چاپ

پیام آذری - به گزارش خبرنگار علم و فناوری ایسکانیوز؛ چارلز داروین پس از اینکه متوجه شد همکارش نظریه‌ای تقریبا یکسان از تکامل ارائه کرده است، به سرعت کتاب «منشاء گونه‌ها» را منتشر کرد تا تحت تاثیر کار همکارش قرار نگیرد. از آن زمان تاکنون محققان سعی دارند که در یافته‌های علمی خود و انتشار آن اولین نفر باشند و پاداش بگیرند.
اما این مشوق‌ها می‌تواند هزینه داشته باشد و به علم آسیب بزند.
«رایان هیل»، استادیار استراتژی دانشگاه کیلوگ در آمریکا که انگیزه‌های محرک نوآوری علمی را مطالعه می‌کند، می‌گوید: شغل‌های آکادمیک بر اساس شهرت و اعتبار ساخته می‌شوند. اگر نیاز به ارتقای اعتبار داشته باشم تا بتوانم از دانشگاه حقوق بیشتری دریافت کنم، باید بقیه متوجه شوند که من اکتشاف جدیدی انجام داده‌ام. در واقع فقط کافی است که یک دانشمند برای اولین بار موضوعی را کشف کند و آن را منتشر کند، به خوبی در کل جهان شناخته می‌شود و آینده خوبی را برای خودش رقم خواهد زد.
با این حال، اطلاعات کمی در مورد تاثیراتی که این «رقابت‌ها» روی شغل دانشمندان و همچنین کیفیت علم دارند، در دست است. از این رو، رایان هیل و «کارولین استین»، استادیار تحلیل و سیاست اقتصادی و پژوهشگر اقتصاد علم و نوآوری در «مدرسه کسب‌وکارهاس» در دانشگاه کالیفرنیا، این موضوع را در رشته زیست‌شناسی ساختاری، جایی که محققان برای کشف اشکال سه‌بعدی پروتئین‌های فردی با هم رقابت می‌کنند، بررسی کردند.
هیل و استین دریافتند که اول نشدن دانشمندان در یک موضوع خاص علمی هزینه قابل ‌اندازه‌گیری دارد: پروژه‌های رتبه دوم تقریباً 20 درصد کمتر در یک مجله معتبر منتشر می‌شوند و مقالات 21 درصد استناد کمتری دریافت می‌کنند.
علاوه بر این، هیل و استین دریافتند که هر چه یک مسابقه حل ساختار خاص رقابتی‌تر باشد، محققان در کار خود بیشتر عجله‌ می‌کنند و در نتیجه یافته‌هایی با کیفیت پایین‌تر به دست می‌آورند!
هیل می‌گوید: ما به عنوان اقتصاددان، رقابت را دوست داریم، زیرا ما را به تلاش بیشتر و افشای به موقع اکتشافات تشویق می‌کند. اما همین رقابت عواقب ناخواسته‌ای نیز دارد که یکی از آنها تاثیرات منفی روی علم است. از این رو، بسیار مفید است که بدانیم دانشمندان با انگیزه‌هایی که با آن روبه‌رو می‌شوند، چطور رفتار می‌کنند.
شکل دادن به علم هیل و استین برای درک اینکه چگونه رقابت بر تحقیقات علمی تأثیر می‌گذارد، به محیطی نیاز داشتند که نه تنها بتوانند تیم‌های متعددی را که برای حل یک مساله علمی رقابت می‌کنند، ردیابی کنند، بلکه بتوانند کار خود را پس از پایان مسابقه نیز پیگیری کنند.
هیل و استین چنین ویژگی‌هایی را در بانک اطلاعات پروتئین (PDB) پیدا کردند. این مخزن یافته‌های زیست‌شناسان ساختاری است که هدفشان توصیف هزاران شکل دقیقی است که پروتئین‌ها در سلول‌ها به هم می‌پیوندند. درک بهتر این اشکال می‌تواند باعث اکتشافات پزشکی و دارویی جدید شود، بنابراین چندین تیم ساختاری-زیست‌شناسی اغلب برای «حل» پروتئین‌های یکسان با هم رقابت می‌کنند.
هیل توضیح می‌دهد: هنگامی که محققان مدلی برای نحوه شکل‌گیری پروتئین داشته باشند، باید آن را در این پایگاه داده آپلود کنند. این به ما امکان می‌دهد مواردی را مشاهده کنیم که در آن 2 محقق کشف پروتئین یکسانی را به طور همزمان و بدون اطلاع یکدیگر انجام می‌دهند. سپس مشاهده می‌کنیم که کدام مقاله اول منتشر می‌شود و می‌بینیم چه اتفاقی برای تیمی می‌افتد که دوم شده است.
پایگاه داده پروتئین همچنین به هیل و استین دیدگاهی در مورد چگونگی تأثیر این نژادها بر فرآیند تحقیق ارائه داد. هیل می‌گوید: برخی پروتئین‌ها از نظر بیولوژیکی مهم‌تر از سایرین شناخته شده‌اند. شاید آنها با ژنی مرتبط باشند که مربوط به بیماری است که ما به آن اهمیت می‌دهیم. این پروتئین‌های «با پتانسیل بالا» به طور طبیعی رقابت علمی بیشتری را برای حل آنها به خود جلب می‌کنند.
هیل می‌افزاید: چیزی که در مورد دانشمندان اتفاق می‌افتد با چیزی که ما در مورد رقابت می‌دانیم متفاوت است. در رقابت موضوع این است که کاری را به بهترین نحو انجام دهیم، اما در رقابت علمی امروزی، مهم این است که اولین بار موضوعی را مطرح کنید؛ بدون اینکه لازم باشد آن را به خوبی انجام داده باشید.
هیل و استین یک مدل اقتصادی نوشتند تا توضیح دهند که چگونه این رقابت بر میزان زمانی تاثیر می‌گذارد که دانشمندان برای یک مساله ساختار پروتئینی قبل از آپلود یافته‌های خود در پایگاه داده صرف می‌کنند. در مدل آنها، سرمایه‌گذاری زمان بیشتر برای تحقیقات نتایج با کیفیت بالاتر را تضمین می‌کند، اما همچنین می‌تواند احتمال دستیابی به هدف را کاهش دهد؛ به‌ویژه در پروژه‌هایی که شامل پروتئین‌های با پتانسیل بالا هستند.
این مدل پیشنهاد می‌کند که دانشمندانی که برای حل این پروتئین‌های مهم مسابقه می‌دهند، احتمالاً در تحقیقات عجولانه و با کیفیت پایین‌تر رفتار می‌کنند. هیل و استین سپس پیش‌بینی‌های مدل خود را با عملکرد دانشمندان در دنیای واقعی مقایسه کردند. آنها این کار را با تجزیه و تحلیل معیارهای کیفیت گزارش شده توسط زیست‌شناسان ساختاری و تائید شده توسط پایگاه داده پروتئین انجام دادند. این موارد شامل «رزولوشن» داده‌های ایجاد شده در آزمایش‌های کریستالوگرافی اشعه ایکس و تناسب خوب بین مدل‌های ساختاری و داده‌های تجربی است.
هیل توضیح می‌دهد: ما واقعاً می‌خواستیم اجرا یا اعتبار تحقیق را در نظر بگیریم. اگر پایگاه داده پروتئین را باز کنید، معیارهای کیفیت در هر صفحه پروتئین وجود دارد. بنابراین حتی اگر پروژه‌ای مورد بررسی قرار گیرد و مقاله‌ای منتشر نشود، باز هم می‌توانیم کیفیت نتایج آزمایشی آنها را ببینیم.
ترس‌های اغراق آمیز، نتایج عجولانه هیل و استین پس از تجزیه و تحلیل بیش از هزار و 600 رقابت اولویت‌دار در پایگاه داده پروتئین بین سال‌های 1999 تا 2017 دریافتند که دانشمندان حق دارند نگران این موضوع باشند. تحقیقاتی که در رتبه دوم قرار می‌گیرند، تقریباً 20 درصد کمتر در یک 10 مجله علمی معتبر ظاهر می‌شوند و 24 درصد کمتر احتمال دارد که به مقاله «موثر» تبدیل شوند که توسط دانشمندان دیگر در سال انتشار آن بسیار مورد استناد قرار گرفته است. مقالات دوم شده واقعا مورد استقبال قرار نمی‌گیرند. آنها در پنج سال اول پس از انتشار 21 درصد استناد کمتری نسبت به همتایان رتبه اول خود دریافت می‌کنند.
هیل می‌گوید: اینها اثرات قابل توجهی هستند.
البته این ماجرا بدان معنا نیست که اکتشافات علمی که دوم می‌شوند، کاملا بازی را می‌بازند. این مقالات تنها 2/6 درصد کمتر احتمال دارد -نسبت به مقاله‌ای که اول منتشر شده است- که منتشر شوند. به عبارت دیگر، دوم شدن به معنای این نیست که کار پژوهشی مذکور به زباله‌دانی علمی می‌پیوندد؛ ممکن است که در یک مجله خیلی معتبر مثل «سل» یا «نیچر» منتشر نشود.
هیل می‌گوید: دوم شدن مقاله کمی ناامید کننده است، اما با این حال، همچنان اعتبار خود را حفظ می‌کند.
هیل و استین در واقع 877 زیست‌شناس ساختاری را مورد بررسی قرار دادند و دریافتند که آنها به طور قابل توجهی هم احتمال و هم هزینه‌های به دست آوردن را بیش از حد برآورد کردند. پاسخ دهندگان حدس زدند که 27 درصد احتمال دارد که به خاطر وجود یک رقیب دیگر دوم شوند، در حالی که احتمال واقعی فقط سه درصد بود. آنها همچنین تخمین زدند که یک پروژه تحقیقاتی دوم 59 درصد استناد کمتری دریافت می‌کند، در حالی که در واقع، واقعیت سه برابر کمتر بود.
هیل می‌گوید: آنها فکر می‌کنند که هزینه‌ها و تبعات دوم شدن‌شان فاجعه‌بار است؛ در حالی که احتمالاً اینطور نیست. با این حال، این نتایج نشان می‌دهد که چقدر شهرت در علم اهمیت دارد.
این فشار شهرت همچنین بر نحوه انجام تحقیقات - حداقل در زیست‌شناسی ساختاری - تأثیر می‌گذارد. مدل اقتصادی هیل و استین نشان می‌دهد که در یک رقابت علمی، دانشمندان با شتابزدگی در تحقیقات خود، ترس خود را از تحت تأثیر قرار گرفتن از بین می‌برند. هنگامی که هیل و استین پروژه‌های واقعی را در پایگاه داده پروتئین تجزیه و تحلیل کردند، دریافتند که دانشمندانی که در رقابتی‌ترین پروژه‌های پروتئینی شرکت داشتند، یافته‌های خود را 2 ماه سریع‌تر از دانشمندان دیگر برای پروتئین‌های با اولویت پایین‌تر در پایگاه داده پروتئین آپلود کردند، ولی کارشان در عمل کیفیت بسیار پایین‌تری داشت.
هیل می‌گوید: نتایج این پروژه‌ها کمی سطحی‌تر از آن چیزی است که انتظار داریم.
ایجاد تعادل
با وجود مباحث بالا آیا می‌توان نتیجه گرفت که کلا رقابت علمی خوب نیست و این رقابت علم را تضعیف کرده است؟
هیل می‌گوید: در حالی که اولین راه حل‌ها در این رقابت ممکن است بهترین نباشند، دانشمندان اغلب کارهای بیشتری را برای اصلاح نتایج انجام می‌دهند.
او می‌افزاید: برای پروتئین‌های با پتانسیل بالا، که برای علم مهم هستند، به نظر می‌رسد انگیزه‌های کافی برای دیگران وجود دارد که همراه شوند و کیفیت را بهبود بخشند.
البته این خود اصلاحی‌ها هم بهایی دارد. هیل و استین تخمین می‌زنند که از سال 1971 دو تا 6 میلیارد دلار برای بهبود نتایج اولیه در زیست‌شناسی ساختاری هزینه شده است. هیل می‌گوید: از برخی جهات، ما احتمالاً به عنوان یک جامعه خوشحال هستیم که این هزینه را تحمل می‌کنیم. اما شما همچنین می‌توانید به تغییر انگیزه‌ها فکر کنید تا مجبور نباشیم.
به گفته هیل، نکته کلیدی ایجاد تعادل بهتر بین مشوق‌هایی است که رقابت را تشویق می‌کنند و آنهایی که آن را تسکین می‌دهند. به عنوان مثال، از سال 2000 تا 2015، دولت ایالات متحده بودجه طرح ساختار پروتئین را به منظور حل مشکلات تاخوردگی پروتئین به شیوه‌ای سیستماتیک مشابه رمزگشایی ژنوم انسان تامین کرد.
هیل می‌گوید: آنها بودجه تعدادی از آزمایشگاه‌ها را تأمین کردند تا بتوانند فهرست‌های پروتئین‌ها را بررسی کنند، بدون اینکه تشویق شوند مقالات زیادی بنویسند. این یک رویکرد کارگرگونه برای خلق دانش است. این نیاز به یافتن پاسخ برای دریافت اعتبار را متعادل می‌کند.
از آنجایی که فناوری‌های جدید مانند هوش مصنوعی روش انجام علم را تغییر می‌دهند، هیل می‌گوید که زمان خوبی برای بازنگری در مشوق‌های سازمانی این اکتشافات است. او می‌گوید: ما می‌خواهیم دانشمندان انگیزه‌ای برای انتشار نتایج خود داشته باشند. اما اگر همه کمی کیفیت علم خود را کاهش دهند، بعداً رفع آن بسیار سخت می‌شود.
انتهای پیام/

پیام آذری