Le jeudi, l’éditeur de recherche Science a annoncé que tous ses journaux commenceront à utiliser un logiciel commercial qui automatise le processus de détection des images manipulées de manière incorrecte. Cette décision intervient de nombreuses années après notre prise de conscience que la transition vers les données numériques et la publication facilite de manière comique la fraude dans la recherche en altérant les images. Bien que cette mesure constitue une première étape importante, il est important de reconnaître les limites du logiciel. Bien qu’il permettra de détecter certains des cas les plus flagrants de manipulation d’images, les fraudeurs ingénieux peuvent facilement éviter d’être pris s’ils connaissent le fonctionnement du logiciel. Malheureusement, nous nous sentons obligés de le décrire (et, pour être juste, la société qui a développé le logiciel le fait sur son site web). Beaucoup de fraudes basées sur les images que nous avons constatées proviennent d’un dilemme auquel sont confrontés de nombreux scientifiques : il n’est pas un problème de réaliser des expériences, mais les données qu’elles produisent ne sont souvent pas les données que vous souhaitez. Peut-être que seuls les contrôles fonctionnent, ou peut-être que les expériences produisent des données indiscernables des contrôles. Pour les personnes peu scrupuleuses, cela ne pose pas de problème car personne d’autre que vous ne sait quelles images proviennent de quels échantillons. Il est relativement simple de présenter des images de données réelles comme étant autre chose. Pour rendre cela concret, nous pouvons examiner les données d’une procédure appelée western blot, qui utilise des anticorps pour identifier des protéines spécifiques dans un mélange complexe qui a été séparé selon la taille des protéines. Les données typiques du western blot ressemblent à l’image à droite, où l’obscurité des bandes représente les protéines présentes à différents niveaux selon les différentes conditions. Notez que les bandes sont relativement dépourvues de caractéristiques et sont isolées de plus grandes images des données brutes, les dissociant de leur contexte d’origine. Il est possible de prendre des bandes d’une expérience et de les insérer dans une image d’une autre expérience entièrement différente, générant ainsi frauduleusement des « preuves » là où il n’en existe pas. Des choses similaires peuvent être faites avec des graphiques, des photographies de cellules, et ainsi de suite.
Les Problèmes Communs Rencontrés par la Société dans l’Utilisation Efficace des Derniers Développements de l’Intelligence Artificielle
Les Problèmes Communs Rencontrés par la Société dans l’Utilisation Efficace des Derniers Développements de l’Intelligence Artificielle Introduction L’intelligence artificielle (IA)
