Большие данные и современные алгоритмы интеллектуального анализа данных, компьютерного моделирования и визуализации уже во всю используются в промышленности. Например, компьютерное моделирование широко используется в «Эмэзон» (Amazon) и «Нэтфликс» (Netflix), чтобы определить направления поведения своих клиентов, финансовые компании – чтобы выявить факты мошенничества с кредитными картами, а страховые компании – чтобы определять ценовые условия. Множество компаний во внутреннем управлении применяют моделирование, чтобы облегчить принятие стратегических решений и разобраться с направлениями инвестирования.
Ученые, работающие в разных областях, создали международную инфраструктуру обработки данных и распределенные вычислительные системы, стоимостью в миллиарды долларов [триллионы рублей; по среднегодовому курсу за 2016], для совместного использования с партнерами из промышленности и правительства. Например, в метеорологии – для предсказания погоды и предупреждения о надвигающихся штормах; в здравоохранении – для определения наилучших стратегий предупреждения эпидемий и их развития; в охране окружающей среды – для понимания сценариев развития климата и установления размера углеродного налога.
Однако, до сих пор не существует в полной мере той инфраструктуры, чтобы проводить исследования динамики развития НТИ-системы в области научной политики и управления ею, несмотря на это отдельные эксперты уже начали объединять хранилища данных и использовать вычислительные модели для улучшения принятия важных решений. Текущая задача – начать использовать компьютерную симуляцию и компьютерное моделирование возможного будущего, чтобы помочь улучшить наше понимание путей развития науки и техники и предсказать возможный результат государственного вмешательства. С их помощью администраторы могут легко найти ответы на важные вопросы: какие варианты карьерного продвижения с наибольшей вероятностью приведут к выполнению служебных обязанностей с максимальной отдачей; какие научные организации будут наиболее продуктивными в будущем; какая научная политика финансирования окажется наиболее эффективной. Другие виды моделирования стараются ответить на то, как более обширные социальные факторы влияют на работу ученых – демографические изменения, альтернативные экономические траектории и соотношения сил между государствами. Руководители, использующие данные и моделирование, обладают более эффективными средствами при установлении тех факторов, которые оказались наиболее важными в истолковании минувших событий. Они получают возможность использовать полученные знания из прошлого, чтобы легче спрогнозировать, какие из рычагов могут оказать наиболее эффективное влияние на будущие события. Некоторые тематические исследования могут проиллюстрировать разнообразие способов использования такого моделирования.
2. Меньше – лучше.
Современная наука — это совместное производство знаний. Она требует затраты огромных усилий целого ряда различных акторов, создания сетей, состоящих из отдельных исследователей и организаций. Иногда такая сеть может включать несколько сотен участников из разных стран. Некоторые проекты имеют такой размах, что необходимы усилия и знания множества ученых и исследователей. Многочисленные исследования показывают, что наиболее продуктивными и эффективными оказываются большие команды. Однако применение новых наукоёмких подходов показало противоположные результаты.
По словам Сташи Милошевич из Университета штата Индианы, разработанное ею компьютерное моделирование возникновения и роста команд продемонстрировало, что ключ к успеху больших команд основывается на существовании эффективной работы лишь малых групп из всей команды или даже отдельных исследователей, которые ответственны за ключевые направления. Впечатляет и то, что результаты этого моделирования показывают, что относительно малые команды доминируют в производстве знаний в большинстве научных областей, настолько что в совокупности им принадлежит вклад в открытии большинства новых знаний, по сравнению с большими командами исследователей. Это открытие может стать решающим и в политике, поскольку оно наглядно показывает, что повышенное внимание на финансировании крупных научных проектов с привлечением большого числа исследователей может подорвать сам процесс.
3. Мудрость толпы.
Йохан Боллен и его коллеги из Университета штата Индианы проведя компьютерное моделирование обнаружили, что «ученые вкладывают огромное количество времени и энергии в написание и рецензирование исследовательских заявок», а финансирующие агентства используют многочисленные ресурсы, которые могли бы быть потрачены на сами исследования, а не на проверку этих заявок. В их статье от 2014 года, основываясь на данных Национального научного фонда (ННФ) и опроса «Таулби» (Taulbee), они попытались выяснить, сколько усилий и средств тратится учеными на то, чтобы получить субсидии на свои исследования. Они подсчитали, что подготовка исследовательской заявки на грант требует работы четырех профессоров в течение четырех недель, и их работа оценивается в 35 тыс. долл. [2,3 млн. руб.]. А если учесть текущий показатель результативности в области информатики в 21%, то для получения гранта требуется в среднем пять таких заявок, а затраты на работу составят 175 тыс. долл. [11,7 млн. руб.]. В то время как, в среднем грант ННФ составляет около 165 тыс. долл. [11 млн. руб.] в год, часть суммы идет на возмещение косвенных расходов университета, и остается примерно 110 тыс. долл. [7,4 млн. руб.] на исследование. Иначе говоря, средний успех приводит к чистому убытку для исследователей. При этом расчеты не учитывают время, затрачиваемое на написание и рецензирование заявок. Лишь в 2015 году ННФ заказал 231 тыс. рецензий для оценки 49,6 тыс. предложений.
Йохан Боллен и коллеги предлагают альтернативный способ распределения средств государственного финансирования направленных на исследовательские проекты, который (от части) может заменить текущий способ, - так называемое компьютерное моделирование «ФандРэнк» (FundRank). Оно заключается в том, что каждый авторитетный ученый один раз в год получает определенную сумму на исследования, например 100 тыс. долл. [6,7 млн. руб.]. Затем авторитетный учённый выделит определенную долю, например 50% от суммы, которую он самостоятельно распределяет среди своих коллег, принимающих участие в данном проекте, в соответствии со степенью их участия и вкладом в работу будет увеличиваться вознаграждение.
Вместо того чтобы тратить массу времени на написание и проверку заявок, ученые могли бы использовать его более плодотворно - на детальное обсуждение, планирование и реализацию научно-исследовательского проекта. Распределение финансов могло бы послужить мерой оценки вклада, сделанного каждым исследователем, а использование цифровых систем могло бы помочь в решении проблем, связанных с возникающими в процессе работы спорами, распределением средств на основе личных симпатий и автоматической системой распознания и выявления конфликтов интересов или случаев взаимных благодеяний.
Для того, чтобы проверить, как эта система может повлиять на распределение средств на исследования, Йохан Боллен и его коллеги использовали алгоритм «ПэйджРэнк» (PageRank), изобретенный Сергеем Брином и Ларри Пейджем. Они разработали компьютерное моделирование, основывающейся на данных о цитируемости в качестве примера того, как авторитетным ученым распределять финансирование между своими коллегами. В моделировании показатель «авторитетность», например ученного У, зависит не только от количества цитируемости в других работах, но и от показателя «авторитетности» тех ученых, которые сослались на самого У, т. е. чем чаще его цитировали другие авторитетные ученые, тем более авторитетным должен быть и сам У. В качестве проверки «ФандРэнк» (FundRank) опробовали на данных о цитируемости среди 37 миллионов научных статей за последние 20 лет. Такая мера оценивания дает наглядное представление, как бы смог каждый ученый распределять средства в предполагаемом способе. Результаты сопоставления фактического финансирования ННФ и Национальных институтов здравоохранения (НИЗ) по каждому отдельному ученому за эти десятилетия с объемом моделируемым с помощью «ФандРэнк» (FundRank) показывают, что эти два показателя тесно взаимосвязаны, при этом затраты таким способом оказываются незначительными в отличии от тех, что требуются сегодня.
4. Виртуальные испытания.
Политики и администраторы должны не только понимать, как использовать новые методы, но и доверять им, иначе их не будут активно применять на практике. Свою эффективность доказал метод визуализации процесса моделирования и его результатов. Команда под руководством Уильяма Роуза (William Rouse) из Института технологии Стивенса совместно с Национальными академиями инжиниринга и медицины разработала «симулятор полетов для политиков» (policy flight simulator), позволяющий «слетать в будущее, прежде чем выписать чек».
Эта методика помогает экспертам прогнозировать направления развития науки и техники, для того чтобы принять правильные и ответственные решения. Работа симулятора заключается в следующем: группа экспертов (от пяти до 15 человек) собираются в зале, оснащенном большими экранами. Они обсуждают и собирают все возможные варианты, касающиеся данных вопросов, и затем пропускают их через симулятор. Графические презентации результатов появляются на экранах. В ходе одного из таких заседаний представители 66 стационарно-медицинских корпораций Нью-Йорка встретились, чтобы изучить, как положения Закона о доступном здравоохранении (Affordable Care Act Obamacare) смогут в будущем повлиять на процессы их слияния и поглощения. Использовав «симулятор», они с удивлением обнаружили, что стратегии крупнейших игроков по отношению к их основным конкурентам очень сильно влияют на «иерархическую структуру» между больничными учреждениями, возникающее в течение ближайшего десятилетия. Например, оказалось, что клиника, которая долгое время была первой или второй по величине, теряет способность учитывать стратегии конкурентов, что способствует к ее выпадению из пятерки лидеров уже в следующем десятилетии.
Еще одна из таких встреч была посвящена проблемам выбора мощностей для автомобиля: сравнивались различные системы - внутреннего сгорания, электрические, гибридные или водородные. Результаты моделирования показали, что спрос на электрические автомобили возрастет, если возрастут государственные вложения в инфраструктуру зарядных устройств. Однако очень неожиданным оказался косвенный эффект от закона о корпоративной средней экономии горючего (КСЭГ). Чем ниже цены на топливо, тем больше американцы покупают пикапы и крупные внедорожники, рентабельность которых может приближаться к 10 тыс. долл. [670 тыс. руб.] за единицу. Чтобы соответствовать стандартам КСЭГ для своих автопарков, автопроизводителям приходиться снижать стоимость небольших экономичных автомобилей, которые порой продаются с убытком до 2 тыс. долл. [134 тыс. руб.] за единицу, чтобы стимулировать их продажи среди населения. Но чем больше экономичные автомобили дешевеют, тем сильнее снижаются продажи гибридных и электрических, что в свою очередь подрывает попытки государственного стимулирования зеленной энергетики.
5. Изобретая будущее.
Разработка и применение простых и действенных моделей, основанных на управлении данными, для принятия решений в области НТИ не только несут большие возможности, но и создают большие проблемы. Для того чтобы выявить «критические вызовы» и ответить на них, необходимо использование междисциплинарного подхода к системному моделированию и тесное сотрудничество государства, науки и промышленности. Вычислительные модели должны быть тщательно проверены экспертами и заслужить доверие научного сообщества в области научной политики, прежде чем их начинать массово применять на практике. Ключ к созданию такого доверия — прозрачность и вовлечение всех заинтересованных сторон в разработку и применение новых подходов, основанных на управлении данными.
Переведёно с небольшими редакторскими правками.
Оригинал: Börner, Katy. “Data-Driven Science Policy.” Issues in Science and Technology 32, no. 3 (Spring 2016).
Реферат: Булавинова М.П.. "2017.01.004. Бёрнер. К. Перспектива: Научная политика, основанная на управлении данными. Социальные и гуманитарные науки. Отечественная и зарубежная литература. Сер. 8, Науковедение: Реферативный журнал, №1, 2017, ст. 26-29.