Fabryki artykułów naukowych, presja publikacyjna i sztuczna inteligencja generująca fałszywe dane – system naukowy staje przed kryzysem zaufania, który dotyka każdego z nas jako pacjentów, obywateli i konsumentów wiedzy eksperckiej. Co napędza ten problem i dlaczego sama lepsza kontrola nie wystarczy?
System naukowy budowany przez wieki na zasadzie wzajemnej weryfikacji i replikacji wyników zaczyna pękać od środka. Nie z powodu błędów, te są w nauce nieuchronne, ale z powodu celowego, zorganizowanego oszustwa. Podcast Spektrum der Wissenschaft z detektor.fm poświęcił temu zjawisku osobny odcinek. Wnioski są niepokojące, a ich konsekwencje dotyczą każdego z nas.
Najważniejsze:
Czytaj także: Przemysłowe fałszerstwo naukowe: jak działa system, który niszczy wiarygodność badań
- Presja na publikowanie badań popycha naukowców do manipulowania danymi lub kupowania gotowych artykułów.
- Tak zwane paper mills (fabryki artykułów naukowych) sprzedają całe zmyślone badania, które trafiają do poważnych czasopism.
- Sztuczna inteligencja umożliwia tworzenie coraz trudniejszych do wykrycia fałszywych zdjęć, danych i tekstów naukowych.
- Wolontariusze zwani science sleuths (detektywi nauki) tropią oszustwa, ale często płacą za to groźbami i procesami sądowymi.
- Zmiana całego systemu zachęt w nauce, nie tylko lepsza kontrola, jest warunkiem koniecznym poprawy sytuacji.
Publikuj albo giń, i fałszuj, żeby przeżyć
Kariera naukowa, granty badawcze i reputacja badacza zależą od liczby opublikowanych prac oraz wskaźników takich jak impact factor (prestiż czasopisma) czy h-index (miara cytowań danego autora). Ten system nie jest neutralny: faworyzuje ilość nad jakością i od lat generuje środowisko, w którym skróty się opłacają.
Czytaj także: Fabryki kłamstw w nauce: jak system publikacyjny produkuje fałszerstwa i dlaczego AI zmieniła zasady gry
Jak wyjaśnia dziennikarz Florian Sturm, który przez wiele miesięcy badał problem dla magazynu Spektrum der Wissenschaft, presja publikacyjna napędza dziś zupełnie nowy biznes: fabryki artykułów naukowych, czyli paper mills. To firmy, które za pieniądze dostarczają kompletne, zmyślone badania, łącznie z miejscem na liście autorów. Efekt końcowy ląduje w renomowanych, recenzowanych czasopismach. Sturm za te śledztwa otrzymał nagrodę dziennikarską przyznawaną przez Netzwerk Evidenzbasierte Medizin i jest nominowany do Nagrody Theodora Wolffa.
Warto tu postawić pytanie, które rzadko pada wprost: czy to problem wyłącznie zachodnich megauniwersytetów, gdzie wyścig o granty toczy się w ogromnych kwotach? Niekoniecznie. Presja publikacyjna działa wszędzie tam, gdzie kariery oceniane są przez liczby, a nie przez rzeczywisty wpływ na wiedzę. Dotyczy to również polskich uczelni, gdzie systemy oceny jednostek i publikacji tworzą analogiczne mechanizmy bodźcowe. Pytanie, czy polscy naukowcy są celem paper mills, pozostaje otwarte, ale sama logika systemu jest identyczna.
Peer review: strażnik, który nie nadąża
Tradycyjnym filtrem jakości w nauce jest recenzja ekspercka, czyli peer review. Inni naukowcy z danej dziedziny oceniają pracę przed publikacją. W teorii to solidny mechanizm. W praktyce liczba składanych artykułów rośnie szybciej, niż recenzenci są w stanie je rzetelnie sprawdzić. System kontroli jakości po prostu nie dotrzymuje kroku tempu produkcji naukowej.
Do tego dochodzą ekonomiczne interesy wydawców. Wydawnictwa naukowe zarabiają na publikowaniu, finansowo nie opłaca im się odrzucać zbyt wielu prac. To strukturalny konflikt interesów, który sprawia, że problematyczne artykuły regularnie przechodzą przez sito kontroli.
Co mogłoby zastąpić lub wesprzeć tradycyjny peer review? Środowisko naukowe wskazuje od lat na kilka kierunków: otwarte dane (open data) umożliwiają każdemu sprawdzenie surowych wyników; prerejestracja badań polega na publicznym zadeklarowaniu hipotezy i metodologii jeszcze przed zebraniem danych; systematyczne replikacje oznaczają powtarzanie kluczowych eksperymentów przez niezależne zespoły. Każde z tych podejść zawęża przestrzeń do manipulacji, choć żadne nie rozwiązuje problemu samo w sobie. Źródło podcastu tych rozwiązań wprost nie wymienia, są one jednak dobrze ugruntowane w debacie o reformie nauki.
Skażone źródło: dlaczego jeden fałszywy artykuł to za dużo, żeby go zignorować
Nauka działa kumulatywnie: kolejne badania budują na poprzednich. Fałszywe dane raz opublikowane cytowane są jako punkt wyjścia przez następne prace, na ich podstawie opracowywane są leki i wytyczne kliniczne, a decydenci tworzą politykę zdrowotną lub klimatyczną opartą na fikcji. Jeden sfałszowany artykuł może zatruć całe gałęzie wiedzy na lata, nie dlatego, że jest wyjątkowo przekonujący, ale dlatego, że system zakłada wiarygodność tego, co już opublikowane.
To dlatego problem fałszerstw nie jest tylko kwestią etyki akademickiej. Konsekwencje dotykają każdego, kto korzysta z systemu ochrony zdrowia, stosuje się do zaleceń żywieniowych czy żyje w kraju, gdzie normy środowiskowe opierają się na wynikach badań. Jako pacjent, rodzic albo obywatel uczestniczący w debacie o szczepieniach, diecie czy jakości powietrza, korzystasz z wiedzy, której wiarygodność zależy od tego, czy ktoś gdzieś nie sfałszował danych kilka lat temu. Gdy badania są zepsute u źródła, zaufanie do całego systemu eksperckiej wiedzy pęka, a tego nie da się naprawić jedną kampanią informacyjną.
AI: fałszerz dostał supermoc
Dawniej wykrycie manipulacji wymagało przynajmniej pewnego wysiłku ze strony fałszerza: ręcznej obróbki obrazów, ręcznego „poprawiania” tabel z danymi. Dziś sztuczna inteligencja potrafi wygenerować przekonująco wyglądające zdjęcia mikroskopowe, zestawy danych i całe fragmenty tekstów naukowych. Jak ostrzegają eksperci cytowani przez detektor.fm, sfałszowane materiały stają się coraz trudniejsze do odróżnienia od prawdziwych badań, nawet dla specjalistów z danej dziedziny.
To zmiana jakościowa, nie tylko ilościowa. Nauka przez wieki budowała swoją przewagę nad innymi źródłami wiedzy na wiarygodności i powtarzalności. Zdaniem ekspertów ze Spektrum, środowisko naukowe musi teraz nauczyć się nie tylko wykrywać fałszerstwa, ale też aktywnie i wiarygodnie udowadniać autentyczność swoich wyników. To odwrócenie dotychczasowej logiki: dotąd autentyczność była domyślna, a fałszerstwo wymagało dowodu. W erze generatywnej AI może być odwrotnie.
Eksperci wskazują, że coraz trudniej odróżnić sfałszowane materiały od prawdziwych, co sprawia, że środowisko naukowe musi wypracować skuteczniejsze metody weryfikacji autentyczności wyników.
Science sleuths: detektywi bez etatu i bez ochrony
Na przekór tej tendencji działa nieformalna, międzynarodowa sieć science sleuthów, specjalistów, którzy samodzielnie sprawdzają już opublikowane prace pod kątem manipulacji obrazami, niespójności w danych i innych śladów fałszerstwa. Ich skuteczność jest realna: regularnie ujawniają poważne nieprawidłowości w materiałach, które przeszły oficjalną recenzję.
Jest jednak haczyk: większość robi to ochotniczo, bez wynagrodzenia i bez instytucjonalnego zaplecza. Demaskowanie naukowych oszustw ma swoją cenę. Według detektor.fm, wielu z nich staje się celem gróźb, kampanii oczerniania i spraw sądowych wytaczanych przez osoby, które zdemaskowali. To bolesny paradoks: ci, którzy próbują naprawiać system, ponoszą osobiste koszty, podczas gdy ci, którzy go psują, często działają pod parasolem instytucji dających im zasoby i prawną osłonę.
Jeden z ekspertów wypowiadających się w podcaście sformułował to w sposób, który trudno zbagatelizować: ktoś, kto naprawdę przykłada się do fałszowania obrazów lub danych, prawdopodobnie nigdy nie zostanie przyłapany. To nie jest prowokacja. To diagnoza aktualnych możliwości narzędzi kontrolnych, i powód, dla którego reforma systemu jest pilniejsza niż doskonalenie metod wykrywania.
Zmiana systemu, nie tylko lepsza policja
Florian Sturm wskazuje, że wyjście z tej sytuacji wymaga zmiany całego systemu zachęt w nauce. Dopóki kariery zależą wyłącznie od liczby publikacji, a nie od ich rzeczywistego wpływu na wiedzę, presja na fałszerstwa nie zniknie, niezależnie od tego, ilu science sleuthów będzie pracować po nocach za darmo.
Co to oznacza dla konkretnych ludzi? Dla polskiego studenta czy doktoranta: warto wiedzieć, że system, w którym przyjdzie mu pracować, nagradzał dotąd ilość, a nie jakość, i że zmiana tego wymaga nacisku oddolnego, nie tylko ministerialnych dekretów. Dla pacjenta: wytyczne kliniczne oparte na literaturze naukowej są tylko tak wiarygodne, jak wiarygodne są badania u ich podstaw, i dobrze jest pytać lekarzy o siłę dowodów. Dla obywatela: debata o reformie nauki nie jest akademicką abstrakcją, lecz kwestią, od której zależy jakość decyzji publicznych w obszarze zdrowia, środowiska i edukacji.
Reforma wymagałaby jednoczesnej zmiany sposobu finansowania nauki, kryteriów oceny badaczy i mechanizmów funkcjonowania wydawnictw. Żaden z tych elementów nie zmieni się sam. Bez tej zmiany każde narzędzie do wykrywania fałszerstw pozostaje wyścigiem, w którym wykrywający są strukturalnie w tyle.
Najczęściej zadawane pytania
Czym są paper mills w nauce?
To firmy, które za pieniądze produkują kompletne, zmyślone artykuły naukowe i sprzedają miejsca na liście autorów. Dzięki temu sfałszowane badania trafiają do poważnych, recenzowanych czasopism, wyglądając jak pełnoprawna praca naukowa. Problem dotyczy globalnego rynku publikacji i nie ogranicza się do żadnego konkretnego kraju czy dyscypliny.
Jakie wczesne sygnały mogą wskazywać, że badanie jest sfałszowane?
Science sleuths zwracają uwagę na kilka wzorców: zbyt regularne lub powtarzające się elementy w zdjęciach naukowych, dane statystyczne o podejrzanie niskiej zmienności, wyniki idealnie pasujące do z góry założonej tezy oraz brak reakcji autorów na prośby o udostępnienie surowych danych. Żaden z tych sygnałów nie jest dowodem sam w sobie, ale ich kombinacja powinna wzbudzić czujność.
Jak sprawdzić wiarygodność artykułu naukowego jako laik?
Uczciwa odpowiedź jest taka, że laik bez dostępu do surowych danych i bez specjalistycznej wiedzy metodologicznej ma bardzo ograniczone możliwości samodzielnej oceny. Warto sprawdzić, czy badanie było replikowane przez niezależne zespoły, czy autorzy udostępnili dane, czy czasopismo jest indeksowane w uznanych bazach oraz czy artykuł nie był przedmiotem korekt lub wycofań po publikacji. Baza Retraction Watch rejestruje wycofane publikacje i jest publicznie dostępna. Sygnały te razem budują pewien obraz, ale nie dają pewności.
Kim są science sleuths i dlaczego ich praca jest ryzykowna?
To nieformalna, międzynarodowa sieć specjalistów, którzy dobrowolnie i bez wynagrodzenia analizują opublikowane badania pod kątem manipulacji obrazami i niespójności w danych. Regularnie ujawniają poważne nieprawidłowości. Za swoją pracę narażają się jednak na groźby, kampanie oczerniania i postępowania sądowe ze strony demaskowanych osób, działają więc bez instytucjonalnej ochrony, którą mają ich przeciwnicy.
Jak sztuczna inteligencja zmienia skalę problemu fałszerstw naukowych?
AI potrafi generować przekonująco wyglądające zdjęcia naukowe, zestawy danych i teksty, przez co sfałszowane materiały są coraz trudniejsze do odróżnienia od prawdziwych, nawet dla ekspertów z danej dziedziny. Zdaniem specjalistów cytowanych przez detektor.fm, nauka musi w odpowiedzi nauczyć się nie tylko wykrywać fałszerstwa, ale też aktywnie i wiarygodnie potwierdzać autentyczność własnych wyników. To fundamentalne odwrócenie dotychczasowej logiki weryfikacji.
Fot. KoolShooters / Pexels
Komentarze (0)