16.01.2025

Wpadki nauki na przestrzeni dziejów

Rozwój nauki jest nieodłącznie związany z błędami, które często wynikają z oparcia się na spekulacjach zamiast twardych dowodów. Historia nauki dostarcza licznych przykładów, w których źle zinterpretowane dane lub nadmierna ufność do niezweryfikowanych teorii prowadzą do poważnych wpadek. Poniższy artykuł omawia najbardziej znane z nich, ich konsekwencje oraz znaczenie dla współczesnej metodologii naukowej.

1. Geocentryzm – przekonanie o centralnym miejscu Ziemi we wszechświecie

Jednym z najbardziej znanych błędów naukowych była teoria geocentryczna, według której Ziemia znajdowała się w centrum wszechświata. Ten pogląd, popierany przez Ptolemeusza i wspierany przez kościół katolicki, dominował przez ponad tysiąc lat. Brak odpowiednich narzędzi obserwacyjnych i skłonność do potwierdzania teorii zgodnych z ówczesną filozofią sprawiły, że teoria heliocentryczna Mikołaja Kopernika została początkowo odrzucona. Dopiero prace Galileusza i Keplera dostarczyły niezbitych dowodów obalających geocentryzm.

Nauka różni się od nienauki tym, że wątpliwość jest jej siłą, a nie słabością. Zamiast bać się wątpliwości, należy je przyjmować jako bodziec do szukania lepszych odpowiedzi.

2. Teoria humoralna w medycynie

Od starożytności aż do początków nowożytnej medycyny dominowała teoria humoralna, opracowana przez Hipokratesa i rozwinięta przez Galena. Według tej koncepcji zdrowie zależy od równowagi czterech humorów: krwi, żółci, śluzu (flegmy) i czarnej żółci. Leczenie opierało się na takich praktykach jak upuszczanie krwi czy stosowanie purgatywów, które często bardziej szkodziły niż pomagały. Dopiero rozwój anatomii i mikrobiologii w XVII i XIX wieku pozwolił na odrzucenie tej spekulacyjnej teorii.

3. Alchemia jako praprzodek chemii

W średniowieczu alchemicy wierzyli, że możliwe jest przekształcenie metali nieszlachetnych w zloto oraz odkrycie eliksiru życia. Choć działania te opierały się na braku solidnych dowodów, alchemia przyczyniła się do rozwoju chemii poprzez opracowanie technik takich jak destylacja i sublimacja. Niemniej jednak, długotrwałe utrzymywanie się wśród alchemików spekulacji zamiast metod naukowych opóźniało rozwój nauk przyrodniczych.

4. Teoria samorzutnego powstawania życia

Przez wiele wieków wierzono, że życie może powstawać spontanicznie z martwej materii. Przykłady takie jak gnicie mięsa, z którego miały powstawać muchy, były traktowane jako dowód. Dopiero eksperymenty Francesca Rediego i Louisa Pasteura wykazały, że życie może pochodzić jedynie z już istniejącego życia, co zapoczątkowało rozwój mikrobiologii.

5. Kreacjonizm młodej Ziemi

Kreacjonizm młodej Ziemi to pogląd, według którego Ziemia i cały wszechświat zostały stworzone w ciągu sześciu dni około 6-10 tysięcy lat temu, zgodnie z dogmatyczną interpretacją Biblii. Pogląd ten ignoruje przytłaczające dowody naukowe, takie jak datowanie radiometryczne skał czy dowody paleontologiczne, które wskazują na miliardy lat procesu pojawiania się życia. Pomimo swojej popularności w niektórych kręgach religijnych, kreacjonizm młodej Ziemi jest przykładem oparcia się na spekulacjach i przekonaniach zamiast na dowodach naukowych [patrz przypis *]

W przeszłości zarówno naukowcy, jak Kepler i Newton, jak i wielu teologów, zwłaszcza protestanckich, podejmowali próby obliczenia wieku świata na podstawie Biblii. Szczególnie wpływową postacią okazał się anglikański biskup James Ussher (1581–1656). Ussher doszedł do wniosku, że Ziemia została stworzona 22 października 4004 roku p.n.e., w sobotę, o szóstej wieczorem. Praca Usshera popadła w niesławę w XIX wieku.

6. Eugenika – pseudonauka o doskonaleniu gatunku ludzkiego

Ilustracja: N.Perscheid,
domena publiczna

Na przełomie XIX i XX wieku pojawiła się teoria eugeniki, która zakładała możliwość poprawy cech dziedzicznych ludzkości poprzez selektywną reprodukcję. Bazując na błędnych założeniach genetycznych i braku empirycznych dowodów, eugenika doprowadziła do wielu tragedii, takich jak przymusowe sterylizacje i ludobójstwo. Współczesna genetyka jednoznacznie obaliła teorie eugeniczne jako pseudonaukowe.

Wnioski

Lekcja dla nas: akceptacja nienaukowych poglądów może prowadzić do podważania wiarygodności badań naukowych, utrudniania postępu technologicznego i wzrostu sceptycyzmu wobec osiągnięć nauki w społeczeństwie.

Historia nauki pokazuje, jak groźne może być opieranie się na spekulacjach zamiast dowodów. Każda z omówionych wpadek podkreśla znaczenie metody naukowej, opartej na obserwacji, eksperymentach i weryfikacji hipotez. Choć błędy są nieuniknione, stanowią one również cenną lekcję, pomagając udoskonalać procesy badawcze i unikać podobnych pomyłek w przyszłości.

Krytyka historycznych teorii powinna jednak uwzględniać ówczesne metody badawcze, stan wiedzy i kontekst kulturowy epoki, w której powstały. 

Należy bowiem trzeźwo przyznać, że odrzucanie dawnych teorii wyłącznie dlatego, że nie spełniają obecnych kryteriów naukowości, świadczy o braku zrozumienia procesu rozwoju wiedzy naukowej. Niejedna teoria, nawet jeśli dziś uznajemy ją za błędną, mogła stanowić istotny krok w rozwoju myśli naukowej i być wyrazem rzetelnego, metodycznego podejścia badawczego w ramach ówczesnych możliwości poznawczych. Warto docenić systematyczność i intelektualny wysiłek dawnych uczonych, nawet jeśli ich wnioski zostały później obalone przez postęp nauki.


[*] Biblia nie mówi, kiedy Bóg zaczął stwarzać wszechświat ani jak długo to trwało. Po prostu stwierdza: Na początku Bóg stworzył niebo i ziemię Rdz 1;1 BT. Czy sześć dni stwarzania to literalne, 24-godzinne dni? W Biblii w zależności od kontekstu słowo „dzień” może odnosić się do różnych okresów. Na przykład jeden z fragmentów relacji biblijnej nazywa cały okres stwarzania jednym dniem (Rdz 2;4). Yom ( hebr . יום ) oznacza dzień zarówno we współczesnym, jak i biblijnym języku hebrajskim.

Żródło zdjecia: Ernst Haeckel , niemiecki biolog i przyrodnik. Fotografia opublikowana w Photographische Gesellschaft , 1906. https://commons.wikimedia.org/wiki/File:ErnstHaeckel.jpg

10.01.2025

Determinanty zastosowania koncepcji Zarządzania dowodowego dla wyjaśniania bytów ontologicznych w naukach o zarządzaniu i jakości

Kwartalnik Nauk o Przedsiębiorstwie“ 4 (2024), s. 115–135. https://doi.org/10.33119/KNoP.2024.74.4.8 

Celem artykułu jest wskazanie kluczowych determinant badania bytów ontologicznych w naukach o zarządzaniu jakości z zastosowaniem koncepcji Evidence Based Practice. Jako źródła danych dla przeprowadzenia badań i rozważań naukowych wykorzystano pozyskane wyniki z krytycznego przeglądu literatury w zakresie bytów ontologicznych definiowanych w zakresie paradygmatów w dyscyplinie nauki o zarządzaniu i jakości. Jako metodę badawczą zastosowano analizę krytyczną dotychczasowych badań z zakresu podjętego tematu, który pozwolił na stwierdzenie statusu obecnych badań (i wiedzy) odnośnie do opracowanego tematu i luki poznawczej w zakresie determinant zastosowania koncepcji Zarządzania dowodowego dla wyjaśniania bytów ontologicznych w naukach o zarządzaniu i jakości. Dowiedziono, że zastosowanie systematycznych przeglądów literatury (SPL), metaanaliz, oceny literatury szarej i innych metod badawczych może na bazie doświadczeń branży medycznej z powodzeniem być wykorzystane w obszarze dyscypliny nauki o zarządzaniu i jakości. Procesy badawcze oparte na poszukiwaniu dowodów naukowych z przeglądów wielu pozycji literaturowych zamieszczonych w bazach danych masowych pozwalają na poznanie naukowe znacznie szersze niż otrzymywane dotychczas w ramach klasycznego krytycznego przeglądu literatury. Wskazano, że deficyt wiedzy menedżerów w zakresie bytów ontologicznych osadzonych w określonych paradygmatach naukowych dyscypliny nauki o zarządzaniu i jakości utrudnia wykorzystanie metody zarządzania na podstawie dowodów naukowych. Zwiększająca się dostępność dużych zbiorów danych naukowych w postaci raportów z badań pozwala w lepszym stopniu poznać pojęcia i definicje, a także dowody (wyniki badań naukowych) i zastosować je powszechnie w procesach zarządczych. Wskazano, że zarządzanie dowodowe może być skuteczne, gdyż bardzo często menedżerowie nie potrafią rozpoznać bytów ontologicznych, którymi zarządzają, jak i nie znają ontologicznego znaczenia swoich decyzji w biznesie. Metoda Evidence Based Practice oparta na pozyskiwaniu dowodów naukowych na podstawie danych masowych w skuteczny sposób może wspierać nie tylko badaczy w dyscyplinie nauki o zarządzaniu i jakości, ale także menedżerów w ich zarządzaniu organizacjami.

RIS, Pdf




8.01.2025

Narzędzia wspomagające przeglądy systematyczne i text mining przy użyciu AI

Porządkowanie wiedzy naukowej oraz jej udostępnianie zarówno ludziom, jak i maszynom, stanowi fundament współczesnego rozwoju nauki. W dobie dynamicznego rozwoju nauki i technologii, przeglądy systematyczne odgrywają kluczową rolę w syntezie dostępnej wiedzy na dany temat. Ręczne przeprowadzanie takich przeglądów może być czasochłonne i podatne na błędy, dlatego coraz częściej wykorzystuje się narzędzia oparte na sztucznej inteligencji (AI), które automatyzują i usprawniają ten proces. Poniżej przedstawiono przegląd wybranych narzędzi AI, które wspomagają przeglądy systematyczne i text mining.

Abstrackr

Abstrackr to narzędzie wspierające przeglądy systematyczne poprzez automatyczne oznaczanie abstraktów, ułatwiające proces selekcji odpowiednich badań do przeglądu.

AISeer

AISeer wykorzystuje sztuczną inteligencję do automatycznego kodowania i analizy tekstu, wspierając badaczy w przeglądach systematycznych i identyfikacji istotnych informacji.

ASReview

ASReview to narzędzie wspomagające przeglądy systematyczne, które wykorzystuje algorytmy uczenia maszynowego do przyspieszenia procesu selekcji literatury.

Covidence

Covidence to platforma do zarządzania przeglądami systematycznymi, która oferuje funkcje automatyzacji procesów, takie jak importowanie i sortowanie danych oraz deduplikacja.

DistillerSR

DistillerSR to narzędzie do przeglądów systematycznych, które automatyzuje procesy zbierania danych i ułatwia analizę dużych zestawów danych.

EPPI-Reviewer

EPPI-Reviewer to zaawansowane narzędzie wspierające przeglądy systematyczne, które oferuje funkcje text miningu i automatycznego kodowania tekstów naukowych.

Kira Systems

Kira Systems to narzędzie do analizy dokumentów wykorzystujące AI do identyfikacji istotnych informacji, co może być użyteczne w badaniach naukowych i przeglądach literatury.

Litmaps

Litmaps to narzędzie, które pozwala na śledzenie publikacji naukowych i mapowanie powiązań między nimi, ułatwiając badaczom identyfikację trendów w literaturze.

PICO Portal

PICO Portal to narzędzie wspomagające przeglądy systematyczne, które automatyzuje procesy selekcji literatury i kodowania danych na podstawie modelu PICO (Pacjent, Interwencja, Kontrola, Wynik).

Rayyan

Rayyan to aplikacja do przeglądów systematycznych, która pozwala na szybkie i efektywne sortowanie oraz kodowanie artykułów przy użyciu funkcji wspomaganych przez AI.

RobotAnalyst

RobotAnalyst to narzędzie do przeglądów systematycznych, które wykorzystuje algorytmy AI do przyspieszenia procesu selekcji i analizy literatury.

Scholarcy

Scholarcy to asystent badań naukowych, który pomaga skracać dokumenty badawcze, tworzyć streszczenia i identyfikować kluczowe informacje.

ScreenIT

ScreenIT to narzędzie wspomagające przeglądy literatury naukowej, które wykorzystuje AI do automatycznego wykluczania nieistotnych prac, co przyspiesza proces selekcji.

Semantic Scholar

Semantic Scholar to zaawansowana wyszukiwarka literatury naukowej, która korzysta z technologii AI do analizy tekstu i sugerowania powiązanych badań.

Syntheses Automation

Syntheses Automation to narzędzie do automatyzacji przeglądów systematycznych przy użyciu technik sztucznej inteligencji, które wspiera procesy zbierania, sortowania i analizowania danych.

Text-Mining Tools

Text-Mining Tools to różne narzędzia wspierające analizę tekstu przy użyciu technik sztucznej inteligencji, które mogą być wykorzystywane do przeglądów systematycznych i analizy literatury.

Wnioski i ograniczenia

Narzędzia oparte na AI znacznie usprawniają proces przeglądów systematycznych i text miningu, redukując czas i wysiłek potrzebny do selekcji i analizy literatury. Dzięki zaawansowanym algorytmom i automatyzacji, badacze mogą skupić się na interpretacji danych i formułowaniu wniosków, zamiast na żmudnych zadaniach manualnych.

Pomimo wielu zalet, narzędzia oparte na AI nie są pozbawione ograniczeń. Wymagają one odpowiedniego szkolenia i konfiguracji, a ich skuteczność zależy od jakości i ilości danych wejściowych. Ponadto, w niektórych przypadkach mogą wystąpić błędy w klasyfikacji lub kodowaniu, co może wpływać na wyniki przeglądów systematycznych.

Zakończenie

Wykorzystanie narzędzi AI w przeglądach systematycznych i text miningu staje się coraz bardziej powszechne i niezbędne w nowoczesnych badaniach naukowych. Oferują one znaczące korzyści w postaci oszczędności czasu, zwiększenia efektywności i dokładności analiz. W miarę dalszego rozwoju technologii, można spodziewać się, że narzędzia te będą coraz bardziej zaawansowane i szeroko dostępne dla badaczy na całym świecie.

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.

7.01.2025

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

Sztuczna inteligencja uczenia maszynowego (Machine Learning - ML)

Sztuczna inteligencja uczenia maszynowego (Machine Learning - ML) to dziedzina AI, która polega na tworzeniu algorytmów i modeli pozwalających komputerom uczyć się na podstawie danych i podejmować decyzje bez konieczności programowania każdej instrukcji.


Z punktu widzenia Evidence-Based Practice (EBP), ML może odgrywać kluczową rolę poprzez:

  • Analizowanie dużych zbiorów danych medycznych: ML może identyfikować wzorce i predykcje w danych pacjentów, co pomaga w diagnozowaniu i planowaniu leczenia.

  • Syntezowanie wyników badań: Algorytmy ML mogą szybko przetwarzać i integrować wyniki różnych badań, umożliwiając bardziej kompleksowe zrozumienie problemów zdrowotnych.

  • Personalizacja terapii: Dzięki analizie indywidualnych danych pacjentów, ML może wspierać tworzenie spersonalizowanych planów leczenia, zwiększając efektywność interwencji medycznych.

Z punktu widzenia Evidence-Based Management (EBM), ML znajduje zastosowanie poprzez:

  • Optymalizację procesów biznesowych: Algorytmy ML mogą analizować dane operacyjne i sugerować sposoby na poprawę efektywności i redukcję kosztów.

  • Wsparcie decyzji zarządczych: Dzięki analizie historycznych danych biznesowych, ML może przewidywać przyszłe trendy i dostarczać rekomendacji dla menedżerów, co pomaga w podejmowaniu bardziej świadomych decyzji.

  • Analiza danych rynkowych: Algorytmy ML mogą analizować dane rynkowe i konkurencyjne, co wspiera strategie marketingowe i zwiększa szanse na sukces rynkowy.

Machine Learning w kontekście EBP i EBM pomaga w bardziej precyzyjnej analizie danych, wspiera podejmowanie decyzji opartych na dowodach i przyczynia się do zwiększenia efektywności i skuteczności w różnych dziedzinach.

Fot.cottonbro studio: pexels.com

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

3.01.2025

Unikalne podejście badawcze


Konfraternia Naukowa Badań Dowodowych realizuje unikalne podejście badawcze w naukach o zarządzaniu i jakości. Zespół w składzie Adam Jabłoński, Marek Jabłoński, Daniel Dulęba, Mariusz Glenszczyk oraz Piotr Janulek koncentruje swoją działalność na ewolucyjnym połączeniu metodologii wypracowanych w medycynie opartej na dowodach (Evidence-Based Medicine) z naukami o zarządzaniu.

Fundamentem prac zespołu jest przekonanie, że rygorystyczne metody badawcze stosowane w medycynie i farmacji mogą znacząco podnieść jakość procesu decyzyjnego w zarządzaniu organizacjami. Konfraternia podejmuje pionierskie próby adaptacji metaanaliz i systematycznych przeglądów literatury – metod powszechnie stosowanych w badaniach medycznych – do kontekstu zarządzania przedsiębiorstwami. Jest to podejście szczególnie nowatorskie, ponieważ dotychczas nauki o zarządzaniu opierały się głównie na innych metodach badawczych, często mniej rygorystycznych metodologicznie.

Zespół rozwija koncepcję zarządzania opartego na systematycznych dowodach (Systematic Evidence-Based Management), która może stanowić zalążek nowej subdyscypliny w naukach o zarządzaniu. Można to roboczo nazwać „zarządzaniem opartym na systematycznych dowodach" (Systematic Evidence-Based Management) lub „zarządzaniem wg standardów medycznych" (Medical Standards Management). 

W ramach tej koncepcji, badacze proponują wykorzystanie hierarchii dowodów naukowych, charakterystycznej dla medycyny, w procesie podejmowania decyzji menedżerskich. Podejście to ma na celu zwiększenie obiektywizmu i skuteczności działań zarządczych poprzez oparcie ich na systematycznie weryfikowanych dowodach naukowych.

Konfraternia wprowadza do nauk o zarządzaniu metodologię metaanaliz, która pozwala na uzyskiwanie ilościowych, precyzyjnych i zintegrowanych wniosków z różnorodnych badań. Jest to szczególnie istotne w kontekście rosnącej złożoności problemów zarządczych i potrzeby podejmowania decyzji w oparciu o wiarygodne dane.

Badania zespołu charakteryzują się holistycznym podejściem do nauki, łącząc rygor metodologiczny nauk medycznych z praktycznymi aspektami zarządzania organizacjami. Ta interdyscyplinarna perspektywa pozwala na tworzenie nowych rozwiązań w zakresie badań naukowych i praktyki zarządczej.

Działalność Konfraterni może przyczynić się do istotnych zmian w sposobie prowadzenia badań w naukach o zarządzaniu, wprowadzając wyższe standardy metodologiczne i nowe narzędzia badawcze. W perspektywie praktycznej, prace zespołu mogą doprowadzić do powstania bardziej skutecznych i obiektywnych strategii zarządczych, opartych na systematycznie weryfikowanych dowodach naukowych.

Zespół stoi na stanowisku, że wprowadzenie rygorystycznych standardów metodologicznych do nauk o zarządzaniu jest niezbędne w obliczu rosnącej złożoności współczesnych organizacji i ich otoczenia. Poprzez adaptację sprawdzonych metod z dziedziny medycyny, Konfraternia dąży do podniesienia jakości badań w naukach o zarządzaniu i zwiększenia ich praktycznej użyteczności.

Ta pionierska działalność Konfraterni Naukowej Badań Dowodowych wypełnia istotną lukę w literaturze przedmiotu, tworząc nowe standardy prowadzenia badań naukowych w dziedzinie zarządzania i jakości. Może ona również stanowić podstawę do wykształcenia się nowego paradygmatu w naukach o zarządzaniu, łączącego najlepsze praktyki z różnych dziedzin nauki.

Ewolucyjne połączenie metodologii Evidence-Based Medicine (EBM) z naukami o zarządzaniu i jakości

Połączenie metodologii wypracowanych w medycynie opartej na dowodach (Evidence-Based Medicine) z naukami o zarządzaniu wymaga uwzględnienia różnorodnych źródeł informacji, które wspólnie tworzą spójny i wszechstronny fundament dla podejmowania decyzji. Jednym z kluczowych elementów są badania naukowe, które dostarczają rzetelnych dowodów na skuteczność metod i strategii. Rygorystyczne analizy, takie jak metaanalizy i systematyczne przeglądy literatury, stanowią solidny punkt odniesienia, pozwalając unikać subiektywizmu i opierania się na niepotwierdzonych założeniach.

Drugim istotnym źródłem informacji jest literatura szara , obejmująca raporty, dokumenty robocze, prezentacje oraz inne materiały nienależące do tradycyjnych publikacji naukowych. Choć często mniej formalna, szara literatura dostarcza praktycznego kontekstu i danych, które mogą być kluczowe w analizowaniu realiów zarządzania, szczególnie w sytuacjach, gdzie brakuje publikacji naukowych.

Równie ważne są dane organizacyjne, które pochodzą z wewnętrznych zasobów organizacji, takich jak analizy operacyjne, wskaźniki wydajności czy wyniki badań satysfakcji pracowników. Te dane pozwalają na dostosowanie decyzji do unikalnych warunków i wyzwań, z jakimi mierzy się dana organizacja, co zwiększa skuteczność wdrażanych strategii.

Nie można również pomijać opinii ekspertów, które stanowią cenne źródło wiedzy praktycznej i intuicyjnych spostrzeżeń. Eksperci z doświadczeniem w danej dziedzinie mogą dostarczyć wskazówek, które trudno znaleźć w literaturze lub danych liczbowych, szczególnie w kontekście innowacji czy zarządzania kryzysowego.

Interes interesariuszy odgrywa równie istotną rolę w procesie decyzyjnym. Zarządzanie oparte na dowodach wymaga zrozumienia i uwzględnienia potrzeb, oczekiwań oraz preferencji osób i grup zaangażowanych w działalność organizacji. Dzięki temu możliwe jest budowanie strategii, które nie tylko są efektywne, ale także akceptowane i wspierane przez zainteresowane strony.

Ostatnim, ale równie ważnym aspektem, są czynniki kulturowe. Każda organizacja działa w określonym kontekście kulturowym, który wpływa na sposób podejmowania decyzji, komunikacji i wdrażania zmian. Uwzględnienie aspektów kulturowych pozwala lepiej dopasować strategie zarządcze do lokalnych uwarunkowań i minimalizować ryzyko oporu wobec zmian.

Integracja tych sześciu kolektorów informacji tworzy fundament dla zarządzania opartego na dowodach, które, podobnie jak w medycynie, pozwala na podejmowanie decyzji o wysokiej skuteczności i adekwatności do kontekstu. 

Taka ewolucja metodologiczna sprzyja większej przejrzystości, odpowiedzialności i skuteczności w zarządzaniu, czyniąc organizacje bardziej odporne na wyzwania współczesnego świata.