Hír

A nyílt tudomány területén az elmúlt 15 évben elterjedt módszerek – adat- és kódmegosztás, előzetes elemzési tervek és reprodukálható kutatási szabványok – átalakították a fejlesztési kutatásokat. Ez a fejlődés most fordulóponthoz érkezett, mivel a mesterséges intelligencia (MI) rohamtempóban formálja át a fejlesztést igazoló dokumentáció előállításának, szintetizálásának és kommunikálásának módját. Az MI-eszközök új lehetőségeket kínálnak az átláthatóság, a reprodukálhatóság és a kutatásokhoz való hozzáférés erősítésére, de átláthatatlanságuk és kiszámíthatatlan jellegük egyúttal kihívást is jelent a meglévő nyílt tudományos normák számára. A 12.  Measuring Development konferencia – amelyet a Világbank, a UC Berkeley-n működő Center for Effective Global Action (CEGA) és a Chicagói Egyetem Becker Friedman Intézete szervezett – azt vizsgálta, hogyan kell a nyílt tudománynak fejlődnie ahhoz, hogy a fejlesztési kutatások az MI korában is átláthatóak, reprodukálhatók és hitelesek maradjanak.

 

Edward Miguel, a közgazdaságtan kiemelkedő professzora és a CEGA tanszékvezetője olyan nyitóelőadást tartott, amely ezeket a vitákat az elmúlt évtized nyílt tudomány mozgalmának tágabb fejlődési kontextusába helyezte. Bár az olyan gyakorlatok, mint az előzetes regisztráció, a replikációs kezdeményezések és az adatmegosztási normák jelentősen átalakították az empirikus kutatásokat, a régi kihívások továbbra is fennállnak. Miguel új bizonyítékokat mutatott be, amelyek szerint a vizsgált közgazdasági tanulmányok előre regisztrált hipotéziseinek mindössze 42 százaléka esetében voltak nyilvánosan elérhetőek az eredmények évekkel később. Érvelése szerint az MI-eszközök segíthetnek az átláthatósági törekvések kiterjesztésében, de „a legújabb ChatGPT-modell nem helyettesíti a kulturális vagy intézményi változásokat.”

 

A kiemelt panelbeszélgetés az intézményi vezetés szerepére fókuszált a nyílt kutatás előmozdításában, a magánélet védelmének megőrzése mellett. Haishan Fu, a Világbank-csoport vezető statisztikusa; Arianna Legovini, a Világbank-csoport fejlesztési hatásokért felelős igazgatója; és Markus Goldstein, a Center for Global Development alelnöke és vezető kutatója hangsúlyozták, hogy napjainkban az átláthatóság többet jelent az adatok puszta elérhetővé tételénél. Ahelyett, hogy egyszerűen csak nyíltak lennének, az adatoknak MI-kompatibilisnek (AI-ready) kell lenniük: strukturáltnak, dokumentáltnak, géppel olvashatónak, és olyan biztosítékokkal kell rendelkezniük, amelyek garantálják az MI-rendszerek általi felelősségteljes felhasználást. Ez elengedhetetlen a közbizalom fenntartásához és a nyílt adatok fenntartásához. A résztvevők figyelmeztettek: az MI a kiváló minőségű, reprezentatív adatokba történő tudatos befektetések nélkül (különösen az alacsony és közepes jövedelmű országokban) a meglévő egyenlőtlenségeket csökkentés helyett inkább felerősíti. Ahogy Haishan Fu fogalmazott: „A nyílt adat önmagában már nem elég az MI korában. Most már a nyílt és MI-kompatibilis adatokra kell törekednünk.”

 

Az átláthatóság és a reprodukálhatóság kiterjesztése az MI segítségével

 

Az MI-eszközök már most átalakítják a reprodukálhatósági és az irodalomkutatási gyakorlatokat. Jonas Weinert bemutatta a MetaScreener nevű nyílt forráskódú eszközt, amely nagy nyelvi modelleket (LLM) használ a szisztematikus szakirodalmi áttekintések támogatására. A megközelítés az MI által támogatott szűrést strukturált emberi bírálattal és a visszahívási kockázat becslésével kombinálta az átláthatóság fenntartása érdekében, miközben drasztikusan csökkentette a manuális áttekintés idejét. A munka rávilágít arra, hogy az MI értéke nem pusztán az automatizálásban rejlik, hanem olyan auditálható felülvizsgálati folyamatok létrehozásában, ahol az emberek a nehéz, határeseteket jelentő feladatokra koncentrálhatnak.

 

Maguknak a reprodukálhatósági szabványoknak is fejlődniük kell, ahogy az MI egyre inkább beépül a kutatásba.

Lars Vilhuber bemutatta a TRACE-t, ami egy olyan keretrendszer, amelyet arra terveztek, hogy szabványosított jegyzékek és kriptográfiailag aláírt nyilvántartások segítségével ellenőrzi a bizalmas vagy korlátozott hozzáférésű adatokat tartalmazó számítógépes munkafolyamatokat.

Bruno Barbarioli bemutatta az AI Replication Engine-t, egy autonóm hitelesítési folyamatot, amely az automatizált kódfuttatás és a strukturált auditjelentések révén képes a reprodukálhatósági ellenőrzések skálázására.

Aubrey Jolex ehhez hasonlóan rámutatott: bár az MI-ágensek ma már képesek közzétett elemzéseket az elejétől a végéig reprodukálni, maguk a promptok, a generált kódok és az érvényesítési ellenőrzések is részévé kell, hogy váljanak a reprodukálhatósági dokumentációnak.

 

Az MI-korszak nyílt tudománya új normákat fog megkövetelni, de az új eszközök megkönnyítik majd a szerzők számára, hogy dokumentálják és hitelesítsék saját kutatásaik hitelességét.

 

A nyitottság, a magánélet és a bizalom egyensúlya az MI korában

 

Minél inkább támaszkodnak a fejlesztési kutatások nagy adatkészletekre, annál nehezebbé válik az egyensúly megteremtése a nyitottság és a magánélet védelme között. A korábban az anonimizáláshoz elegendőnek ítélt módszerek már nem biztos, hogy megállják a helyüket, ha az MI-eszközök képesek érzékeny információkra következtetni vagy azokat rekonstruálni.

A konferencia előadói olyan új eszközöket mutattak be, amelyek a titoktartás fenntartása mellett támogatják a nyitottságot. Nitin Kohli a célzott differenciális adatvédelem egyik keretrendszerét mutatta be, amelyet a COVID-19 világjárvány idején Togóban és Nigériában használt humanitárius programokhoz fejlesztettek ki. A keretrendszer bizonyítja, hogy a magánélet védelme és a program hatékonysága nem feltétlenül egymásnak ellentmondó célok, ha eleve együtt tervezik meg őket. Ehhez hasonlóan Kaitlyn Webb olyan adatvédelmet megőrző eszközöket mutatott be randomizált kontrollált vizsgálatok replikációs csomagjaihoz, amelyek a résztvevők anonimitásának védelme mellett is megőrzik a statisztikai érvényességet.

 

MI-eszközök a kutatás során

 

Az MI rohamosan megváltoztatja a döntéshozók hozzáférését a kutatási eredményekhez, könnyen befogadható formátumban készítve összefoglalókat több ezer kutatási anyagból. Az olyan eszközök, mint az ImpactAI és a 3ie DevChat-je, a nagy adattárakat, repozitóriumokat MI által támogatott kereséssel és szintézissel kombinálják, hogy segítsenek a felhasználóknak eligazodni az egyre gyarapodó hatástanulmányok és szisztematikus áttekintések között.

 

Az MI-eszközök értékelése rendkívül fontos, ám túl gyakran fókuszál kizárólag a technikai teljesítményre. A Center for Global Developmenttel és az IDInsighttal közösen készített „Living Playbook”-ban az Agency Fund azt javasolta, hogy a generatív MI-alkalmazásokat négy szinten értékeljék: modell, termék, felhasználó és hatás. Ez így lehetővé teszi, hogy nemcsak a pontosságot, hanem a használhatóságot, a viselkedésváltozást és a szakpolitikai relevanciát is figyelembe kell venni.

 

A konferencia keretében az AI-eszközök megbízhatóságát és értelmezhetőségét is vizsgálták. Joao Pedro Azavedo bemutatta az UNICEF adatait felhasználó összehasonlító elemzését, amely közel 45 000 nagy nyelvi modellel (LLM) végzett interakciót értékelt ki, és megállapította, hogy a válaszok több mint 63 százaléka egyértelmű elutasítás volt. Ez jól mutatja, mennyire korlátozottan lehet megalapozatlan modellekre támaszkodni a hivatalos statisztikák lekérésekor. Virginia Ziulu a fejlesztési elemzésekben használt térinformatikai alkalmazásokra is kiterjesztette ezeket az aggályokat, bemutatva, hogy a jól felszerelt városi környezeteken betanított modellek rendszeresen alulmúlhatják a vidéki és informális kontextusokban elvárt teljesítményt, miközben továbbra is nehéz auditálni vagy értelmezni őket. Ezek a prezentációk együttesen hangsúlyozták a megalapozott adatinfrastruktúra, a többrétegű validációs keretrendszerek és a döntéshozói szintű elszámoltathatóság fontosságát a megbízható MI szempontjából.

 

A konferencia során a résztvevők újra és újra ugyanahhoz az alapvető kihíváshoz tértek vissza: az MI-rendszerek sokkal gyorsabban fejlődnek, mint a szabályozásukra hivatott intézmények és szabványok. A MeasureDev 2026 rávilágított arra, hogy a fejlesztési kutatásokba vetett bizalom fenntartásához nem elegendők az erősebb modellek. Ez azon fog múlni, hogy az intézmények képesek-e kiépíteni azt az infrastruktúrát, ösztönzőrendszert és irányítási keretrendszert, amely biztosítja, hogy az MI által támogatott bizonyítékok átláthatók, reprodukálhatók és elszámoltathatók legyenek.

 

(A MeasureDev 2026 konferenciát a Világbank Fejlesztési Hatás Csoportja [DECDI], Fejlesztési Adat Csoportja [DECDG] és az Adatakadémia szervezte, a Center for Effective Global Action [CEGA] és a Chicagói Egyetem Becker Friedman Közgazdaságtani Intézetének együttműködésével.)

 

Forrás: AI, transparency, and trust: rethinking open science in development research
Szerzők: Maria Jones, Ankriti Singh | 2026. május 27.
A kép forrása: Unlock Development Insights with World Bank Blogs