بازتولیدپذیری در تحقیقات زیست‌پزشکی: مسائل معرفت‌شناختی و آماری و آینده ۲۰۲۴
Reproducibility in Biomedical Research: Epistemological and Statistical Problems and the Future 2024

جلد روی جلد — قابلیت تکرار در پژوهش‌های زیست‌پزشکی — صفحه حق تکثیر — تقدیم‌نامه — نقل‌قول‌ها — فهرست مطالب — پیشگفتار ویراست دوم — نگاهی فراتر از چشم‌انداز نزدیک — یادگیری ماشینی هوش مصنوعی — پژوهش‌های ترجمانی — واقع‌گرایی زیستی و آشوب و پیچیدگی — احتمال و معرفت‌شناسی آماری — تصادف به عنوان بنیادین و اساسی — و سرانجام… — پیشگفتار ویراست اول — 1 مقدمه — بازتولیدناپذیری سازنده — مفهوم چندوجهی قابلیت تکرار و بازتولیدناپذیری — فراتر از “مجموعه‌سازی” — تکرارپذیری تکثیری — قابلیت تکرار درون-آزمایشی — قابلیت تکرار محدود، گسترده، مفهومی و ترجمانی — روی‌گردانی از گذشته با نگاهی به آینده — یادگیری ماشینی هوش مصنوعی — چالشی برای پژوهش بالینی که یک مفهوم جدید پژوهش ترجمانی ایجاد می‌کند — به سوی طراحی‌ها و تحلیل‌های آزمایشگاهی واقع‌گرایانه‌تر — علل بنیادین بازتولیدناپذیری غیرسازنده — بی‌منطقی — تناقض و دوراهی “جامعه آماری” — منطق جامعه آماری و نمونه آماری — اثبات مدعا، در این مورد پژوهش زیست‌پزشکی نمونه/جامعه آماری — دست و پنجه نرم کردن با مسئله اساسی — حرکت از آنچه قطعی است اما مفید نیست به سوی آنچه نامشخص است اما مفید است — دقت در مقابل صحت — دقت و توزیع‌های آماری — ترکیبیات — دینامیک — یادگیری ماشینی هوش مصنوعی و لباس جدید امپراتور — دانش، پیش‌بینی است، پیش‌بینی، قابلیت تکرار یا بازتولیدناپذیری سازنده است — صعود علم تجربی — چالش‌ها برای پیش‌بینی و بنابراین پژوهش زیست‌پزشکی — پیش‌بینی برای جامعه آماری ناشناختنی — مسئله استقرای هیوم — چه زمانی طراحی‌های آزمایشگاهی و آمار سنتی، بازتولیدناپذیری غیرسازنده را پرورش می‌دهند — داده‌ها به خودی خود صحبت نمی‌کنند و نمی‌توانند صحبت کنند.

Front Cover — Reproducibility in Biomedical Research — Copyright Page — Dedication — Quotes — Contents — Preface to the second edition — Looking just over the horizon — Machine learning artificial intelligence — Translational research — Biological realism and Chaos and Complexity — Probability and statistical epistemology — Randomness as fundamental and foundational — Finally… — Preface to the first edition — 1 Introduction — Productive irreproducibility — The multifaceted notion of reproducibility and irreproducibility — Beyond “stamp collecting” — Replication reproducibility — Within-experiment reproducibility — Narrow, broad, conceptual, and translational reproducibility — Turning from the past with an eye to the future — Machine learning artificial intelligence — A challenge to clinical research posed by a new notion of translational research — Toward more realistic experimental designs and analyses — The fundamental causes of unproductive irreproducibility — Illogic — The paradox and dilemma of the “population” — The logic of population and sample — The proof of the pudding, in this case sample/population biomedical research — Wrestling with the fundamental problem — Proceeding from what is certain but not useful to what is uncertain but useful — Precision versus accuracy — Precision and statistical distributions — Combinatorics — Dynamics — Machine learning artificial intelligence and the emperor’s new clothes — Knowledge is prediction, prediction is reproducibility or productive irreproducibility — The ascendancy of experimental science — Challenges to prediction and thus biomedical research — Predicting to the unknowable population — Hume’s Problem of Induction — When traditional experimental design and statistics breed unproductive irreproducibility — Data do not and cannot speak for themselves.