Trabajo muy interesante sobre cómo la investigación empírica debe responder a la era de la IA. Las pruebas estadísticas convencionales con valores p provienen de un mundo en el que cada prueba se consideraba bastante costosa. La IA ahora hace que cada prueba sea prácticamente gratuita. Algunos puntos clave del resumen: --"demostramos que el cribado colapsa a medida que las pruebas se vuelven baratas a menos que el número requerido de comprobaciones de robustez escale al menos linealmente en el coste inverso de cada prueba" --"defendemos la necesidad de desarrollar métodos para interpretar conjuntos de muchas especificaciones simultáneamente" ¡Sí! Todavía no sé exactamente cómo se verá y cómo se sentirá, pero está claro que es lo que se necesita. Y tiene que ir en ambas direcciones: (1) Detectar y disuadir los hallazgos de investigación seleccionados a dedo Pero igual de crucial: (2) Detectar y recompensar los buenos hallazgos. El número 2 aquí podría resultar en algunos aspectos más difícil. Toda nuestra intuición parece girar en torno a mostrar que un hallazgo es "menos sólido" de lo que pensábamos, y exigir una falsa sensación de perfección a partir de resultados publicados. Cuando podamos ver toda la constelación de hallazgos, necesitamos encontrar la manera correcta de ser más caritativos y realistas respecto a lo que cuenta como información útil.