ШІ у формулюванні гіпотез: від генетики до соціальних наук

Геноміка сьогодні продукує більше даних, ніж будь-яка дослідницька група здатна переглянути вручну. Дослідження асоціацій усього геному (GWAS) зазвичай охоплює варіанти, які налічують мільйони, на когортах, що сягають сотень тисяч учасників. У соціальних науках масштаб подібний: дані з цифрових медіа, адміністративні реєстри, транскрипції інтерв'ю. Все це створює корпуси, систематичний ручний аналіз яких практично неможливий у розумні терміни. Питання вже не в тому, «чи використовувати ШІ у дослідженнях», а в тому, «в яких точках дослідницького процесу ШІ дає реальну цінність, а де людина залишається незамінною».

У Cashcrown працюємо з компаніями, які впроваджують аналітичні системи на власних масивах даних. Нижче зібрали те, що спостерігаємо як повторювані патерни: без декларативних тверджень про революцію, з конкретним зазначенням, де рішення все ще належить досліднику.

Найбільша перевага моделей ШІ в генетиці — здатність обробляти багатовимірні дані без необхідності попереднього накладання структури дослідником.

Виявлення патернів у геномних даних. Моделі, натреновані на даних секвенування, вивчають кореляції між варіантами та фенотиповими ознаками, які не були б помітні в класичному регресійному аналізі. AlphaMissense від DeepMind охарактеризував патогенність понад 70 мільйонів missense-варіантів — завдання, яке традиційними методами зайняло б десятиліття. Важливе застереження: кореляція між варіантом і фенотипом — це не причинно-наслідковий механізм. Дослідник має оцінити біологічну правдоподібність кожної виявленої асоціації перед переходом до експерименту.

Пошук і синтез літератури. LLM з доступом до баз PubMed, bioRxiv чи Europe PMC здатні за кілька годин згенерувати карту суперечностей і білих плям у літературі на задану тему. Систематичний огляд, який традиційно займає місяці, зводиться до кількох днів попереднього відбору. Це не усуває експертної оцінки якості досліджень: модель не знає, чи була методологія конкретного RCT надійною, якщо це не було описано в тексті.

Генерація кандидатів для гіпотез. Система RAG з галузевим корпусом здатна вказати комбінації чинників, які в людському огляді були б непомітні (наприклад, поєднання сигнальних шляхів з різних публікацій, які разом вказують на механізм резистентності до ліків). Не кожна така гіпотеза є корисною, але навіть якщо 5 зі 100 згенерованих кандидатів виявляються цінними, виграш у часі є реальним.

У соціальних науках ШІ входить переважно через три напрямки: аналіз тексту, виявлення патернів у поведінкових даних та інтеграція гетерогенних джерел.

Аналіз текстів у великому масштабі. Класифікація висловлювань, кодування якісних інтерв'ю, виявлення тем у корпусах адміністративних документів: це завдання, в яких моделі працюють порівняно з людським кодером за частку часу. Психологія, соціологія та політичні науки використовують це для аналізу медіа-дискурсу, соціальних настроїв чи еволюції політичних наративів.

Виявлення поведінкових патернів. Машинне навчання на лонгітюдних даних виявляє тонкі залежності між контекстними змінними та поведінкою, які уникають класичних регресійних моделей. Дослідники поведінкової економіки використовують ці інструменти для генерації гіпотез про механізми прийняття рішень, які потім тестують в лабораторних або квазі-експериментальних умовах.

Інтеграція даних з багатьох джерел. Геномні дані, поєднані з екологічними, демографічними та поведінковими даними, створюють простір, в якому ШІ може вказувати на неочікувані кореляції. Це основа досліджень в епігенетиці, психології здоров'я чи медичній соціології. Водночас це простір з найвищим ризиком артефактів: кореляції між різними джерелами легко відображають помилки вибірки, а не справжні залежності.

Модель ШІ формулює гіпотези на основі того, що знаходить у тренувальних даних. Якщо дані систематично спотворені, гіпотези успадковуватимуть ці спотворення як факти.

У клінічній генетиці відома проблема — надмірне представництво зразків європейського походження в базах GWAS. Модель, натренована на такому корпусі, генеруватиме гіпотези, краще пристосовані до цієї популяції, і гірше — до інших. У соціальних науках аналогом є publication bias: література віддає перевагу позитивним результатам, тому модель, що навчається на опублікованих наукових працях, систематично переоцінюватиме ефекти.

Жодна з цих мітигацій не є автоматичною. Кожна вимагає свідомого рішення дослідника на етапі проєктування системи. Систематичний підхід до виявлення та обмеження цих спотворень описуємо в статті про алгоритмічну упередженість у дослідженнях.

Наука вимагає фальсифікованості. Гіпотеза, яку не розумієш, не дозволяє спроєктувати експеримент для перевірки.

Сучасні дослідницькі системи застосовують кілька шарів пояснюваності. Attention maps і saliency вказують, які фрагменти входу (послідовність, фрагмент протоколу, значення вимірювань) мали найбільший вплив на результат. Обґрунтування природною мовою, згенеровані LLM, описують механізм у спосіб, зрозумілий для галузевого експерта. Довірчі інтервали та виявлення галюцинацій позначають відповіді, в яких модель не має міцних підстав.

Жоден з цих механізмів не дає повного причинного пояснення. Вони дають точку старту: «модель вказала на це поєднання, чи має воно біологічний або соціальний сенс?» Відповідь на це питання належить досліднику, а не моделі.

Питання прозорості моделей у контексті наукової відповідальності розглядаємо в статті про чорну скриньку в системах ШІ.

Автономія ШІ в дослідницькому процесі не означає відсутності нагляду. Вона означає продумане проєктування точок, в яких дослідник входить у цикл.

У Cashcrown застосовуємо патерн трьох контрольних точок при аналітичних агентах. Цей самий патерн безпосередньо переноситься на контекст наукових досліджень:

Пропуск будь-якої з цих точок — це не прискорення процесу. Це перенесення ризику на етап, де помилка коштує дорожче: корекція після публікації або retraction.

Human-oversight як принцип проєктування систем ШІ детально описаний у статті про роль людини в циклі. Питання авторства та наукової доброчесності при використанні ШІ (декларування інструментів у розділі Methods, ведення логів промптів) розглядаємо в статті про ШІ як автономного науковця.

Два технічні патерни мають особливе значення для наукових досліджень.

Structured output дозволяє моделі повертати результати в схемі, сумісній з вимогами системи управління лабораторними даними (LIMS) або клінічної бази. Замість неструктурованого тексту, який потрібно вручну переписувати, модель генерує JSON, валідований схемою. Це зменшує ризик помилок транскрипції та прискорює інтеграцію результатів ШІ з існуючими workflow.

RAG на власній базі знань установи (протоколах, результатах попередніх експериментів, операційних процедурах) дозволяє моделі формулювати гіпотези в контексті, специфічному для даної лабораторії, а не лише на основі публічної літератури. Це принципова відмінність для трансляційних досліджень, де інституційний контекст є критичним.

Детальні принципи впровадження таких систем з урахуванням відповідальної інновації та управління даними описуємо в статті про governance даних для ШІ.

Технічно так, але «самостійно» тут оманливе. Модель генерує кандидатів на гіпотези на основі патернів у тренувальних даних. Вона не має причинної моделі світу і не знає, чи є запропонований механізм біологічно або соціально правдоподібним. Дослідник з галузевою експертизою потрібен для оцінки кожного кандидата перед тим, як будуть інвестовані ресурси в експеримент. Без цієї верифікації ризик переслідування артефактів є високим.

Ключовим є вимога цитування джерел для кожного фактоґрафічного твердження. Система RAG з індексом верифікованих публікацій і вимогою надання ідентифікатора джерела різко зменшує галюцинації фактів, хоча й не усуває їх повністю. Кожне цитування потребує верифікації перед включенням до рукопису. Системи зі structured output та схемою, що валідує формат цитувань, полегшують цей аудит.

AI Act регулює не всі дослідницькі застосування однаково. Системи, що підтримують пошук літератури або попередню генерацію гіпотез, які не впливають безпосередньо на рішення високого ризику, мають м'якші вимоги. Системи, що підтримують діагностичні, терапевтичні або регуляторні рішення (наприклад, аналіз геномних даних на предмет схильності до захворювань), класифікуються як високого ризику і вимагають реєстру, оцінки відповідності та технічної документації. Варто проконсультувати класифікацію конкретної системи з юристом перед впровадженням.

Геномні, психологічні та поведінкові дані учасників досліджень — це дані особливих категорій у розумінні GDPR (ст. 9). Їх обробка системою ШІ вимагає правової підстави (найчастіше згоди або суспільного інтересу в наукових дослідженнях), оцінки впливу на захист даних (DPIA) та впровадження заходів мінімізації даних. Дані не можуть бути відправлені до зовнішніх хмарних API без відповідних договорів доручення та оцінки трансферу. Архітектури self-hosting або on-premises з локальним LLM часто є переважними в дослідницьких середовищах зі чутливими даними.

Так, за умови, що обсяг добре визначений. Асистент RAG на власній бібліотеці PDF, пайплайн для автоматичної екстракції даних з звітів, інструмент для генерації начерків гіпотез на основі заданого дослідницького питання: це завдання доступні без розвиненої інфраструктури. Точкою входу зазвичай є оцінка готовності, яка дозволяє визначити, які дослідницькі процеси мають найбільший потенціал для підтримки ШІ, перш ніж інвестувати у впровадження.

Пов'язані теми: науковці з ШІ досягають більшого, LLM як генератор гіпотез.