文章專區

Take Home Message
．科學並不是一成不變與永遠正確的，科學可看作是一種觀察、分類、預測、檢驗和修正的過程。無論是波普爾的可證偽性或孔恩的典範轉移，都說明了科學是一個持續演進的動態系統。
．研究的核心並不是分析工具或模型本身，而在於是否能正確定義問題、建立可檢驗的假設，並以理論與實徵相互驗證。
．AI能協助資料整理、模式發現與分析，但研究結果是否有意義，仍仰賴研究者觀察現實世界、尋找問題，以及定義問題的基本能力。

科學的內涵

「什麼是科學？」這個問題的答案隨時代不斷改變，難以一言蔽之。原因在於，科學不僅是現成的知識本體，更是一種透過不斷發展有效方法，來回答與解決問題的動態探索過程。

如果我們比較古今獲取知識的方法或過程，會發現古代以哲學的思考方式為主，而現代則以科學的論證為主。就古代的知識產生而言，例如希臘哲學家亞里斯多德（Aristotle）主張利用直覺（intuition）、靈感（inspiration）和教條主義（dogmatism） 來獲取知識； 希臘哲學家與數學家畢達哥拉斯（Pythagoras）則強調反省法（reflection），他認為透過心靈和思考即可發現宇宙的祕密，而他的追隨者法國哲學家笛卡兒（René Descartes） 也在著作中提出「我思，故我在」的哲學命題。至於現代的知識產生，英國哲學家波普爾（Sir Karl Raimund Popper）則是認為，我們應先對研究事物提出假設，然後根據假設提出推論，再由現實來驗證推論。若證據支持假設，則成為有用的假設，此即假設演繹法（hypothetico-deductive method）。他也認為衡量一個理論的科學性，並不在於它是否能被證實，而在於它是否有被推翻的可能性，也就是「可證偽性」（falsifiability）。可證偽性是波普爾對科學哲學最重要的貢獻之一，因為可以解決科學與非科學之間的界線問題。換言之，科學不是永遠正確的代名詞，而是要能接受檢驗且承認錯誤。

相較於波普爾的邏輯證偽，孔恩（Thomas Samue Kuhn）在《科學革命的結構》（The Structure of Scientific Revolutions）中提出了一個截然不同的觀點。他認為科學不是一步一步的穩定累積，而是一場又一場的「典範轉移」（paradigm shift）。也就是科學的進步體現在「解決問題的能力」，新典範之所以取代舊典範，是因為它能處理舊框架處理不了的危機，並提供更精確、廣泛的預測工具。

根據過去的經驗，我們發現利用可控制的科學方法，比非科學的方法更可能得到正確的答案和較佳的解決方式，並更有效地達成預期的目的；控制是區分科學和非科學探尋的必要非充分條件。科學的另一個重要特質是永無休止的自我進步，我們回答疑問或解決問題的能力是與時俱進且沒有限制的。因此，科學的研究須能夠增進未來研究的效率，它的設計要能夠提供我們有用的資料，甚至能引導研究的進行。

科學的研究

研究是一種有組織、有條理的探尋活動，目的在發掘新知識。使用科學方法的研究，可以讓我們更了解周遭的世界。

我們基於不同的目的，使用研究所得到的知識。但如果想要使研究產生的知識具有效性與應用性，則研究過程必須有適當的規劃與控制。單憑分析工具或理論模型，並不能使知識變得有效或可運用；但將兩者合在一起，以一種合理、有計畫的方式，以及心胸開放、追根究底的態度來進行研究，則能增進知識的可靠程度。

眾所周知，自然科學的研究偏向創造發明，而社會科學的研究則偏向了解問題與提出對策。若從研究的本質來看，想要了解社會或自然現象，則必須先建立模型或是分析架構，並藉此來解釋現象或問題，甚至是進行預測。而從決策分析的步驟來看，決策是一種在不同方案中做選擇的過程，行動方案必須根據過去的資料而建立，才能在未來獲得預期的結果，所以決策進行的步驟和研究過程頗為類似。

一般而言，決策和研究過程都包含兩個世界：真實世界和象徵世界。若先將研究或決策的過程分成五個步驟，並將這五個步驟各別分類在真實或象徵世界產生或進行的情況，如圖一所示；而當我們實際在做決策時，可將步驟簡化成四個，則如圖二所示。

圖一和圖二顯示，研究或決策的第一個步驟，都是依據實際情況來定義問題。其中包括研究問題的說明、能夠檢驗的假設和研究目的的敘述，而問題是否適當的界定，更是研究是否有意義的關鍵。在研究過程中，我們需要藉由理論來了解真實世界，並在象徵世界中建立模型進行控制。而理論的形成，來自利用歸納法將沒有次序的事實一般化，或以演繹法進行邏輯推理。理論使我們能設立假設，並用實證資料來檢定。如果有愈多的假設可以如此檢驗，則我們對於理論的有效性愈有信心。有效的理論可促成一般化、解釋和預測，也就是科學提供我們一個前後一致的、堅實的、可用實證來證明的訊息，使我們可以了解真實的世界。

研究的規劃

大部分的研究都是應用性研究，目的是在得到有用的資訊，以解決某一特定問題的研究。應用性研究所得到的結果不一定能完全解決當初設定的問題，但是在這種研究中，我們必須有一個特定的問題來引導研究的方向。舉例來說，在綠色革命（Green Revolution）中由國際稻米研究中心（International Rice Research Institute, IRRI）研發出來的矮株水稻，就是一種應用性研究的結果。也就是說，當初針對水稻的抗風、抗病與吸收肥料能力等特定問題，由IRRI 進行研究以解決問題，研究發展的結果就是矮株水稻。然而，並非所有的研究都能有明確的問題，例如社經方面的問題錯綜複雜，當事情的結果不如預期時，幾乎每個人都能指出「有問題」，但進一步詢問問題所在，大家的辨識或認定卻往往迥然不同。這是因為人們習慣以各自的經驗或理解，對問題的原因採取「就是這樣」的直覺式判斷。同樣以綠色革命來說明，當研究者只關注局部技術問題而忽略系統性關聯時，反而容易導致失敗。例如在1970年代，印尼稻田因廣泛使用殺蟲劑，導致害蟲產生抗藥性與稻田生態失衡，爆發了嚴重的褐飛蝨（Nilaparvata Lugens）災害。褐飛蝨在當時摧毀了數百萬公頃的稻田，產量不增反減。最終在1986 年，印尼政府被迫放棄這種純化學模式的綠色革命，轉向「病蟲害綜合治理」（intergrated pest management, IPM），減少特定農藥使用，才控制住褐飛蝨問題。

所以研究問題的界定並不容易。有人認為一開始的界定問題，是研究過程中最重要且最困難的部分。起步工作不僅需要邏輯推理，更包括無法明確分類和溝通的部份。一般而言，依據「應用研究特性」所定義的研究問題，應該包括幾個基本性質：

1. 問題可以反映實際的需要。
2. 問題是非假設性的。
3. 問題可以導出有意義且可檢定（驗）的假設。
4. 問題和現況有關，並且是可以控制的。
5. 一個可研究的問題並不完全代表實際的情況。

而在實務上，研究者最初先有研究題材的方向和範圍，爾後進一步縮小至一般的問題狀況，這之中可能包括幾個可研究的問題。研究者選定問題後，透過「假設的形成」將問題再縮小到能被檢定的暫時關係；接著，利用「研究目的」來限定研究進行的範圍，並且說明預期產生的結果是什麼。在開始進行研究時，問題說明、假設形成和研究目的一般都會經過多次調整，最後才能產生令人滿意的結果。而這三個階段的互動以及當中的含義，就是我們進行研究時的重要指導方針。

最近，我與幾位年輕學者交流，談到了生成式AI（Generative AI）的應用將使未來的研究路徑變得多元，而研究創新的空間也會大幅提升。但我個人認為，AI固然可以擴大研究的能力或減少研究經費和時間，然而如何觀察世界、如何尋找與定義問題，仍然是每位研究者最基本的能力。以下是目前在研究上應用AI可能會遇到的問題：

1. 過度依賴AI，尤其是大型語言模型或大數據分析。利用AI擅長找出資料規律性與相關性的特性，而缺少定義問題時的因果邏輯。
2. 為了使用某種AI先進算法，例如深度學習，而強行扭曲研究問題，導致研究雖然技術精準但卻毫無意義。
3. 讓AI扮演加速器或是黑盒子的角色，以致一旦去掉AI，問題本身的邏輯就無法成立。
4. 忽略AI常產生似是而非的論述問題，讓研究者使用模稜兩可的詞彙，不符合科學需要精確術語的要求。

回歸基本功並非排斥工具，而是要意識到AI負責「處理資料」，研究者則必須負責「賦予意義」。當工具愈強大時，對於問題本質的要求就愈高。

科學與研究並非是一條容易的道路，而是科學社群不斷地進行著提出假設、檢驗理論與自我推翻的動態過程。在研究工具不斷推陳出新的現今，不變的是人類對問題解決的需求與萬物本質的探討。即使生成式AI的出現顛覆過往的研究路徑，但是AI只是工具，好的科學研究仍來自正確的方法和鍥而不捨的精神。