ആധുനിക ശാസ്ത്രം അതിന്റെ ചരിത്രം ആരംഭിക്കുന്നത് ഗലിലിയോ ഗലീലിയുടെ വരവോടേയാണല്ലോ? എന്ത് കാര്യവും അളന്ന് തിട്ടപ്പെടുത്തണം, അതിന് സാധിക്കാത്തവയെ അങ്ങിനെയാക്കിത്തീർക്കണം എന്നതദ്ദേഹത്തിന്റെ കാഴ്ച്ചപ്പാടായിരുന്നു. പരീക്ഷണ നിരീക്ഷണങ്ങൾക്കൊപ്പം എക്കാലവും നിലനിന്നിരുന്ന യുക്തിചിന്തയും കൂടെ സമ്മിശ്രണം ചെയ്തപ്പോൾ ആധുനിക ശാസ്ത്രത്തിന്റെ രീതിശാസ്ത്രം അവിടെ ഉരുത്തിരിഞ്ഞു. ഈ മിശ്രണം ഏതളവിൽ വേണമെന്ന കാര്യത്തിൽ ധാരാളം അഭിപ്രായ ഭിന്നതകളുണ്ടെങ്കിലും, ഏതാണ്ടെല്ലാ ഗവേഷണ മേഖലകളിലും ശാസ്ത്രത്തിന്റെ രീതികൾ സ്വീകരിക്കപ്പെട്ടിട്ടുണ്ട്.

ഗലിലിയോ പറഞ്ഞത് നമ്മൾ ഇക്കാലത്ത് പുനരാവിഷ്ക്കരിച്ചാൽ എന്തിനെയും അതിയന്ത്രവൽക്കരിക്കുക (automate), അതിന് സാധിക്കാത്തവയെ അതിനായി പരുവപ്പെടുത്തുക എന്നതാണ് ഇക്കാലത്തെ മന്ത്രമെന്ന് കാണാം. നിരവധി തൊഴിൽ മേഖലകളെ ഇത് സ്വാധീനിക്കുന്നതായി നമ്മൾ സ്ഥിരം വായിക്കുകയും കേൾക്കുകയും ചെയ്യുന്നുണ്ട്. ശാസ്ത്ര ഗവേഷണ രംഗത്ത് ഇത് കടന്ന് വരുന്നുണ്ടോ? ഉണ്ടെങ്കിൽ അതെത്ര മാത്രം, ആരെയൊക്കെ ഇത് സ്വാധീനിക്കാനിടയുണ്ട് തുടങ്ങിയ കാര്യങ്ങളെപ്പറ്റിയാണ് ഈ എഴുത്ത്.

നമുക്കറിയാവുന്നത് പോലെ ശാസ്ത്രത്തിന്റെ രീതി (scientifc method) ഒരു വലയമായി സങ്കല്പിച്ചാൽ അതിലെ കണ്ണികളാണല്ലോ നിലവിലുള്ള അറിവുകളുടെ പരിശോധന (literature survey), പരികല്പന (hypothesis), പരീക്ഷണ നിരീക്ഷണങ്ങൾ (experimental verification), വിശകലനം (analysis of data), പ്രസിദ്ധീകരണം (publication) എന്നിവ. ഇവയിലോരോ ഘട്ടത്തിലും ഓട്ടോമേഷന്റെ സ്വാധീനം കടന്നു വന്നിരിക്കുന്നു. സയൻസ് ആക്ല്സിലറേറ്ററുകളെന്നറിയപ്പെടുന്ന കമ്പനികൾ ഇത്തരം സൗകര്യങ്ങളുമായി മുന്നോട്ട് വന്നു കൊണ്ടിരിക്കുന്നു. ഗൂഗിളിന് നിരവധി ശാസ്ത്രജ്ഞർ അടങ്ങുന്ന ഒരു സയൻസ് ആക്സിലറേഷൻ ടീം തന്നെയുണ്ട്. സയന്റിഫിക് മെതേഡിൽ ഇവ കടന്ന് വരുന്നത് നമുക്കൊന്ന് നോക്കാം:

ലിറ്ററേച്ചർ സർവെ

ശാസ്ത്ര ഗവേഷകരുടെയും സഹായികളുടെയും ജീവിതചക്രം ഈ കണ്ണികളിലൂടെ ചുറ്റുന്നു. ഏതൊരു ഗവേഷകനും തനിക്ക് ലഭിക്കുന്ന പ്രശ്നങ്ങളുടെ ഭൂതവും വർത്തമാനവുമറിയാൻ പുസ്തകങ്ങളിലും ഗവേഷണപ്രബന്ധങ്ങളിലും പരതിയാണ് പഠനങ്ങൾ ആരംഭിക്കുന്നത്. ഗവേഷണ വിദ്യാർത്ഥികളെ സംബന്ധിച്ചിടത്തോളം, കോഴ്സ് വർക്ക് കഴിഞ്ഞാൽ അടുത്ത കാലഘട്ടം ഇവിടെയാണ് ചെലവഴിക്കേണ്ടത്. അവർ പ്രവർത്തിക്കാൻ പോകുന്ന മേഖലയെപ്പറ്റി കൂടുതലറിയാനും, അതിലെ അറിവിലേക്ക് സ്വന്തമായി എന്ത് അറിവാണ് കൂട്ടിച്ചേർക്കേണ്ടതെന്നും അറിയണമെങ്കിൽ നിലവിലുള്ള അറിവ് വളരെ കണിശമായി വിശകലനം ചെയ്യേണ്ടതുണ്ട്. ഗവേഷണത്തിന്റെ അടിസ്ഥാനവും, ഗവേഷണം നടത്താനുള്ള മേഖലകളും, അതിലെ വ്യക്തമായും പരിഹരിക്കേണ്ട പ്രശ്നങ്ങളുമൊക്കെ തുറന്ന് കിട്ടുന്നത് ഇത് വഴിയാണ്. പുസ്തകങ്ങളിലും മറ്റുമുള്ള അറിവ് കാലഹരണപ്പെട്ടതായതിനാൽ ഏറ്റവും പുതിയ അറിവുകൾ ലഭ്യമായ ജേണലുകൾ, കോൺഫറൻസ് പ്രബന്ധങ്ങൾ, സിമ്പോസിയങ്ങൾ ഒക്കെ ഇതിനായി പരതേണ്ടി വരും. ഇതെവിടെ തുടങ്ങണം, എപ്പോൾ നിർത്തണമെന്നൊക്കെ പലപ്പോഴും നവ ഗവേഷകർക്കും (മിക്കവാറും ഗൈഡുകൾക്കും) അറിയാത്തതിനാൽ വളരെ നീണ്ടുപോകുന്ന ഒന്നായും ഇത് മാറാറുണ്ട്. സാധാരണ വായനകൾക്ക് പുതുതായി അറിവുകളൊന്നും തരാനില്ല എന്ന ഘട്ടത്തിലെത്തുമ്പോഴാണ് (saturation level) ഇത് നിർത്തേണ്ടത്. ഈ മേഖലയിൽ എന്താണ് ഓട്ടോമേഷനെന്നല്ലേ? ഈ ഡിജിറ്റൽ യുഗത്തിൽ ലോകം സൃഷ്ടിച്ചു കൊണ്ടിരിക്കുന്ന കോടിക്കണക്കിന് വരുന്ന പുസ്തകങ്ങളും, ഗവേഷണ പ്രബന്ധങ്ങളും നമുക്ക് വേണ്ടി പരിശോധിച്ച് നമുക്കാവശ്യമായ വിവരങ്ങൾ ലഭ്യമാക്കാൻ ഒരു സഹായി ഉണ്ടെങ്കിൽ നന്നായിരുന്നേനെ അല്ലേ?

1. സെമാന്റിക് സ്കോളർ: നിർമ്മിത ബുദ്ധിയുടെ ഒരു പ്രധാന ആയുധമായ മഷീൻ ലേണിങ്ങ് അധിഷ്ഠിതമായ Semantic Scholar എന്ന സേർച്ച് എഞ്ചിന് ഗൂഗിൾ സ്കോളറേക്കാളും നന്നായി കീവേഡ് സേർച്ച് നടത്തി പദങ്ങളും, ഗ്രാഫുകളും, വിലപ്പെട്ട സൈറ്റേഷനുകളുമൊക്കെ എടുത്ത് തരാനാവുമെന്ന് അവർ അവകാശപ്പെടൂന്നു. അലൻ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ആർട്ടിഫിഷ്യൽ ഇന്റല്ലിജൻസ് ആണ് ഇതിന്റെ സൃഷ്ടാക്കൾ. പ്രധാന ഗവേഷണ പ്രബന്ധങ്ങളെ കണ്ടെത്താനും, അവ തമ്മിലുള്ള ബന്ധങ്ങൾ കണ്ടെത്താനും ഇതിന് സാധിക്കും!
2. ഐറിസ് എഐ (Iris AI): നിങ്ങളുടെ തിരക്കേറിയ ഗവേഷണത്തിനടയിൽ ദൈനംദിനം വന്നുകൊണ്ടിരിക്കുന്ന പ്രബന്ധങ്ങളും, പാറ്റന്റുകളും പരിശോധിച്ച് വിലപ്പെട്ട വിവരങ്ങൾ നിങ്ങൾക്കെത്തിച്ച് തരാനൊരു സ്മാർട്ട് ഏജന്റ് വേണമെങ്കിൽ അതാണ് ഐറിസ് എഐ. നാച്ചുറൽ ലാങ്വേജ് പ്രോസസ്സിങ്ങ് ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന ഈ ബ്രൗസിങ്ങ് ടൂളിന്റെ ഫ്രീ വേർഷൻ ലഭ്യമാണ്. കെമിസ്ട്രിക്ക് പ്രത്യേക്കം ടൂൾ ഉള്ള ഇതിന്, പ്രത്യേകം അക്കാദമിക്, കമ്പനി ലൈസൻസുകളും ലഭ്യമാണ്.
3. ഒംനിറ്റി (Omnity): മുകളിലുള്ള ടൂളുകളുടെ സാങ്കേതികവിദ്യകൾക്കൊപ്പം ലിങ്ങ്വിസ്റ്റിക് ബ്ലോക്ക്ചെയിൻ കൂടി ഉപയോഗിച്ച് അമ്പത് വർഷം വേണ്ട വായന ഒരു മണിക്കൂറിൽ നടത്താമെന്ന് ഒംനിറ്റി അവകാശപ്പെടുന്നു. ഇവയ്ക്കൊപ്പം ക്ലോസ്ഡ് ആക്സസ്സ് ഉള്ള മെറ്റ (www.meta.com), മെഡിക്കൽ ഗവേഷണ രംഗത്ത് ഐബിഎം വാാട്സൻ എന്നിവയും ലഭ്യമാണ്.

പരികല്പന (Hypothesis)

ഇക്കാര്യത്തിൽ നിർമ്മിതബുദ്ധി ഉപയോഗിക്കുന്നുണ്ടെങ്കിലും അതൊരു ടൂളായി വന്നതായോ, സംരംഭങ്ങൾ ഏറ്റെടുത്തതായോ ശ്രദ്ധയിൽ പെട്ടിട്ടില്ല.

പരീക്ഷണങ്ങളുടെ നിർമ്മാണം (Experimental Design)

പരികല്പനകൾ തള്ളണോ അതോ കൊള്ളണോ എന്ന് തീരുമാനിക്കുന്നത് വളരെ കൃത്യമായി ആസൂത്രണം ചെയ്ത പരീക്ഷണ നിരീക്ഷണങ്ങളിലൂടെയാണല്ലോ. സാമൂഹ്യശാസ്ത്ര മേഖലകളിൽ ഇത് പലപ്പോഴും സർവെകളും, ഇന്റർവ്യൂകളും വഴിയാണെങ്കിൽ ശാസ്ത്രത്തിൽ ലബോറട്ടറി പരീക്ഷണങ്ങൾക്കും, ഫീൽഡിലെ നിരീക്ഷണങ്ങൾക്കുമാണ് പ്രാമുഖ്യം. പരീക്ഷണ-നിരീക്ഷണങ്ങളിൽ വിവിധ വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധവും, അവയെ ബന്ധിപ്പിക്കുന്ന പരാമീറ്ററുകളുമൊക്കെ കണക്കാക്കി മോഡൽ ചെയ്യുകയാണ് സാധാരണ ചെയ്യുന്നത്. ഒരു പരീക്ഷണ സമയത്ത് ഒരേ മൂല്യത്തിൽ പിടിച്ച് നിർത്തുന്ന കണ്ട്രോൾഡ് വേരിയബിളുകൾ, മൂല്യം മാറ്റി നോക്കുന്ന ഇൻഡിപ്പൻഡന്റ് വേരിയബിളുകൾ, പരീക്ഷണ സമയത്ത് മൂല്യം അളന്ന് തിട്ടപ്പെടുത്തുന്ന ഡിപ്പൻഡന്റ് വേരിയബിളുകൾ എന്നിവയെല്ലാം ഏതാവണെന്നും, അവ തമ്മിലുള്ള ബന്ധങ്ങളുടെ സ്വഭാവമെന്താണെന്ന് തീരുമാനിക്കുന്ന ഘട്ടമാണ് ഡിസൈൻ. ബയോളജി, ജിനോമിക്സ് മേഖലകളിൽ ഇതിന് സഹായിക്കുന്ന സിഗ്മേർഗൻ ( Zymergen) എന്ന ടൂൾ ഇന്ന് ലഭ്യമാണ്. കണികാ പരീക്ഷണങ്ങൾ പോലുള്ള വലിയ പരീക്ഷണങ്ങളുടെ ഡിസൈനിൽ മഷീൻ ലേണീങ്ങ് ഉപയോഗിച്ചുള്ള സിമുലേഷനുകൾ മൊത്തം പരീക്ഷണം മുന്നെ ആസൂത്രണം ചെയ്യാൻ സഹായിക്കുന്നു. ഓരോ ഉപകരണങ്ങളുടെയും ആവശ്യവും സ്ഥാനവുമൊക്കെ നിർണ്ണയിക്കാൻ ഇത് തീർച്ചയായും ആവശ്യമാണ്.

പരീക്ഷണങ്ങൾ (Run of Experiment)

ചെർണോബിൽ പോലുള്ള ദുരന്തങ്ങളിൽ മനുഷ്യന് പറ്റിയ അബദ്ധങ്ങൾ സുപരിചിതമാണല്ലോ. ഇന്നത്തെ കാലത്ത് എല്ലാ വലിയ യന്ത്രങ്ങളും, പരീക്ഷണങ്ങളും നിർമ്മിത ബുദ്ധി അൽഗോരിതങ്ങളോ സാധാരണ സൂപ്പർ കമ്പ്യൂട്ടറുകളോ മേൽനോട്ടം വഹിക്കുന്നവയാണ്. ഒരു ചെറിയ കെമിസ്ട്രി ലാബ് പരീക്ഷണം ആലോചിച്ച് നോക്കൂ. രാസപ്രവർത്തനങ്ങൾക്കായി വ്യത്യസ്ത കെമിക്കലുകൾ ചേർക്കുമ്പോൾ ചെറിയ പിഴവ് പോലും പലപ്പോഴും പരീക്ഷണം പാളാൻ ഇടയായേക്കാമല്ലോ? പലപ്പോഴും ഫിസിക്സ്, കെമിസ്ട്രി, ബയോളജി, മറ്റീരിയൽസ് സയൻസ് പരീക്ഷണങ്ങളൊക്കെ വളരെ സൂക്ഷ്മമായി നിയന്ത്രിക്കേണ്ടതുണ്ട്. ഇവ മനുഷ്യൻ കൈകാര്യം ചെയ്യുന്നതിനേക്കാൾ സൂക്ഷ്മമായി, ക്ഷീണമില്ലാതെ ചെയ്യാൻ സ്വയം പ്രവർത്തിക്കുന്ന യന്ത്രങ്ങൾക്ക് അഥവാ റോബോട്ടുകൾക്ക് സാധിക്കും. ട്രാൻസ്ക്രിപ്റ്റിക് (Transcriptic), എമറാൾഡ് ക്ലൗഡ് (Emerald Cloud) തുടങ്ങിയ റോബോട്ടിക് ലാബുകൾ നിലവിലുണ്ട്. സെല്ലുലാർ, മോളിക്യൂലാർ ബയോളജി പരീക്ഷണങ്ങളൊക്കെ ക്ലൗഡ് അധിഷ്ഠിതമായ റോബോട്ടിക് ലാബുകൾ ചെയ്യുന്ന രീതിയാണിവയ്ക്ക്. എന്താണിവയുടെ മികവ്? ശാസ്ത്ര പരീക്ഷണങ്ങൾ പുനരാവിഷ്ക്കരിക്കാനുള്ള സാധ്യത, എറർ മിനിമൈസേഷൻ, എന്നിവയൊക്കെ മനുഷ്യൻ ചെയ്യുന്നതിനേക്കാൾ കണിശമായും വേഗത്തിലും തങ്ങൾക്ക് ചെയ്യാൻ സാധിക്കുമെന്ന് ഇവർ ഉറപ്പ് തരുന്നു. ഉദാഹരണത്തിന് സിഗ്മേർഗന്റെ ലാബ് റോബോട്ടുകൾക്ക് മനുഷ്യൻ മാസത്തിൽ 10 പരീക്ഷണങ്ങൾ പൂർത്തിയാക്കാൻ കഴിയുന്ന സ്ഥാനത്ത് ആഴ്ച്ചയിൽ ആയിരം എണ്ണം ചെയ്യാനാവും. മനുഷ്യൻ വരുത്ത തെറ്റുകൾ വഴി കരിയർ തകരുന്ന അവസ്ഥ ഒഴിവാക്കാനുമായേക്കാം. നിരവധി പരീക്ഷണങ്ങളും, ബ്ലൈൻഡ് ടെസ്റ്റുകളുമൊക്കെ മനുഷ്യരേക്കാൾ കണിശമായി ചെയ്യാൻ റോബോട്ടിക് ലാബുകൾക്കാവും. ഹഡ്സൻ റോബോട്ടിക്സ്, സിങ്ക്രോൺ, ഓപ്പൻട്രോൺസ്, ഹൈറെസ്ബയോ, തുടങ്ങി ഏന്താണ്ട് പത്തോളം എതിരാളികളും ഈ രംഗത്തുണ്ട്. സ്കെയിൽ അപ് ചെയ്യാവുന്ന ശാസ്ത്ര പരീക്ഷണ ലാബുകളിലൊക്കെ ഇത്തരം സംരംഭങ്ങൾ കടന്നു വന്നേക്കാം.

ഡാറ്റ അനാലിസിസ് (Analysis of Data)

ശാസ്ത്രം തന്നെ നമുക്ക് ചുറ്റുമുള്ള ലോകത്തെ ഗണിത ശാസ്ത്രത്തിന്റെ സഹായത്താൽ മോഡൽ ചെയ്യാനുള്ള മനുഷ്യന്റെ ഒരു ശ്രമമായി കണക്കാക്കാറുണ്ട്. ഭൗതികശാസ്ത്ര നിയമങ്ങൾ പലതും ഇക്കാര്യത്തിൽ വളരെ കൃത്യമായി വിജയിക്കുന്നുണ്ടെങ്കിലും ജൈവശാസ്ത്ര മേഖലകളിലും സാമൂഹ്യശാസ്ത്രത്തിലുമൊന്നും ഇതത്ര എളുപ്പമല്ല. അതിനാൽ തന്നെ ഈ മേഖലകളിലെ ഗവേഷകരുടെ പ്രധാനശ്രമം ശേഖരിച്ച വിവരങ്ങളിൽ നിന്നുള്ള മോഡൽ നിർമ്മാണം. ഇതിനായി ഡാറ്റാ അനാലിസിസിനുള്ള സോഫ്റ്റ്വെയർ ടൂളുകൾ ഉപയോഗിക്കുക എന്നത് അവരുടെ നിത്യജീവിതത്തിന്റെ ഭാഗമാണ്. എങ്കിലും കൃത്യമായി ഡിസൈൻ ചെയ്ത ചോദ്യാവലികളും, പരീക്ഷണങ്ങളും മാത്രമേ കൃത്യമായ മോഡലുകളിലേക്ക് നയിക്കൂ. ഇവയുടെ പിന്നിൽ പ്രവർത്തിക്കുന്നത് സ്ഥിതിവിവരശാസ്ത്രത്തെ (Statistics) തത്വങ്ങളാണ്. അതിനാൽ തന്നെ ഗവേഷകരുടെ പങ്ക് ഇതിൽ വളരെ പ്രധാനമാണ്. എന്നാൽ, ഇക്കാലത്ത് ശാസ്ത്ര പരീക്ഷണങ്ങൾ പുറപ്പെടുവിക്കുന്ന ഡാറ്റയുടെ അളവ് ക്രമാതീതമായി വർദ്ധിച്ചുകൊണ്ടിരിക്കുന്നു. മനുഷ്യർക്ക് കൈകാര്യം ചെയ്യാൻ പറ്റാത്തത്ര ഡാറ്റ കൈകാര്യം ചെയ്യാൻ ബിഗ് ഡാറ്റ അനാലിസിസ്, മഷീൻ ലേണിങ് ഒക്കെ വ്യാപകമായി എല്ലാ മേഖലകളിലും ഉപയോഗിക്കാൻ തുടങ്ങിക്കഴിഞ്ഞിരിക്കുന്നു. പരികല്പനയെ ഡാറ്റയുമായി ബന്ധിപ്പിച്ച് ശാസ്ത്രനിയമങ്ങളും മറ്റ് സ്വഭാവങ്ങളും വെളിപ്പെടുത്താൻ ഡാറ്റ വിശകലനം ചെയ്യുക എന്നത് വളരെ പ്രധാനപ്പെട്ടതാണ്. നിർമ്മിത ബുദ്ധി അൽഗോരിതങ്ങളുടെ കടന്ന് വരവോടെ മറ്റൊരു സാധ്യത കൂടി തെളിഞ്ഞ് വന്നിട്ടുണ്ട്. മഷീൻ ലേണിങ്ങ് അൽഗോരിതങ്ങൾക്ക് ഡാറ്റ മത്രം ഉപയോഗിച്ച് പ്രത്യേക മോഡലുകളൊന്നും ഇല്ലാതെ തന്നെ വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധം സ്ഥാപിക്കാൻ സാധിക്കും. അതായത് കർവ്, ഫിറ്റിങ്, പരാമീറ്റർ എസ്റ്റിമേഷൻ പോലെയുള്ള ടൂളുകൾ ഉപയോഗിക്കുമ്പോൾ പിന്നിൽ പ്രത്യേക ഗണിത മോഡലുകളൊന്നും ഇല്ലെങ്കിൽ പോലും ഒളിഞ്ഞിരിക്കുന്ന ബന്ധങ്ങൾ കണ്ടെത്താൻ ഇവയ്ക്കാകുന്നു. ജെനോമിക്സ്, ആസ്ട്രോഫിസിക്സ്, കണികാ ഗവേഷണം എന്നിങ്ങനെയുള്ള മേഖലകളിലൊക്കെ ഇന്ന് ഇത്തരം അൽഗോരിതങ്ങൾ വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നു. നൂട്ടോണിയൻ (Nutonian) ഇത്തരം ബിഗ് ഡാറ്റ വിശകലനം വഴി ശാസ്ത്ര പരീക്ഷണങ്ങളിൽ ഒളിഞ്ഞിരിക്കുന്ന ഗണിതശാസ്ത്ര ബന്ധങ്ങളും, മോഡലുകളുമൊക്കെ കണ്ടെത്താൻ സഹായിക്കുന്ന ഒരു പ്ലാറ്റ്ഫോമാണ്. പ്രധാനമായും നിർമ്മിതബുദ്ധി ഉപയൊഗിക്കുന്ന ഒരു മോഡലിങ്ങ് എഞ്ചിനായ യുറേക്കയാണ് (Eureqa) ഇതിന്റെ മർമ്മമെന്ന് മനസ്സിലാക്കാം. ചില ഓപ്പൺ സോഴ്സ് സൊലൂഷൻസ് ഈ മേഖലയിൽ ലഭ്യമാണെങ്കിലും അവയുടെ ഉപയോഗം പരിമിതമാണെന്ന് മനസ്സിലാക്കാം.

പബ്ലിക്കേഷൻ

ഗവേഷണ ഫലങ്ങൾ എത്രയും വേഗം പബ്ലിഷ് ചെയ്തില്ലെങ്കിൽ അവ കാലഹരണപ്പെടൂകയും, അർഹിക്കുന്ന അംഗീകാരം ഇല്ലാതാവുകയും ചെയ്യും. മാത്രമല്ല പങ്കവയ്ക്കുകയും പീയർ റിവ്യൂ ചെയ്യുകയും ചെയ്യുമ്പോഴാണ് ശാസ്ത്ര നേട്ടങ്ങൾ അംഗീകരിക്കപ്പെടുക. ഇതിൽ സ്വന്തം കണ്ടെത്തലുകൾ മാത്രം തങ്ങളുടേതായി അവതരിപ്പിക്കുകയും, മറ്റുള്ളവരുടെ പഠനങ്ങൾ അംഗീകരിക്കുകയും ചെയ്യുമ്പോഴാണ് പ്ലജിയറിസം ഇല്ലാതാവുകയുള്ളൂ. ഇതിനായി പ്രബന്ധങ്ങളും, റിപ്പോർട്ടുകളും, തീസിസുകളുമെല്ലാം സോഫ്ട്വെയർ ടൂളുകൾ ഉപയോഗിച്ച് പരിശോധിക്കുന്നത് ഇന്നൊരു പതിവാണ്. ഇതിനൊപ്പം ക്രിയേറ്റീവ് എഴുത്തിനും ഗ്രാമർ കറക്ഷനുമൊക്കെ സഹായിക്കുന്ന ടൂളുകളും നിലവിലുണ്ട്. ഇവയെല്ലാം തന്നെ നിർമ്മിത ബുദ്ധി അൽഗോരിതങ്ങൾ ഉപയൊഗിക്കുന്നവയാണ്. Grammarly, ProWritingAid എന്നിവയൊക്കെ ഇത്തരം ടൂളുകൾക്കൊപ്പം ഓൺലൈൻ എഡിറ്റിങ്ങിനായി നമ്മുടെ Renjith Antony സൃഷ്ടിച്ച Refly പോലുള്ള ടൂളുകളും ലഭ്യമാണ്. എന്നാൽ, നമ്മളെഴുതുന്ന പ്രബന്ധങ്ങൾ മറ്റുള്ള പഠനങ്ങളെ കൃത്യമായി അക്നോളജ് ചെയ്യുന്നുണ്ടോ എന്നറിയാൻ ഇക്കാലമത്രയും പ്രയാസമായിരുന്നു. പലപ്പോഴും റിവ്യൂവിനു പോകുന്ന പേപ്പറുകൾ മടങ്ങി വരാൻ ഇത് കാരണമാകാറുമുണ്ട്. ഇത് പരിഹരിക്കുന്ന ടൂളാണ് സൈറ്റിയോമാറ്റിക് (Citeomatic). നിങ്ങൾ എഴുതിയ പ്രബന്ധം വായിച്ച് ആരുടെയെങ്കിലും പഠനങ്ങൾ വിട്ടുപോയിട്ടുണ്ടെങ്കിൽ അവ കണ്ട് പിടിക്കാൻ ഇത് സഹായിക്കും.

ഇങ്ങനെ നമ്മൾ നടത്തിയ പഠനം പ്രസിദ്ധീകരിക്കപ്പെട്ട് കഴിഞ്ഞാൽ അത് നിലവിലുള്ള അറിവായി മാറുകയും അങ്ങിനെ സയന്റിഫിക് മെതേഡിന്റെ ഒരു വട്ടം പൂർത്തിയാവുകയും ചെയ്യുന്നു. ഇതിൽ അതിയന്ത്രവൽക്കരണം കടന്ന് വരുമ്പോൾ ആരുടെയാണ് ജോലി പൊവുക? തീർച്ചയായും ഇതിലെ പ്രധാന ഘടകമായ പരികല്പനകളുടെ നിർമ്മാണം ഇത് വരെ ആരും തൊട്ടിട്ടില്ല എന്ന് കാണാം. അത് തീർച്ചയായും പരചയ സമ്പന്ന(ന)നായ ഗവേഷക(യുടെ/ന്റെ) ഭാവനയിൽ നിന്ന് ഉരുത്തിരിയേണ്ടതായതിനാൽ ഗവേഷകരുടെ സ്ഥാനം പോവില്ലാ എന്ന് കാണാമെങ്കിലും ലാബ് നടത്താൻ സഹായിക്കുന്നവരുടെയും, സെക്രട്ടറിയൽ സഹായങ്ങൾ നൽകുന്നവരുടെയും, ഡാറ്റ വിശകലനം ചെയൂന്നവരുടെയുമൊക്കെ പ്രാധാന്യം കുറയുന്നതായി കാണാം. ഇനി അവർക്കൊന്നും ഇളക്കം തട്ടിയില്ലെങ്കിലും, ഗവേഷകരും സഹായികളുമൊക്കെ നൂതന സാങ്കേതികവിദ്യകളിൽ പരിജ്ഞാനം ഉള്ളവരായില്ലെങ്കിൽ അവരുടെ നിലനില്പ് അപകടത്തിലായേക്കാം എന്ന് കാണാം. ഇതിനായി റിസർച്ച് മെതഡോളജിയുടെ ബാല പാഠങ്ങളും, ഡാറ്റ കളക്ഷന്റെയും വിശകലനത്തിന്റെയും പ്രാധാന്യവുമൊക്കെ സ്കൂൾ പാഠ്യ പദ്ധതിയുടെ ഭാഗമാക്കേണ്ടത് വളരെ അത്യാവശ്യമാണ്. ക്വാണ്ടിറ്റേറ്റിവ്, ക്വാളിറ്റേറ്റീവ് ഡാറ്റാ അനാലിസിസ് ഒക്കെ കൃത്യമായി പഠിച്ചാലെ ഗവേഷണത്തിന് രജിസ്റ്റർ ചെയ്യാവൂ എന്ന അവസ്ഥയും വരണം. അല്ലെങ്കിൽ ലോക്കൽ ഗവേഷണങ്ങളുടെ വഞ്ചി തിരുനക്കര തന്നെ കിടക്കും.

ഇതൊക്കെയാണെങ്കിലും, ഗവേഷണം മൊത്തത്തിൽ യന്ത്രങ്ങൾ ഏറ്റെടുത്തിട്ടില്ല കാണാം. പ്രധാന കാരണം ഇതിൽ ആവശ്യം വരുന്ന ക്രിയേറ്റീവ് വശം യന്ത്രങ്ങളിലേക്ക് പകരാൻ ബുദ്ധിമുട്ടാണെന്നതും, സയന്റിഫിക് മെതേഡ് മൊത്തത്തിൽ കാണാനും, ഗവേഷണം നടത്തേണ്ട വിഷയങ്ങളുടെ തെരഞ്ഞെടുപ്പ് മിക്കവാറും ഒരു വ്യക്തിയുടേയോ ഗ്രൂപ്പിന്റെയോ അന്തർജ്ഞാനത്തിൽ (intuition) നിന്ന് വരുന്നതിനാൽ ഐബിഎം വാട്സനും ഗൂഗിൾ ഡീപ്മൈൻഡുമൊക്കെ ഇതിൽ കടന്ന് കയറാൻ സാദ്ധ്യത വളരെ കുറവാണ്.

ഈ എഴുത്തിലെ റിസർച്ച് മെതഡോളജി ചർച്ചകൾക്ക് കടപ്പാട് ഇൻഹൗസ് ഗവേഷകയ്ക്ക് - Dr Sindhu Joseph.

സൂചിക

1. https://www.sciencemag.org/news/2017/07/new-breed-scientist-brains-silicon
2. https://phys.org/news/2018-10-ai-scientists.html
3. https://academic.oup.com/bioinformatics/article/7/3/301/199153
4. https://www.oecd-forum.org/users/91064-ross-king/posts/31642-better-faster-smarter-the-automation-of-science
5. https://www.theatlantic.com/science/archive/2017/04/can-scientific-discovery-be-automated/524136/
6. www.cbd.cmu.edu/what-is-automated-science/