Các cách tăng tốc độ chưa được phát hiện của Đại dịch

[ad_1]

Cài Win online

Đại dịch được đánh dấu các vấn đề lớn trong nghiên cứu: nhiều nghiên cứu bị thổi phồng, sai sót hoặc thậm chí gian lận và thông tin sai lệch có thể lan truyền nhanh chóng. Nhưng nó cũng chứng minh những gì có thể.

Mặc dù thường mất nhiều năm để thử nghiệm các loại thuốc chống lại một căn bệnh mới, nhưng lần này chỉ cần ít hơn một lần để tìm ra một số loại vắc-xin và phương pháp điều trị. Một lần, các nhà khoa học đã phát hiện ra các chủng virus mới chỉ sau một đợt bùng phát đã xảy ra, nhưng bây giờ họ có thể sử dụng các mẫu nước thải để dự đoán trước các đợt bùng phát.

Không phải ai cũng nhìn thấy tốc độ của những tiến bộ này một cách tích cực: Ví dụ, niềm tin rằng vắc-xin được “gấp rút”, là một trong những lý do phổ biến nhất khiến mọi người trì hoãn việc dùng chúng. Nhiều người tin rằng làm khoa học nhanh chóng sẽ đồng nghĩa với việc loại bỏ các tiêu chuẩn và tạo ra các nghiên cứu cẩu thả hoặc thậm chí nguy hiểm.

Nhưng điều đó không phải lúc nào cũng đúng và sự cấp thiết của Covid-19 đã khiến nhiều người thích nghi, sản xuất và cải tiến nghiên cứu với chất lượng và tốc độ ít ai ngờ tới. Chúng ta không chỉ có thể tránh được những đánh đổi đó mà còn có thể cải tiến khoa học theo những cách làm cho nó nhanh hơn — và đại dịch đã chỉ cho chúng ta cách thức.

Thu thập dữ liệu thông thường

Trong vòng sáu tháng sau khi bùng phát, đã có hơn 30.000 trình tự bộ gen của coronavirus — trong khi cùng một khoảng thời gian vào năm 2003, các nhà khoa học chỉ có thể nhận được một trình tự duy nhất của virus SARS.

Tốc độ mà các bộ gen coronavirus được sắp xếp theo thứ tự là một câu chuyện thành công, nhưng nó không cho chúng ta thấy bức tranh toàn cảnh. Trong khi Vương quốc Anh sử dụng một chương trình gen lớn để giải trình tự gần 3 triệu bộ gen coronavirus, nhiều quốc gia đã giải mã tổng cộng vài nghìn, một số ít hơn một trăm.

Sự chênh lệch như thế này là phổ biến. Ở nhiều nơi, trong một loạt các chủ đề, rất nhiều dữ liệu không được đo lường hoặc bị bỏ sót: tỷ lệ mắc bệnh tâm thần, GDP quốc gia, thậm chí đăng ký số ca tử vong và nguyên nhân của chúng. Thay vào đó, nó phải được ước tính với phạm vi rộng.

Việc các nhóm nghiên cứu nhỏ tự thu thập dữ liệu rất khó và tốn kém, vì vậy họ có xu hướng thu thập những gì thuận tiện hơn là toàn diện. Ví dụ, trong tâm lý học, nghiên cứu thường là “WEIRD” —đến từ những người tham gia là người Da trắng, Có học, Công nghiệp hóa, Giàu và Dân chủ. Trong lịch sử, dữ liệu đến từ bất kỳ nơi nào mà các bản ghi là phổ biến; trong kinh tế học, nơi các doanh nghiệp đã đăng ký các tài khoản chi tiết về thu nhập và chi tiêu của họ.

Các nhà nghiên cứu khác nhau đo lường cùng một dữ liệu theo những cách khác nhau. Một số người được liên hệ bởi nhiều nhóm nghiên cứu đang xem xét các câu hỏi giống nhau, trong khi những người khác không nhìn thấy.

Nếu không có dữ liệu được đo lường theo cách tiêu chuẩn, thật khó để trả lời các câu hỏi về việc liệu mọi thứ có khác nhau hay không và tại sao có thể có những khác biệt đó. Ví dụ, lo lắng có phổ biến hơn ở các nước giàu hơn, hoặc có nhiều khả năng bị phát hiện hơn không? Vì tình trạng bệnh không được chẩn đoán ở nhiều quốc gia và rất hiếm các cuộc khảo sát nên chúng tôi không có câu trả lời rõ ràng.

Điều này cho chúng ta thấy một cách để tăng tốc khoa học: Các tổ chức lớn, chẳng hạn như chính phủ và các tổ chức quốc tế, nên thu thập và chia sẻ dữ liệu thường xuyên thay vì để lại gánh nặng cho các nhóm nghiên cứu nhỏ. Đó là một ví dụ cổ điển về “lợi thế theo quy mô”, nơi các tổ chức lớn hơn có thể sử dụng các nguồn lực của mình để xây dựng các công cụ đo lường, chia sẻ và duy trì dữ liệu dễ dàng và rẻ hơn ở quy mô mà các nhóm nhỏ hơn không thể làm được.

cài đặt phần mềm online
[ad_2]