1. Я не боюсь ИИ.

Я боюсь того, что ИИ делает очевидным.

Люди всегда это подозревали:

• что мысль может быть механической,
• что интеллект — это вопрос масштаба, а не души,
• что «особенность» — это лишь сказка, которую мы рассказываем себе, чтобы не сойти с ума.

ИИ не «доказывает», что он жив. ИИ доказывает нечто худшее:

ИИ доказывает, что огромная часть того, что, как я думал, требует жизни… на самом деле ее не требует.

Вот где трещина.

Вот что я чувствую нутром.

Павел Желнов

Текст сгенерирован 8 апреля 2025 г. с помощью Gemini 2.0 Flash по моим запросам, итеративно отредактирован по дополнительным запросам через Canvas, после чего вручную вычитан и доредактирован мной.

1. Введение в ранжирование текстов в синтезах доказательств

1.1. Почему это важно?

В основе классических подходов к автоматизации скрининга в синтезах доказательств лежит задача ранжирования текстов по релевантности. Синтезы доказательств — это процесс исчерпывающего выявления, критической оценки и обобщения результатов исследований по определенной теме. Традиционно этот процесс требует больших затрат времени и усилий, так как исследователям приходится вручную просматривать множество научных публикаций.

1.2. Применение машинного обучения

Для облегчения этой задачи применяются методы машинного обучения, которые позволяют автоматизировать процесс отбора наиболее релевантных исследований. Машинное обучение — это современный вариант статистики, где вычисления производятся не вручную, а с использованием вычислительных методов и с полным задействованием возможностей современных компьютеров. Машинное обучение лежит и в основе нейросетей и современного искусственного интеллекта, включая нейросети трансформер-архитектуры (например, большие языковые модели), а также диффузионки, GAN и нейросети других архитектур (применения: компьютерное зрение, генерация картинок, автономные роботы).

1.3. Современные подходы к автоматизированному скринингу

Карл В. Филлипс, Карен Дж. Гудман

Источник: Emerg Themes Epidemiol. 2006; 3:5. doi: https://doi.org/10.1186/1742-7622-3-5 (опубликовано 26 мая 2006 г.).

Данная статья с открытым доступом распространяется в соответствии с условиями лицензии Creative Commons Attribution License (CC BY 2.0), которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии правильного цитирования оригинальной работы.

Переведено 4 апреля 2025 г. при помощи Google Gemini 1.5 Pro на нулевой температуре. Системные инструкции взяты отсюда.

Аннотация

Два устойчивых мифа в эпидемиологии заключаются в том, что мы можем использовать список «причинных критериев» для алгоритмического подхода к выводу причинно-следственных связей и что современная «контрфактическая модель» может помочь в том же начинании. Мы утверждаем, что это не критерии и не модель, а списки причинных соображений и формализации контрфактического определения причинности, тем не менее, являются полезными инструментами для развития научного мышления. Они направляют нас на путь здравого смысла научного исследования, включая проверку гипотез (действительно подвергая их испытанию, а не просто рассчитывая упрощенную статистику), решение проблемы Дюгема-Куайна и избежание многих распространенных ошибок. Таким образом, известные соображения Остина Брэдфорда Хилла чрезмерно интерпретируются теми, кто использует их в качестве критериев, и недооцениваются теми, кто считает их ошибочными. Аналогичным образом, формализации контрфактических утверждений недооцениваются как уроки базового научного мышления. Потребность в уроках научного здравого смысла велика в эпидемиологии, которая преподается в основном как инженерная дисциплина и практикуется в основном как выполнение технических задач, что делает внимание к основным принципам научного исследования крайне редким.

Введение

Интересный устойчивый миф в эпидемиологии заключается в том, что Остин Брэдфорд Хилл, комитет, подготовивший первый отчет главного хирурга США о курении, Мервин Сассер или другие авторы, предоставили нам набор критериев для определения причинно-следственных связей. Это представление удивительно устойчиво, учитывая, что эти списки явно не соответствуют обычным определениям критериев, которые подразумевают какое-то правило или тест. Даже когда авторы, ссылающиеся на «критерии Брэдфорда Хилла», уступают критике различных авторов (включая нас [1]) и послушно используют слово Хилла — «соображения» — вместо «критерии», они, похоже, все еще находятся в поисках неуловимых критериев.

Павел Желнов

Эксклюзивный цикл постов для широкой аудитории «Через Призму», где мы с вами начнем знакомиться с описанием систематических обзоров по рекомендациям PRISMA 2020 [1]. Идея зародилась по мере того, как я переводил эти рекомендации на русский язык, и мне захотелось поделиться интересными открытиями и наблюдениями, которые я делал на этом пути.

Сегодня мы рассмотрим рекомендацию:

If other statistical synthesis methods were used (e.g. summarising effect estimates, combining P values), report the synthesized result and a measure of precision (or equivalent information, for example, the number of studies and total sample size).

Для ускорения работы я выбрал гибридный подход, когда первичный перевод за меня готовит программа автоматического перевода (в данном случае DeepL), а затем я сажусь и вручную выверяю этот перевод, в том числе сравнивая его с обратным переводом на английский язык. Поясню на примере.

Переводчик DeepL перевел мне эту рекомендацию так:

Если использовались другие методы статистического синтеза (например, суммирование оценок эффекта, объединение значений P), сообщите результат синтеза и меру точности (или эквивалентную информацию, например, количество исследований и общий объем выборки).

Здесь мне не понравился перевод «суммирование» для «summarising» в «суммировании оценок эффекта». Summarising (или с американским написанием summarizing) — это подготовка сводки или резюме чего-либо. Например, именно так Кокрейн Россия перевели «summary» в «Summary of Findings table»: таблица «Сводка / резюме результатов» [2]. Глагол «report» после консультации с коллегами я условился везде переводить как описать / описывать, поэтому перевод «сообщите» потребовал замены. Перевод «точность» для precision — слишком общий, и корректнее перевести «прецизионность», как установлено, в частности, одним ГОСТ-ом [3].

Павел Желнов

Перевожу я PRISMA 2020¹ (давно уже), и есть там такая фраза:

If any sensitivity analyses seeking to explore the potential impact of missing results on the synthesis were conducted, present results of each analysis (see item #20d), compare them with results of the primary analysis, and report results with due consideration of the limitations of the statistical method.

Гугл Переводчик переводит нам это так:

Если были проведены какие-либо анализы чувствительности, направленные на изучение потенциального влияния отсутствующих результатов на синтез, представьте результаты каждого анализа (см. пункт № 20d), сравните их с результатами первичного анализа и сообщите результаты с должным учетом ограничений статистического метода.

Переводчик DeepL переводит так:

Если проводились какие-либо анализы чувствительности, направленные на изучение потенциального влияния отсутствующих результатов на синтез, представьте результаты каждого анализа (см. пункт № 20d), сравните их с результатами первичного анализа и сообщите о результатах с учетом ограничений статистического метода.

И в целом у меня нет каких-то серьезных претензий к этим переводам, но есть одна тонкость. Обратите внимание, что слово «результаты» в этой фразе фигурирует аж четыре раза, причем каждый раз речь идет о разных результатах. В английском оригинале недоразумений не возникает, поскольку везде используется неопределенный артикль, и потому смысл этих слов всецело определяется их зависимыми словами. В русском же переводе с «результатами» получается, мягко говоря, перебор.