Mycket intressant arbete om hur empirisk forskning behöver svara på AI-eran. Konventionell statistisk testning med p-värden kommer från en värld där varje test ansågs vara ganska kostsamt. AI gör nu varje test i princip gratis att köra. Några viktiga punkter från sammanfattningen: --"Vi bevisar att screening kollapsar när testning blir billig om inte det nödvändiga antalet robusthetskontroller åtminstone skalar linjärt i den omvända kostnaden för varje test" --"Vi argumenterar för behovet av att utveckla metoder för att tolka mängder av många specifikationer samtidigt" Ja! Jag vet fortfarande inte exakt hur det kommer att se ut och kännas, men det är tydligt vad som krävs. Och det måste gå åt båda hållen: (1) Fånga och avskräcka utvalda forskningsresultat Men minst lika avgörande: (2) Upptäcka och belöna goda resultat. Nummer 2 här kan på vissa sätt visa sig vara svårare. All vår intuition verkar handla om att visa att ett fynd är "mindre robust" än vi trodde, och kräver en falsk känsla av perfektion utifrån publicerade resultat. När vi kan se hela konstellationen av fynd måste vi hitta rätt sätt att vara mer generösa/realistiska kring vad som räknas som användbar information.