Ewolucja systematycznych przeglądów literatury – od statycznych do dynamicznych – analiza krytyczna

 Zeszyty Naukowe Akademii Górnośląskiej - nr 19

Jak systematyczne przeglądy literatury adaptują się do burzliwych czasów i zmieniają oblicze EBMnt? Poprzez krytyczny przegląd literatury zbadaliśmy, w jaki sposób tradycyjne, statyczne przeglądy, zazwyczaj realizowane jako jednorazowe projekty, przekształcają się w dynamiczne, aktualizowane na bieżąco „żywe przeglądy literatury”.
Najważniejsze wyniki: – Tradycyjne, statyczne przeglądy, sporządzane w formie jednorazowych raportów, stopniowo ewoluują w miarę rozwoju technologii oraz rosnącej liczby publikacji naukowych. – Podejścia dynamiczne, oparte na koncepcji żywych przeglądów systematycznych, odpowiadają współczesnym potrzebom aktualizowania przeglądów w czasie rzeczywistym.
Wartość dodana: Tradycyjne przeglądy, kiedyś wystarczające jako jednorazowe raporty, tracą na aktualności w obliczu rosnącej liczby nowych badań. Wyniki naszych badań wskazują na konieczność opracowania bardziej elastycznych i zarazem dynamicznych metod dokonywania przeglądu literatury, które nadążą za ciągłymi innowacjami.

więcej

Scoping Review

Scoping Review to metoda przeglądu literatury, której celem jest zrozumienie i mapowanie dostępnych dowodów w danym obszarze badawczym. W odróżnieniu od systematycznego przeglądu, scoping review koncentruje się na szerokim przedstawieniu zakresu badań, identyfikacji kluczowych tematów, teorii i metod oraz zrozumieniu luki w wiedzy. Scoping review jest szczególnie użyteczne, gdy temat jest szeroki, zróżnicowany lub słabo zbadany, co umożliwia określenie, jakie badania zostały już przeprowadzone i które obszary wymagają dalszego zgłębienia.

Dla badaczy pracujących w ramach Evidence-Based Practice (EBP) i Evidence-Based Management (EBM), scoping review stanowi istotne narzędzie do początkowej fazy procesu badawczego. Pomaga zidentyfikować kluczowe zagadnienia, istniejące dowody oraz potencjalne luki, które mogą wymagać dalszego badania lub rozwoju. Daje to solidną podstawę do podejmowania decyzji opartych na dowodach, wprowadzania najlepszych praktyk oraz skutecznego zarządzania, które są fundamentem zarówno w praktyce zawodowej, jak i w zarządzaniu organizacjami.

Scoping review dostarcza kompleksowego obrazu istniejącej wiedzy, co pozwala badaczom i praktykom EBP oraz EBM na lepsze ukierunkowanie swoich działań badawczych, podejmowanie świadomych decyzji oraz poprawę jakości praktyki zawodowej i zarządzania na podstawie rzetelnych, zróżnicowanych dowodów.

Inspiracje: 

1. Hanan Khalil, Danielle Pollock, Patricia McInerney, Catrin Evans, Erica B. Moraes, Christina M. Godfrey, Lyndsay Alexander, Andrea Tricco, Micah D. J. Peters, Dawid Pieper, Ashrita Saran, Daniel Ameen, Petek Eylul Taneri, Zachary Munn, Automation tools to support undertaking scoping reviews, „Research synthesis methods“ 6/15 (2024), s. 839–850.
2. Zachary Munn, Micah D. J. Peters, Cindy Stern, Catalin Tufanaru, Alexa McArthur, Edoardo Aromataris, Systematic review or scoping review? Guidance for authors when choosing between a systematic or scoping review approach, „BMC medical research methodology“ 1/18 (2018), s. 143.

więcej

Przykłady „halucynacji”

W kontekście Evidence-Based Practice (EBP) i Evidence-Based Management (EBM), „halucynacje” algorytmów mogą być szczególnie problematyczne, ponieważ mogą prowadzić do podejmowania decyzji na podstawie nieprawidłowych lub nieistniejących danych.

Zjawisko „halucynacji” algorytmów

Zjawisko „halucynacji” algorytmów, szczególnie w kontekście uczenia maszynowego i generatywnej sztucznej inteligencji, odnosi się do sytuacji, w której model AI generuje informacje lub odpowiedzi, które są nieprawdziwe lub nie mają oparcia w rzeczywistych danych. Halucynacje mogą przybierać różne formy, takie jak:

• Tworzenie fikcyjnych faktów: Algorytm może „wymyślić” dane lub zdarzenia, które nigdy nie miały miejsca.

• Niewłaściwe odpowiedzi: Model może udzielać odpowiedzi, które są logicznie niepoprawne lub nie mają sensu w danym kontekście.

• Przekręcanie faktów: Algorytm może nieprawidłowo zinterpretować informacje, co prowadzi do błędnych wniosków.

Przykłady „halucynacji” menedżerskich po zażyciu AI

1. Planowanie strategiczne: Menedżerowie mogą używać algorytmów ML do analizy trendów rynkowych i przewidywania przyszłych zmian, co pozwala na tworzenie bardziej trafnych strategii biznesowych. Halucynacje w algorytmach mogą prowadzić do tworzenia planów opartych na błędnych założeniach, co może skutkować nieefektywnymi decyzjami i stratami finansowymi.

2. Innowacje w modelu biznesu: Firmy mogą wykorzystać algorytmy ML do wprowadzania innowacji w swoich modelach biznesu, takich jak personalizacja oferty, dynamiczne ustalanie cen, czy automatyzacja procesów. Halucynacje w tych algorytmach mogą prowadzić do błędnych decyzji, takich jak niewłaściwe rekomendacje produktowe, błędne ustalenia cen lub niewłaściwe automatyczne przetwarzanie danych.

3. Optymalizacja zasobów: Menedżerowie mogą wykorzystywać ML do analizy operacji biznesowych i optymalizacji alokacji zasobów. Jeśli algorytm generuje halucynacje, może to prowadzić do nieodpowiedniego przydzielania zasobów, co z kolei może skutkować spadkiem efektywności i zwiększeniem kosztów operacyjnych.

Podobne przykłady halucynacji mogą prowadzić do problemów, zwłaszcza gdy są używane w kontekście generowania treści dla szerokiej publiczności lub w procesach decyzyjnych, gdzie precyzja i prawdziwość danych są kluczowe.

Fot. cottonbro studio: pexels.com

więcej

Generative Artificial Intelligence (GenAI)

Generative Artificial Intelligence (ang. generative artificial intelligence, generative AI, GenAI) to dziedzina sztucznej inteligencji, która zajmuje się tworzeniem nowych danych lub treści przy użyciu modeli AI. Obejmuje ona różnorodne technologie i techniki, takie jak generowanie tekstu, obrazów, dźwięków (dzieł sztuki) czy innych form danych. Modele te uczą się na podstawie dużych zbiorów danych i są w stanie tworzyć treści, które często trudno odróżnić od tych stworzonych przez człowieka.

Fot. cottonbro studio https://www.pexels.com

GenAI poza generowaniem kodu, tworzeniem podsumowań czy pomocy w pisaniu e-maili, uzupełnia możliwości edytorów tekstu poprzez automatyczne sprawdzanie stylistyki tekstu, generowanie artykułów, opowiadań, poezji czy innych tekstów. Z naszego punktu widzenia znajduje zastosowanie także w:

• Evidence-Based Practice (EBP): generowanie rekomendacji, raportów i syntezowanie wyników badań dla wsparcia decyzji w praktyce opartej na dowodach. Oczekuje się, że GenAI w EBP pomoże w szybszym i bardziej precyzyjnym dostępie do najnowszych badań w naukach medycznych, farmacji i zarządzaniu (decyzje menedżerskie), a także ułatwi wdrażanie najlepszych praktyk klinicznych.

• Evidence-Based Management (EBM): generowanie analiz i raportów dla wsparcia decyzji zarządczych opartych na dowodach. Oczekuje się, że GenAI w EBM przyczyni się do lepszego zarządzania zasobami, optymalizacji procesów biznesowych i zwiększenia efektywności operacyjnej.

W kontekście zarządzania, GenAI może znacząco poprawić efektywność operacyjną i wspierać podejmowanie bardziej świadomych decyzji. Technologia ta nie tylko przyspiesza procesy tworzenia, ale także otwiera nowe możliwości dla kreatywności i innowacji. 

Fot.cottonbro studio: pexels.com

więcej