Das Konzept der Slow Science ist ein Teil des breiteren Konzepts der „Slow Movement<\/a>„-Bewegung. Es besagt, dass sich das Leben in der modernen Welt in allen Bereichen zu sehr beschleunigt hat. Demzufolge muss es zu einem Tempo zur\u00fcckgef\u00fchrt werden, das es erlaubt, die Ereignisse auszukosten und Qualit\u00e4t \u00fcber Quantit\u00e4t zu stellen. Insbesondere basiert die \u201eSlow Science\u201c-Bewegung auf der Ansicht, dass die Wissenschaft ein stetiger, methodischer Prozess sein sollte. Von Wissenschaftler*innen solle daher nicht erwartet werden, „schnelle L\u00f6sungen“ f\u00fcr die Probleme der Gesellschaft zu liefern. Slow Science unterst\u00fctzt stattdessen eine Neugier getriebene wissenschaftliche Forschung und wendet sich gegen Leistungsziele, wie die Menge an Publikationen im Rahmen von angesehenen Journals und Konferenzen.<\/p>\n\n\n\n Leistungsziele erzeugen Druck auf jene, die in der akademischen Karriere erfolgreich sein wollen. Im Zusammenhang mit dem Druck, Arbeiten zu ver\u00f6ffentlichen, beschreibt der Aphorismus „publish-or-perish<\/a>“ die Situation am besten. Dieser These nach bringen erfolgreiche Publikationen Aufmerksamkeit f\u00fcr die Forscher*innen und ihr Institut – das hilft bei der weiteren Finanzierung der Arbeit. Aktivit\u00e4ten, die nicht zu Publikationen f\u00fchren, wie zum Beispiel die Arbeit mit Studenten*innen, k\u00f6nnen vor diesem Hintergrund dazu f\u00fchren, dass man aus dem Wettbewerb herausf\u00e4llt und seine Position verliert. Dieser Druck ist an den Forschungsuniversit\u00e4ten am st\u00e4rksten. Einige Forscher*innen benennen ihn zudem als eine Ursache der Replikationskrise, bei der wissenschaftliche Artikel publiziert werden, die sich wiederholen und somit nur bedingt einen inhaltlichen Mehrwert erzeugen. Dies f\u00fchrt im Allgemeinen zu einer geringeren Qualit\u00e4t der Ver\u00f6ffentlichungen, da das Ziel sich von der eigentlichen Forschung unterscheidet.<\/p>\n\n\n\n Ein Beispiel f\u00fcr eine gegens\u00e4tzliche Entwicklung ist die Slow Science Academy<\/a>, die 2010 in Deutschland gegr\u00fcndet wurde. Der Verein f\u00f6rdert den Ansatz zur Notwendigkeit der Entschleunigung im Rahmen wissenschaftlicher Arbeit. Wichtig ist, dass die Wissenschaftler*innen selbst verstehen sollen, dass Wissenschaft Zeit braucht. Ihr „Slow Science Manifest“ fordert: „Habt Geduld mit uns, w\u00e4hrend wir denken.“<\/p>\n\n\n\n Die Folgen der gehetzten Wissenschaft k\u00f6nnen sich direkt auf unser Leben auswirken. So war der Druck auf die Wissenschaftler*innen eine L\u00f6sung f\u00fcr die COVID-19 Pandemie zu finden enorm. Die erfolgreichen Testungen mehrerer Impfstoffe scheinen der Idee der Slow Science zu widersprechen. Aber auch hier zeigten sich die Folgen der „gehetzten Wissenschaft“ sehr deutlich. Sechs Monate, nachdem sich die Pandemie schnell \u00fcber die Welt ausgebreitet hatte, ver\u00f6ffentlichten mehrere angesehene Fachzeitschriften eine Studie<\/a>, in der behauptet wurde, dass Malaria-Medikamente auch gegen COVID-19 helfen. Kurz darauf wurde jedoch bekannt, dass die Experimente nicht ordnungsgem\u00e4\u00df durchgef\u00fchrt wurden: Es gab keine Doppelblindtests und es wurde nur \u00fcber die Ergebnisse einer kleinen Anzahl von Patienten*innen berichtet (ohne Ber\u00fccksichtigung jener Probanden, die starben). Der Artikel wurde zur\u00fcckgezogen, aber f\u00fcr die wissenschaftliche Welt ist das ein Signal: Sogar angesehene Zeitschriften in der Wissenschaft k\u00f6nnen Opfer von \u00fcbereilter, ergebnisorientierter Forschung werden.<\/p>\n\n\n\n Der Bereich des Maschinellen Lernens und der KI erlebt in der heutigen Zeit h\u00e4ufig den „publish-or-perish“-Effekt. Laut Yoshua Bengio,<\/a> einem der f\u00fchrenden Wissenschaftler auf diesem Gebiet, ist der erste zu nennende Faktor das Erscheinen und die Popularit\u00e4t der Wissenschaftsplattform arXiv<\/a>, einer Online-Preprint-Sammlung, in der Artikel ohne Review-Prozess ver\u00f6ffentlicht werden k\u00f6nnen.<\/p>\n\n\n\n Die Popularit\u00e4t von arXiv w\u00e4chst exponentiell, seit es gegr\u00fcndet wurde. Die in der Datenbank eingereichten Artikel decken mehrere Bereiche ab, darunter auch die Informatik (insbesondere das Maschinelle Lernen). Aber wie ist das Verh\u00e4ltnis der Forschungsdisziplinen in der Gesamtmenge der eingereichten Artikel?<\/p>\n\n\n\n Man kann deutlich das starke Wachstum der Informatik-bezogenen Artikel sehen. Auf dem Stand von 2019 liegt der Anteil der Computer Science-Artikel (cs) bei 27,8% aller eingereichten Artikel. Dies ist ein Signal, dass der Publikationsdruck in diesem sich schnell entwickelnden Forschungsgebiet zu hoch sein k\u00f6nnte.<\/p>\n\n\n\n Der zweite Faktor ist die Anzahl der Konferenzen zum Maschinellen Lernen. Die Community ist haupts\u00e4chlich auf konferenzbasierte Publikationen umgestiegen, da die Ver\u00f6ffentlichung in einem Journal viel mehr Zeit in Anspruch nimmt. Laut den Suchergebnissen auf guide2research.com betr\u00e4gt die Anzahl der Konferenzen zum Maschinellen Lernen 960. Normalerweise haben die Forschenden etwa zwei Monate Zeit zwischen den Abgabeterminen hochkar\u00e4tiger Konferenzen, bei denen viele Wissenschaftler*innen eine Ver\u00f6ffentlichung anstreben. So hat die beliebteste Konferenz NeurIPS ein exponentielles Wachstum der Anzahl der Eingaben erfahren.<\/p>\n\n\n\n Dies spiegelt nicht nur den hohen Druck auf die Forschenden wider, die einen Artikel vorschlagen, sondern stellt auch sehr hohe Anforderungen an die Reviewer. Die Papiere werden von einem Ort zum anderen weitergereicht, in der Hoffnung, dass die „zuf\u00e4llige Auswahl der Reviewer“ beim n\u00e4chsten Versuch akzeptabler sein wird. Insgesamt l\u00e4sst sich bei den meisten Konferenzen zum Maschinellen Lernen ein \u00e4hnliches Wachstum der Anzahl der Einreichungen<\/a> wie bei der NeurIPS beobachten.<\/p>\n\n\n\n In seinem Beitrag vom Februar 2020<\/a> schl\u00e4gt Yoshua Bengio vor, die Organisation von Konferenzen im Bereich des Maschinellen Lernens zu \u00fcberdenken. Er empfiehlt hierbei, weniger und viel „langsamer“ entwickelte Arbeiten zu pr\u00e4sentieren und den Hauptver\u00f6ffentlichungsprozess den Zeitschriften zu \u00fcberlassen. Dieser Zustand des Feldes trifft insbesondere die jungen Nachwuchsforschenden, die sich und ihre Forschung in einem ersten Schritt in der Fachdisziplin etablieren m\u00fcssen, am h\u00e4rtesten. Insgesamt muss ein Doktorand heute mindestens 50% mehr Publikationen ver\u00f6ffentlichen als vor den 90er Jahren, um einen Abschluss zu erlangen. Dar\u00fcber hinaus ist die Reproduzierbarkeit der Arbeiten im Bereich des Maschinellen Lernens extrem gering – wer versucht, Benchmarks f\u00fcr einen neu entwickelten L\u00f6sungsansatz zu bekommen, ist oft nicht in der Lage, bereits ver\u00f6ffentlichte Ergebnisse zu reproduzieren (siehe Quantifying Independently Reproducible Machine Learning<\/a> und Artificial intelligence faces reproducibility crisis<\/a>).<\/p>\n\n\n\n Insgesamt f\u00fchrt der Druck und die Menge an Forscher*innen in bestimmten Bereichen, zum Beispiel im Deep Learning, zu bereits sp\u00fcrbaren Problemen im Hinblick auf den Forschungsprozess und die Qualit\u00e4t der publizierten Artikel. Soll der Prozess also der Slow-Science-Motivation folgen? Vielleicht kann die Meinung eines renommierten Wissenschaftlers dies beantworten: Der Physiker Sir Peter Higgs<\/a>, Namensgeber des Higgs-Bosons, wurde 2013 mit den Worten zitiert, dass die akademischen Erwartungen seit den 1990er Jahren ihn wahrscheinlich daran gehindert h\u00e4tten, sowohl seine bahnbrechenden Forschungsbeitr\u00e4ge zu leisten als auch eine Festanstellung zu erlangen. „Es ist schwer vorstellbar, wie ich in dem gegenw\u00e4rtigen Klima jemals genug Ruhe haben k\u00f6nnte, um das zu tun, was ich 1964 getan habe“, sagte er. „Heute w\u00fcrde ich keinen akademischen Job mehr bekommen. So einfach ist das. Ich glaube nicht, dass ich als produktiv genug angesehen werden w\u00fcrde.“<\/p>\n\n\n\n F\u00fcr mehr Informationen zu dem Thema:Warum ist gehetzte Wissenschaft nicht erw\u00fcnscht?<\/span><\/h2>\n\n\n\n
Der Publikationsdruck im Maschinellen Lernen<\/span><\/h2>\n\n\n\n
![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Arxiv2-1.jpg\" "\\"\\"")
Diese Grafik zeigt die Anzahl der neuen Eintr\u00e4ge auf arXiv in jedem Monat seit August 1991 (nach 29,4 Jahren). Die Gesamtzahl der Einreichungen bis zum 22. Dezember 2020 bel\u00e4uft sich auf 1.813.740.<\/figcaption><\/figure>\n\n\n\n![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/newsubs.png\" "\\"\\"")
Statistik der\u00a0arXiv-Einreichungsrate: Das linke Diagramm zeigt die Anzahl der Neueinreichungen pro Jahr f\u00fcr verschiedene Forschungsdisziplinen. Das Diagramm auf der rechten Seite zeigt die gleichen Daten wie links, aber mit den Einreichungsraten im Verh\u00e4ltnis zu der Gesamtzahl der Einreichungen f\u00fcr jedes Jahr.<\/figcaption><\/figure>\n\n\n\n![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/NeurIPS_neu-1024x649.jpg\" "\\"\\"")
Die NeurIPS weist ein exponentielles Wachstum bei der Anzahl an eingereichten Forschungen<\/a> in den Jahren 2014 \u2013 2019 auf.<\/figcaption><\/figure>\n\n\n\nSollte Slow Science Einzug in die Erforschung des Maschinellen Lernens halten?<\/h2>\n\n\n\n
Prof. Dr. Katharina Morik, Leiterin des Lehrstuhls f\u00fcr K\u00fcnstliche Intelligenz und des Sonderforschungsbereiches 876 an der TU Dortmund und Sprecherin des Kompetenzzentrums ML2R<\/a>, thematisierte den Publikationsdruck in der ML-Forschung in ihrem Vortrag \u201ePublish or Perish\u201c im Rahmen der internationalen Sommerschule \u201eResource-aware Machine Learning\u201c.<\/p>\n\n\n\n