Principal Challenges Facing Modern Science: A Review of Systemic Strains on the Research Enterprise Основные вызовы, стоящие перед современной наукой: обзор системных нагрузок на исследовательский процесс Қазіргі ғылымның негізгі қиындықтары: зерттеу саласына жүктелген жүйелік күйзелістерге шолу
AbstractАннотацияАңдатпа
Modern science is more productive, more global, and better instrumented than at any point in its history, yet a growing body of meta-scientific work suggests that the enterprise of science its institutions, incentives, and social contract is under serious strain. This review synthesizes evidence on eight interlocking challenges: (1) the reproducibility and replication crisis; (2) the fragility of research software, much of it poorly engineered, unmaintained, and abandoned soon after publication; (3) the industrialization of research fraud and a surge in retractions; (4) perverse incentives embedded in scholarly publishing and evaluation; (5) the double-edged role of generative artificial intelligence; (6) signs that scientific progress, despite exponential output, may be becoming less disruptive; (7) funding precarity and the politicization of research, sharply illustrated by events in the United States in 2025; and (8) the erosion and polarization of public trust. These challenges are not independent; hypercompetition and metric-driven evaluation act as a common upstream driver. The review concludes by surveying reform efforts open science, metascience, and the redesign of incentives and argues that the central task of the coming decade is institutional rather than technical.
Современная наука является более продуктивной, более глобальной и лучше оснащённой, чем в любой другой момент своей истории, однако растущий массив метанаучных работ свидетельствует о том, что само предприятие науки её институты, стимулы и общественный договор испытывает серьёзное напряжение. Настоящий обзор систематизирует данные по восьми взаимосвязанным вызовам: (1) кризис воспроизводимости и репликации; (2) нестабильность исследовательского программного обеспечения, значительная часть которого спроектирована непрофессионально, не поддерживается и быстро забрасывается после публикации; (3) индустриализация научного мошенничества и волна отзывов статей; (4) порочные стимулы, встроенные в систему научных публикаций и оценки; (5) двойственная роль генеративного искусственного интеллекта; (6) признаки того, что научный прогресс, несмотря на экспоненциальный рост публикаций, может становиться менее революционным; (7) нестабильность финансирования и политизация исследований, ярко проиллюстрированные событиями в США в 2025 году; и (8) эрозия и поляризация общественного доверия. Эти вызовы не являются независимыми; гиперконкуренция и оценка по метрикам выступают общим вышестоящим фактором. В заключение обзора рассматриваются реформаторские усилия открытая наука, метанаука и переработка стимулов, и утверждается, что главная задача предстоящего десятилетия носит институциональный, а не технический характер.
Қазіргі ғылым өз тарихының кез келген кезеңімен салыстырғанда неғұрлым өнімді, жаһандық және жақсырақ жабдықталған болып табылады, алайда метағылыми жұмыстардың өсіп келе жатқан корпусы ғылымның ісінің өзі оның институттары, ынталандырулары және қоғамдық шарты маңызды күйзелісте екенін дәлелдейді. Бұл шолу сегіз өзара байланысты мәселе бойынша деректерді жинақтайды: (1) қайта жаңғыртылу мен репликация дағдарысы; (2) зерттеу бағдарламалық қамтамасыздандыруының тұрақсыздығы; (3) ғылыми алаяқтықтың индустрияландырылуы; (4) ғылыми жариялаулар мен бағалауда орныққан бұрыс ынталандырулар; (5) генеративті жасанды интеллекттің екіжақты рөлі; (6) ғылыми прогрестің жарияланымдар өскеніне қарамастан аз революциялы болып бара жатқанының белгілері; (7) қаржыландырудың тұрақсыздығы мен зерттеулердің саясиландырылуы; және (8) қоғамдық сенімнің эрозиясы мен поляризациясы. Бұл мәселелер тәуелсіз емес; гиперкеселіс пен метрикаға негізделген бағалау ортақ жоғары деңгейлі факторды құрайды. Шолу ашық ғылым, метағылым және ынталандыруларды қайта жоспарлаудан тұратын реформа күш-жігерін қарастыра отырып, алдағы онжылдықтың басты міндеті техникалық емес, институционалдық сипатта екенін дәлелдейді.
1. Introduction 1. Введение 1. Кіріспе
The phrase "challenges of modern science" can be read in two ways. In one sense, it refers to the great unsolved scientific problems the origin of consciousness, fusion energy, the nature of dark matter, the cure for neurodegenerative disease, the safe development of advanced AI. In another sense, it refers to challenges to the institution of science itself: the way research is funded, conducted, evaluated, published, and trusted. This review concerns the second sense. The argument is that the most pressing problems for contemporary research are not, in the first instance, intellectual but structural, and that the health of the scientific enterprise increasingly depends on metascience the scientific study of science itself.
This focus is deliberate. Intellectual frontiers shift constantly and are field-specific, but the systemic pressures described below cut across disciplines, from cell biology to economics, and increasingly determine whether intellectual frontiers can be reached at all. A flawed incentive structure can corrupt any field; a robust one benefits all of them.
Словосочетание «вызовы современной науки» можно трактовать двояко. В первом смысле оно относится к великим нерешённым научным проблемам природе сознания, термоядерной энергетике, природе тёмной материи, лечению нейродегенеративных заболеваний, безопасному развитию передового ИИ. Во втором смысле к вызовам самому институту науки: тому, как финансируются, ведутся, оцениваются, публикуются исследования и насколько им доверяют. Настоящий обзор посвящён второму смыслу. Его тезис состоит в том, что наиболее острые проблемы современной науки не являются в первую очередь интеллектуальными они носят структурный характер, и здоровье научного предприятия всё в большей мере зависит от метанауки научного исследования самой науки.
Этот акцент сделан намеренно. Интеллектуальные рубежи постоянно смещаются и специфичны для конкретных областей, однако системные давления, описанные ниже, пронизывают все дисциплины от клеточной биологии до экономики и всё сильнее определяют, можно ли вообще достичь интеллектуальных рубежей. Порочная система стимулов способна развратить любую область; здоровая принести пользу всем им.
«Қазіргі ғылымның қиындықтары» деген тіркесті екі түрлі оқуға болады. Бір мағынасында ол ұлы шешілмеген ғылыми мәселелерге жатады сана табиғатына, термоядролық энергетикаға, қараңғы материяның табиғатына, нейродегенеративтік аурулардың ем-домына, дамыған ЖИ-ді қауіпсіз дамытуға. Екінші мағынасында ғылым институтының өзіне деген қиындықтарды білдіреді: зерттеулер қалай қаржыландырылады, жүргізіледі, бағаланады, жарияланады және қалай сенімге ие болады. Бұл шолу екінші мағынаны қарастырады. Оның тезисі қазіргі ғылым үшін ең өзекті проблемалар бірінші кезекте зияткерлік емес, құрылымдық сипатта, ал ғылыми процестің денсаулығы метағылымға ғылымды ғылыми тұрғыдан зерттеуге барған сайын тәуелді болып барады.
Бұл назар қасақана. Зияткерлік шекаралар үнемі өзгеріп, салаға тән болып қала береді, алайда төменде сипатталған жүйелік қысымдар клеткалық биологиядан экономикаға дейінгі барлық пәндерді кесіп өтеді және зияткерлік шекараларға мүлдем жетуге болатынын барған сайын анықтайды. Бұрыс ынталандыру жүйесі кез келген саланы бүлдіруі мүмкін; тиімді жүйе барлығына пайда келтіреді.
2. The Reproducibility and Replication Crisis 2. Кризис воспроизводимости и репликации 2. Қайта жаңғыртылу мен репликация дағдарысы
The most widely discussed structural problem is the difficulty of reproducing published findings. A finding that cannot be independently reproduced sits uneasily with the idea that replication is a cornerstone of the scientific method. The modern debate is usually traced to a provocative 2005 essay arguing, on statistical grounds, that a large fraction of published claims are likely false (Ioannidis, 2005), and to a series of large-scale empirical efforts in the 2010s. The most cited of these, the Open Science Collaboration's attempt to replicate 100 studies in psychology, reported that only a minority of effects reproduced at their original magnitude (Open Science Collaboration, 2015). A 2016 survey of more than 1,500 researchers found that a majority had failed to reproduce another scientist's experiment, and many had failed to reproduce their own (Baker, 2016).
The causes are now reasonably well understood and largely behavioral rather than malicious: selective reporting of positive results, flexible analytic choices ("p-hacking" and "researcher degrees of freedom"), small and underpowered samples, incomplete reporting of methods, and the chronic non-publication of null results. Computational fields face an additional layer of fragility undocumented code, broken data links, and software environments that cannot be rebuilt.
Two cautions are warranted. First, "crisis" is contested terminology: critics argue that reproducibility rates vary enormously by field, that some non-replication reflects legitimate effect heterogeneity rather than error, and that the discourse has at times outrun the evidence base. Second, the reproducibility movement has been notably constructive, generating concrete reforms preregistration, registered reports, open data and materials, and larger multi-lab collaborations that are discussed in Section 11.
Наиболее широко обсуждаемой структурной проблемой является сложность воспроизведения опубликованных результатов. Вывод, который нельзя независимо воспроизвести, плохо согласуется с представлением о репликации как краеугольном камне научного метода. Современная дискуссия обычно берёт начало с провокационного эссе 2005 года, в котором на статистических основаниях утверждалось, что значительная доля опубликованных утверждений, вероятно, ложна (Ioannidis, 2005), и с серии масштабных эмпирических исследований 2010-х годов. Наиболее цитируемое из них попытка «Коллаборации открытой науки» воспроизвести 100 исследований по психологии показало, что лишь меньшинство эффектов воспроизводилось в своей исходной величине (Open Science Collaboration, 2015). Опрос более 1500 исследователей в 2016 году установил, что большинство из них не смогло воспроизвести результаты другого учёного, а многие собственные (Baker, 2016).
Причины ныне достаточно хорошо изучены и носят преимущественно поведенческий, а не злонамеренный характер: избирательное сообщение о положительных результатах, гибкость аналитических решений («p-хакинг» и «исследовательские степени свободы»), малые и недостаточно мощные выборки, неполное описание методов и хроническое непубликование нулевых результатов. В вычислительных областях возникает дополнительный слой нестабильности недокументированный код, нерабочие ссылки на данные и программные среды, которые невозможно воссоздать.
Необходимы два предостережения. Во-первых, термин «кризис» оспаривается: критики указывают, что уровни воспроизводимости существенно варьируются в зависимости от области, что часть невоспроизводимых результатов отражает законную гетерогенность эффектов, а не ошибку, и что дискурс порой опережал доказательную базу. Во-вторых, движение за воспроизводимость было заметно конструктивным: оно породило конкретные реформы предрегистрацию, зарегистрированные отчёты, открытые данные и материалы, а также более масштабные межлабораторные коллаборации, которые рассматриваются в разделе 11.
Ең кеңінен талқыланатын құрылымдық мәселе жарияланған нәтижелерді қайта жаңғыртудың қиындығы. Тәуелсіз түрде қайта жаңғырта алмайтын тұжырым репликацияны ғылыми әдістің бұрыштас тасы деп есептейтін идеямен қайшы келеді. Қазіргі пікірталас 2005 жылғы провокациялық эссеге жатады: онда статистикалық негіздерде жарияланған тұжырымдардың едәуір бөлігі жалған болуы мүмкін деп дәлелденді (Ioannidis, 2005). Соның ішінде ең жиі цитацияланатыны «Ашық ғылым ынтымақтастығының» психология бойынша 100 зерттеуді репликациялау әрекеті: эффекттердің азшылығы ғана бастапқы шамасында қайталанды (Open Science Collaboration, 2015). 2016 жылы 1500-ден астам зерттеушіге жүргізілген сауалнама олардың басым бөлігі басқа ғалымның тәжірибесін, ал көпшілігі өз тәжірибелерін де қайта жаңғырта алмағанын анықтады (Baker, 2016).
Себептер қазір жеткілікті зерттелген және негізінен мінез-құлықтық, зиянкестік емес сипатта: оң нәтижелерді іріктеп хабарлау, аналитикалық таңдаудың икемділігі («p-хакинг» және «зерттеушілік бостандық дәрежелері»), кішкентай және аздап күшті үлгілер, әдістердің толық сипатталмауы және нөлдік нәтижелердің созылмалы жарияланбауы. Есептеу салаларында тұрақсыздықтың қосымша қабаты туады құжатталмаған код, деректерге жарамайтын сілтемелер және қайта жасалмайтын бағдарламалық орталар.
Екі ескерту қажет. Біріншіден, «дағдарыс» термині даулы: сыншылар деңгейлердің сала бойынша айтарлықтай өзгеретінін, кейбір репликацияланбаушылық қателіктің емес, эффект гетерогенділігінің заңды бейнесі екенін айтады. Екіншіден, қайта жаңғыртылу қозғалысы конструктивті болды: алдын ала тіркеу, тіркелген есептер, ашық деректер мен материалдар сияқты нақты реформалар мен ауқымды зертханааралық ынтымақтастықтар туды олар 11-бөлімде қарастырылады.
3. The Research-Software Problem: Code Quality, Maintenance, and Abandonment 3. Проблема исследовательского ПО: качество кода, сопровождение и заброшенность 3. Зерттеу бағдарламалық қамтамасыздандыруы мәселесі: код сапасы, қолдау және тастанды
A growing share of scientific results now passes through custom software, yet the quality of that software receives far less scrutiny than the quality of the underlying experiment. Because results are only as trustworthy as the code that produces them, software quality is not a peripheral engineering concern but a direct extension of the reproducibility problem discussed in Section 2.
The first difficulty is training. Surveys summarized by Wilson and colleagues found that scientists spend a large fraction of their working time often a third or more building software, while the overwhelming majority are essentially self-taught and have little exposure to basic practices such as version control, testing, code review, and maintainable design (Wilson et al., 2014; Goble, 2014). The gap is widest for students and early-career researchers who write much of this code, frequently while still acquiring both domain expertise and a firm grasp of the relevant algorithms.
The second difficulty is structural neglect after publication. A great deal of research software is written to support a single paper and is effectively abandoned once that paper appears, because professional credit attaches to the novel result rather than to the unglamorous work of maintenance (Goble, 2014). As programming languages, dependencies, operating systems, and data formats drift, unmaintained tools quietly stop working. The decay is measurable: an empirical analysis of tens of thousands of "omics" software resources found that roughly 28% could no longer be reached through the web addresses given in the papers that introduced them, and that more than a quarter could not be installed at all (Mangul et al., 2019).
The third difficulty is a usability gap. The same large analysis found that only about half of the tools tested were "easy to install," and, tellingly, that papers offering a straightforward installation process accumulated significantly more citations suggesting that usability and scientific uptake rise and fall together (Mangul et al., 2019). The picture is not uniformly bleak: a large 2025 survival analysis found that scientific open-source software actually tends to outlive matched non-scientific projects (Malviya-Thakur et al., 2025). Constructive responses include structured training (Software and Data Carpentry), the professionalization of the Research Software Engineer role, software citation and persistent identifiers, containerization, and funder mandates that treat maintenance as part of the research lifecycle.
Всё большая доля научных результатов проходит через специализированное программное обеспечение, однако качество этого ПО подвергается значительно меньшему контролю, чем качество самого эксперимента. Поскольку достоверность результатов не превышает достоверности кода, их порождающего, качество программного обеспечения не периферийная инженерная проблема, а прямое продолжение проблемы воспроизводимости, рассмотренной в разделе 2.
Первая трудность подготовка кадров. Обзоры, суммированные Уилсоном с соавторами, показывают, что учёные тратят значительную долю рабочего времени нередко треть и более на разработку программного обеспечения, тогда как подавляющее большинство из них самоучки, практически незнакомые с базовыми практиками: контролем версий, тестированием, code review и поддерживаемым дизайном (Wilson et al., 2014; Goble, 2014). Разрыв наиболее ощутим у студентов и начинающих исследователей, которые пишут большую часть этого кода, зачастую одновременно осваивая предметную область и алгоритмы.
Вторая трудность структурное пренебрежение после публикации. Значительная часть исследовательского ПО создаётся для поддержки одной статьи и фактически забрасывается, как только эта статья выходит, поскольку профессиональный кредит присваивается новому результату, а не непривлекательной работе по сопровождению (Goble, 2014). По мере того как языки программирования, зависимости, операционные системы и форматы данных устаревают, неподдерживаемые инструменты тихо перестают работать. Такой распад измерим: эмпирический анализ десятков тысяч «омиксных» программных ресурсов показал, что примерно 28% из них недоступны по веб-адресам из исходных статей, а более четверти не поддаются установке вообще (Mangul et al., 2019).
Третья трудность разрыв в удобстве использования. Тот же анализ показал, что лишь около половины протестированных инструментов были «легко устанавливаемы», и показательно статьи с простым процессом установки набирали значительно больше цитирований, что свидетельствует о взаимосвязи удобства и научного распространения (Mangul et al., 2019). Картина не является однозначно мрачной: крупный сравнительный анализ выживаемости 2025 года обнаружил, что научный открытый исходный код, как правило, переживает сопоставимые ненаучные проекты (Malviya-Thakur et al., 2025). Конструктивные ответные меры включают структурированное обучение (Software and Data Carpentry), профессионализацию роли инженера по исследовательскому ПО, цитирование программного обеспечения и постоянные идентификаторы, контейнеризацию, а также мандаты спонсоров, рассматривающих сопровождение как неотъемлемую часть исследовательского цикла.
Ғылыми нәтижелердің барған сайын үлкен үлесі арнайы бағдарламалық қамтамасыздандыру арқылы өтеді, алайда бұл БҚ-ның сапасы астарлы тәжірибенің сапасына қарағанда анағұрлым аз тексеріледі. Нәтижелердің сенімділігі оларды шығаратын кодтың сенімділігімен шектелетіндіктен, бағдарламалық жасақтама сапасы бұл перифериялық инженерлік мәселе емес, 2-бөлімде қарастырылған қайта жаңғыртылу мәселесінің тікелей жалғасы.
Бірінші қиындық кадрларды дайындау. Уилсон және басқалар қорытқан зерттеулер ғалымдардың жұмыс уақытының едәуір бөлігін жиі үштен бірден астамын БҚ жасауға жұмсайтынын, ал басым бөлігі өзімен-өзі оқыған және нұсқаулықтардың іс жүзінде ешбірімен таныс емес екенін көрсетеді: нұсқалық бақылау, тестілеу, код шолу және ұстауға болатын дизайн (Wilson et al., 2014; Goble, 2014). Айырма осы кодтың басым бөлігін жазатын студенттер мен жас зерттеушілер арасында ең айқын.
Екінші қиындық жарияланымнан кейінгі құрылымдық немқұрайдылық. Зерттеу бағдарламалық жасақтамасының едәуір бөлігі жалғыз мақаланы қолдау үшін жазылады және ол мақала шыққаннан кейін іс жүзінде тасталады, өйткені кәсіби несие жаңа нәтижеге беріледі, ал тартымсыз қолдауды жасауға емес (Goble, 2014). Бағдарламалау тілдері, тәуелділіктер, операциялық жүйелер және деректер форматтары ескіргенде, ұсталмаған құралдар үнсіз жұмысын тоқтатады. Деградация өлшенеді: «омикс» бағдарламалық ресурстарының он мыңдарын эмпирикалық талдау шамамен 28%-ы оларды таныстырған мақалалардағы веб-мекенжайлар арқылы қол жетімсіз болғанын, ал сол аспаптардың тіркелген үлгісінің төрттен астамы мүлдем орнатылмайтынын анықтады (Mangul et al., 2019).
Үшінші қиындық пайдалану қолайлылығының олқылығы. Бірдей үлкен талдау тексерілген аспаптардың шамамен жартысы ғана «оңай орнатылатынын» және, айқын, орнатудың қарапайым процесін ұсынатын мақалалар айтарлықтай көп цитат жинайтынын анықтады (Mangul et al., 2019). Бейне біртүрлі қараңғы емес: 2025 жылғы тіршілік ету талдауы ғылыми ашық бастапқы код жалпы алғанда сәйкес ғылыми емес жобалардан ұзақ өмір сүретінін анықтады (Malviya-Thakur et al., 2025). Конструктивті жауаптар структурированное оқытуды (Software and Data Carpentry), Зерттеу бағдарламалық жасақтама инженері рөлін кәсібилендіруді, БҚ цитаттауды, контейнерлеуді және техникалық қолдауды зерттеу циклінің бөлігі ретінде қарастыратын қаржыландырушы мандаттарды қамтиды.
4. The Industrialization of Fraud: Paper Mills and the Retraction Surge 4. Индустриализация мошенничества: «фабрики статей» и волна отзывов 4. Алаяқтықтың индустрияландырылуы: «мақала зауыттары» және кері қайтарып алу толқыны
Distinct from honest irreproducibility is deliberate misconduct: fabrication, falsification, and plagiarism. Self-report meta-analyses have long suggested that roughly 2% of scientists admit to having fabricated or falsified data at least once, with substantially higher rates admitting to questionable research practices (Fanelli, 2009). What has changed in the past decade is the industrialization of fraud.
"Paper mills" commercial operations that manufacture fraudulent manuscripts and sell authorships have scaled dramatically. Estimates suggest that hundreds of thousands of paper-mill articles may already have entered the literature over two decades, and recent network analyses describe organized rings that bribe journal editors and route manuscripts to compromised gatekeepers. One 2025 analysis estimated that paper-mill output is doubling roughly every 1.5 years, far faster than the roughly 3.5-year doubling time of retractions meaning detection is losing the race (Richardson et al., 2025).
The retraction record reflects this pressure. More than 10,000 papers were retracted in 2023, a then-record figure, with large tranches attributed to compromised peer review, paper mills, undisclosed AI-generated text, and citation manipulation (Van Noorden, 2023). Because retraction lags fraud by years, recorded retractions almost certainly understate the contamination of the literature, including downstream effects on systematic reviews and clinical evidence synthesis. Crucially, integrity and reproducibility share a root cause: an evaluation system that rewards the quantity of positive, publishable output.
В отличие от честной невоспроизводимости, существует намеренное нарушение: фабрикация, фальсификация и плагиат. Метаанализы самоотчётов давно показывают, что около 2% учёных признаются в том, что хотя бы однажды фабриковали или фальсифицировали данные, тогда как значительно большее число признаётся в сомнительных исследовательских практиках (Fanelli, 2009). За последнее десятилетие изменилась индустриализация мошенничества.
«Фабрики статей» коммерческие операции по производству мошеннических рукописей и продаже авторства резко масштабировались. По оценкам, за два десятилетия в литературу могли попасть сотни тысяч таких статей, а недавние сетевые анализы описывают организованные кольца, подкупающие редакторов журналов. Один анализ 2025 года оценил, что выпуск «фабрик статей» удваивается примерно каждые 1,5 года значительно быстрее, чем период удвоения отзывов (~3,5 года), иными словами, выявление отстаёт от мошенничества (Richardson et al., 2025).
Статистика отзывов отражает это давление. В 2023 году было отозвано более 10 000 статей тогдашний рекорд, значительная часть которых связана с нарушениями в рецензировании, фабриками статей, нераскрытым ИИ-генерируемым текстом и манипуляциями с цитированием (Van Noorden, 2023). Поскольку отзыв следует за мошенничеством с задержкой в несколько лет, зафиксированные отзывы почти наверняка занижают масштаб загрязнения литературы. Принципиально важно, что добросовестность и воспроизводимость имеют общую первопричину: систему оценки, вознаграждающую количество положительного, публикуемого результата.
Адал репродуктивсіздіктен бөлек, қасақана теріс пайдалану бар: жалған деректер жасау, деректерді бұрмалау және плагиат. Өзін-өзі бағалайтын мета-талдаулар ұзақ уақыттан бері ғалымдардың шамамен 2%-ы деректерді кем дегенде бір рет жасаған немесе бұрмалағанын мойындайтынын, ал айтарлықтай үлкен үлесі күмәнді зерттеу практикасын мойындайтынын көрсетеді (Fanelli, 2009). Соңғы онжылдықта алаяқтықтың индустрияландырылуы өзгерді.
«Мақала зауыттары» алаяқтық қолжазбалар жасайтын және авторлықты сататын коммерциялық операциялар күрт ұлғайды. Бағалауларға сәйкес екі онжылдық ішінде осындай мақалалардың жүз мыңдары литератураға кіруі мүмкін. 2025 жылғы талдау «мақала зауыттарының» өнімі шамамен 1,5 жыл сайын екі есеге артатынын бағалады, бұл кері қайтарып алудың ~3,5 жылдық екі есе артуынан анағұрлым жылдам, яғни анықтау жарысынан артта қалуда (Richardson et al., 2025).
Кері қайтарып алу статистикасы осы қысымды бейнелейді. 2023 жылы 10 000-нан астам мақала кері қайтарып алынды сол кездегі рекорд, олардың едәуір бөлігі бұзылған рецензиялаумен, мақала зауыттарымен, жарияланбаған ЖИ-генерацияланған мәтінмен және цитаттауды манипуляциялаумен байланысты (Van Noorden, 2023). Кері қайтарып алу алаяқтықтан бірнеше жылға кешіктірілетіндіктен, тіркелген кері қайтарып алулар литератураның ластануын дерлік жете бейнелемейді. Маңыздысы, тұтастық пен қайта жаңғыртылу бірыңғай тамырлас себепке ие: оң, жариялауға болатын нәтиженің санын марапаттайтын бағалау жүйесіне.
5. Perverse Incentives and the Dysfunction of Scholarly Publishing 5. Порочные стимулы и дисфункция системы научных публикаций 5. Бұрыс ынталандырулар және ғылыми жариялаулар жүйесінің дисфункциясы
Many of the problems above are symptoms of a deeper pathology in how science is evaluated and disseminated. The "publish-or-perish" culture, intensified by hypercompetition for shrinking pools of permanent positions, ties professional survival to output metrics that are easy to game (Edwards & Roy, 2017). Surrogate measures such as the journal impact factor, the h-index, and raw publication counts illustrate Goodhart's law: once a measure becomes a target, it ceases to be a good measure. Formal models have shown how such incentives can drive a kind of cultural natural selection in which the methods that maximize productivity rather than those that maximize truth proliferate ("the natural selection of bad science"; Smaldino & McElreath, 2016).
The publishing system that mediates these incentives is itself strained. Peer review, the traditional quality-control mechanism, depends on unpaid volunteer labor that is increasingly scarce relative to submission volume, leaving reviewers overstretched and the system vulnerable to manipulation. The economics are contested on two fronts: the subscription model locks publicly funded research behind paywalls; the open-access model has, in its dominant "author-pays" form, shifted costs onto authors through article-processing charges, raising concerns about affordability and about a financial incentive for "mega-journals" to accept more papers. The proliferation of predatory journals which charge fees while providing little or no genuine peer review exploits exactly this seam.
Многие из перечисленных выше проблем являются симптомами более глубокой патологии в системе оценки и распространения науки. Культура «публикуйся или погибни», усиленная гиперконкуренцией за сокращающийся пул постоянных должностей, привязывает профессиональное выживание к метрикам результата, которыми легко манипулировать (Edwards & Roy, 2017). Суррогатные показатели импакт-фактор журнала, h-индекс и простое число публикаций иллюстрируют закон Гудхарта: как только показатель становится целью, он перестаёт быть хорошим показателем. Формальные модели показали, как подобные стимулы могут породить своеобразный культурный естественный отбор, при котором методы, максимизирующие продуктивность, а не истину, вытесняют конкурентов («естественный отбор плохой науки»; Smaldino & McElreath, 2016).
Издательская система, опосредующая эти стимулы, испытывает собственное напряжение. Рецензирование, традиционный механизм контроля качества, опирается на неоплачиваемый труд добровольцев, всё более дефицитный по сравнению с объёмом подаваемых работ. Экономика оспаривается по двум направлениям: модель подписки закрывает публично финансируемые исследования за платными стенами; модель открытого доступа в форме «автор платит» перенесла издержки на авторов в виде платы за обработку статей, порождая опасения о доступности и финансовых стимулах мегажурналов принимать больше статей. Распространение хищнических журналов, которые взимают плату, не обеспечивая реального рецензирования, эксплуатирует именно эту брешь.
Жоғарыда аталған мәселелердің көпшілігі ғылымды бағалау мен тарату жүйесіндегі терең патологияның белгілері болып табылады. Тұрақты лауазымдардың тарылып бара жатқан санасы үшін гиперкеселіспен күшейтілген «жариялан не жоғал» мәдениеті кәсіби тіршілікті оңай бұзатын нәтиже метриктеріне байлайды (Edwards & Roy, 2017). Журналдың импакт-факторы, h-индекс және жарияланымдардың жай саны сияқты суррогат өлшемдер Гудхарт заңын суреттейді: өлшем мақсатқа айналғанда, ол жақсы өлшем болудан қалады. Формальды модельдер мұндай ынталандырулардың ақиқатты максималдайтын емес, өнімділікті максималдайтын әдістер алдыға шығатын мәдени табиғи сұрыптаудың бір түрін тудыратынын көрсетті («жаман ғылымның табиғи сұрыпталуы»; Smaldino & McElreath, 2016).
Осы ынталандыруларды жүзеге асыратын баспа жүйесі өзі де шиеленісте. Сараптама, дәстүрлі сапаны бақылау механизмі, ұсынылатын жұмыстардың көлеміне қатысты барған сайын тапшы болатын ақысыз ерікті еңбекке сүйенеді. Экономика екі бағытта даулы: жазылу моделі жалпыға ортақ қаржыландырылған зерттеулерді ақы алатын кедергілер артында бекітеді; ашық қол жетімділік моделі «автор төлейді» үстем нысанында мақала өңдеу алымдары арқылы шығындарды авторларға ауыстырды. Шынайы рецензиялауды іс жүзінде жүзеге асырмай алым алатын жыртқыш журналдардың таралуы дәл осы олқылықты пайдаланады.
6. Generative AI: Accelerant and Threat 6. Генеративный ИИ: ускоритель и угроза 6. Генеративті ЖИ: жеделдеткіш және қауіп
The rapid diffusion of large language models (LLMs) since late 2022 is reshaping research practice faster than norms can adapt, and it cuts in two directions at once.
On the constructive side, AI is a genuine research accelerant: protein-structure prediction, materials discovery, large-scale literature synthesis, code generation, and hypothesis exploration have all benefited. Used responsibly, LLMs can lower drudgery and widen access for example, by helping non-native English speakers prepare manuscripts.
On the destructive side, the same capabilities lower the cost of producing plausible but unreliable text. Documented risks include AI-fabricated articles difficult to distinguish from genuine research, hallucinated citations, contamination of the literature and of peer review by undisclosed machine-generated content, and the amplification of biases present in training data (van Dis et al., 2023). Detection tools remain unreliable, especially against lightly edited or "humanized" output, and journal disclosure policies are heterogeneous, creating regulatory gaps. There is a real danger that AI will supercharge the paper-mill economy while simultaneously eroding the human judgment that peer review is supposed to supply. The emerging consensus is that LLMs should assist rather than replace human reviewers and authors, and that transparency through disclosure, provenance tracking, and possibly watermarking is essential.
Стремительное распространение больших языковых моделей (BЯМ) с конца 2022 года меняет исследовательскую практику быстрее, чем успевают адаптироваться нормы, и это происходит сразу в двух направлениях.
С конструктивной стороны, ИИ является подлинным ускорителем исследований: предсказание структуры белков, открытие новых материалов, масштабный синтез литературы, генерация кода и исследование гипотез всё это выиграло. При ответственном использовании BЯМ снижают рутинную нагрузку и расширяют доступ например, помогая ненативным носителям английского языка готовить рукописи.
С деструктивной стороны, те же возможности снижают стоимость производства правдоподобного, но недостоверного текста. Задокументированные риски включают AI-сфабрикованные статьи, которые трудно отличить от подлинных исследований, галлюцинированные ссылки, загрязнение литературы и рецензирования нераскрытым машинным текстом, а также усиление предубеждений, присутствующих в обучающих данных (van Dis et al., 2023). Инструменты обнаружения остаются ненадёжными, особенно против слегка отредактированного или «очеловеченного» текста, а политики раскрытия информации журналами неоднородны, создавая регуляторные пробелы. Существует реальная опасность, что ИИ сверхускорит экономику «фабрик статей», одновременно подрывая человеческое суждение, которое должно обеспечивать рецензирование. Формирующийся консенсус состоит в том, что BЯМ должны помогать, а не заменять рецензентов и авторов, и что прозрачность через раскрытие, отслеживание происхождения и, возможно, водяные знаки необходима.
2022 жылдың соңынан бастап үлкен тілдік модельдердің (ҮТМ) жылдам таралуы зерттеу практикасын нормалар бейімделе алатыннан тезірек қайта құруда, бұл бір мезгілде екі бағытта жүреді.
Конструктивті жағынан ЖИ нағыз зерттеу жеделдеткіші: ақуыз құрылымын болжау, материалдарды ашу, ауқымды әдебиет синтезі, код генерациялау және гипотезаларды зерттеу барлығы пайда алды. Жауапты пайдаланылғанда ҮТМ рутиналық жүктемені азайтады және қол жетімділікті кеңейтеді мысалы, ана тілі ағылшын емес зерттеушілерге қолжазбаларды дайындауға көмектесу арқылы.
Деструктивті жағынан алғанда, бірдей мүмкіндіктер сенімді, бірақ дұрыс емес мәтін өндірудің шығынын азайтады. Тіркелген тәуекелдерге нақты зерттеулерден ажырату қиын ЖИ-жасалған мақалалар, жалған цитаттар, жарияланбаған машиналық мәтін арқылы литература мен рецензиялаудың ластануы және оқу деректерінде бар бейімділіктердің күшеюі жатады (van Dis et al., 2023). Анықтау аспаптары, әсіресе жеңіл өңделген немесе «адамдандырылған» нәтижелерге қатысты, сенімсіз болып қала береді. Туындап жатқан консенсус ҮТМ-дер рецензенттер мен авторларды ауыстырмай, оларға көмек беруі керек, ал жариялау, шығу тегін бақылау және мүмкін су белгісі арқылы ашықтық маңызды деп санайды.
7. Is Science Slowing Down? Output, Overload, and Disruptiveness 7. Замедляется ли наука? Выходные данные, перегрузка и революционность 7. Ғылым баяулап жатыр ма? Өнім, шамадан тыс жүктеме және революциялық сипат
A more contested challenge concerns the productivity of science. Scientific output grows exponentially millions of papers per year yet several analyses suggest that breakthroughs are not keeping pace. Economic work has argued that research productivity is falling, in the sense that ever more researchers and resources are required to sustain a constant rate of progress ("are ideas getting harder to find?"; Bloom et al., 2020). A widely discussed bibliometric study reported that papers and patents have become, on average, less "disruptive" over six decades, relying more on a narrowing base of prior work (Park et al., 2023). Related work links the sheer size of fields to the entrenchment of established ideas and the slowed rise of new ones (Chu & Evans, 2021).
These findings should be read with care. The disruptiveness metric (the CD index) has drawn methodological criticism, and at least one reanalysis correcting for measurement and citation-practice changes found no decline and possibly an increase in disruptive patents. The underlying phenomena are plausible regardless: the "burden of knowledge" means researchers must learn more before contributing; information overload makes it harder to find and integrate relevant work; specialization fragments fields; and hypercompetition may push researchers toward safe, incremental projects over risky, potentially transformative ones. Whether science is genuinely slowing or merely growing in ways our metrics measure poorly remains open and is itself an important metascientific question.
Более спорная проблема касается производительности науки. Научный выход растёт экспоненциально миллионы статей в год, однако ряд анализов показывает, что революционные прорывы не поспевают за этим ростом. Экономические исследования утверждают, что исследовательская производительность снижается в том смысле, что для поддержания постоянного темпа прогресса требуется всё больше исследователей и ресурсов («всё ли труднее находить идеи?»; Bloom et al., 2020). Широко обсуждаемое библиометрическое исследование сообщило, что статьи и патенты в среднем стали менее «революционными» за шесть десятилетий, всё больше опираясь на сужающуюся базу предшествующих работ (Park et al., 2023). Смежная работа связывает сам размер областей с укоренением устоявшихся идей и замедлением появления новых (Chu & Evans, 2021).
Эти выводы следует читать с осторожностью. Метрика революционности (индекс CD) подвергалась методологической критике, и как минимум один повторный анализ с поправкой на изменения в измерении и практике цитирования не выявил никакого спада и, возможно, зафиксировал рост доли революционных патентов. Тем не менее лежащие в основе явления правдоподобны: «бремя знаний» означает, что исследователи должны учить больше, прежде чем вносить вклад; информационная перегрузка затрудняет поиск и интеграцию релевантных работ; специализация фрагментирует области; гиперконкуренция может толкать исследователей к безопасным, пошаговым проектам в ущерб рискованным и потенциально трансформирующим.
Неғұрлым даулы мәселе ғылымның өнімділігін қарастырады. Ғылыми нәтиже экспоненциалды өседі жылына миллиондаған мақала, алайда бірқатар талдаулар революциялық жетістіктер бұл өсіммен ілесе алмайтынын болжайды. Экономикалық жұмыстар зерттеу өнімділігі төмендейтінін дәлелдейді, яғни тұрақты прогрес қарқынын ұстап тұру үшін барған сайын көп зерттеуші мен ресурс қажет («идеяларды табу барған сайын қиынырақ болып жатыр ма?»; Bloom et al., 2020). Кеңінен талқыланған библиометриялық зерттеу мақалалар мен патенттер орта есеппен алты онжылдық ішінде неғұрлым «революциясыз» болғанын хабарлады (Park et al., 2023).
Бұл тұжырымдарды сақтықпен оқу керек. Революциялық сипат метрикасы (CD индексі) методологиялық сынға ұшырады, және кем дегенде бір қайта талдау революциялық патенттердің нақты төмендемеуін, мүмкін артуын анықтады. Алайда астарлы феномендер шынайы: «білім жүгі» зерттеушілер үлес қоспас бұрын неғұрлым көп үйренуі керек дегенді білдіреді; ақпараттық шамадан тыс жүктеме тиісті жұмыстарды табуды және біріктіруді қиындатады; мамандану салаларды бөлшектейді; гиперкеселіс зерттеушілерді қауіпті, потенциалды трансформациялық жобалардан гөрі қауіпсіз, қадамдық жобаларға итермелеуі мүмкін.
8. Funding Precarity and the Politicization of Research 8. Нестабильность финансирования и политизация исследований 8. Қаржыландырудың тұрақсыздығы және зерттеулердің саясиландырылуы
Science is expensive, long-horizon, and dependent on stable public investment conditions that sit awkwardly with short electoral and budget cycles. The chronic challenges are familiar: low and stochastic grant success rates that consume researcher time in proposal writing, a bias toward incremental "safe" proposals, and the precarity of early-career researchers on short contracts.
These chronic strains were overshadowed in 2025 by an acute shock in the United States, historically the world's largest research funder. The administration moved to cut and freeze billions of dollars in grants, terminate thousands of awards, reduce headcount at major agencies, and cap universities' reimbursement of indirect (overhead) costs at 15% a move challenged in court. Proposed fiscal-year budgets sought reductions on the order of 50%+ for the National Science Foundation and large cuts at the National Institutes of Health and NASA's science programs, though Congress rejected the steepest proposals and total agency outlays for FY2025 ended closer to prior-year levels even as the number of new grants fell. Beyond the budget arithmetic, the episode demonstrated how exposed science is to political volatility, and raised concerns about a "brain drain" of researchers and a relative shift of scientific capacity toward other jurisdictions. The deeper challenge is structural dependence on a small number of national funders whose priorities can change abruptly.
Наука дорогостоящая, рассчитанная на длительную перспективу и зависимая от стабильных государственных инвестиций условий, которые плохо сочетаются с короткими избирательными и бюджетными циклами. Хронические проблемы хорошо известны: низкие и стохастические показатели успеха грантовых заявок, поглощающие время исследователей на написание предложений, уклон в сторону инкрементальных «безопасных» заявок и нестабильность молодых исследователей на краткосрочных контрактах.
Эти хронические напряжения в 2025 году были затушёваны острым шоком в Соединённых Штатах исторически крупнейшем в мире финансирующем науку государстве. Администрация приступила к сокращению и заморозке миллиардов долларов в грантах, прекращению тысяч субсидий, сокращению штата крупных агентств и ограничению возмещения университетам косвенных (накладных) расходов 15% этот шаг был оспорен в суде. Предложения по бюджету предусматривали сокращения порядка 50%+ для Национального научного фонда и значительные урезания для Национальных институтов здравоохранения и научных программ НАСА, хотя Конгресс отклонил наиболее жёсткие предложения. Эпизод наглядно продемонстрировал, насколько уязвима наука перед политической волатильностью, и поставил под угрозу «утечку мозгов» и относительное перемещение научного потенциала в другие юрисдикции. Более глубокая проблема структурная зависимость от небольшого числа национальных спонсоров, чьи приоритеты могут резко меняться.
Ғылым қымбат, ұзақ мерзімді және тұрақты мемлекеттік инвестицияларға тәуелді бұл жағдайлар қысқа сайлау мен бюджет циклдарымен жарасымсыз. Созылмалы мәселелер таныс: зерттеушілердің ұсыныс жазуға жұмсайтын уақытын жұтатын гранттардың төмен және стохастикалық табыс пайызы, қадамдық «қауіпсіз» ұсыныстарға бейімділік және қысқа мерзімді шарттардағы жас зерттеушілердің тұрақсыздығы.
2025 жылы бұл созылмалы шиеленістер тарихи жағынан әлемдегі ең ірі зерттеу қаржыландырушысы Американдың Құрама Штаттарындағы жедел соққымен бәсеңдеді. Әкімшілік грант қаражатын миллиардтаған долларға қысқарту мен тоқтатуға, мыңдаған сыйлықтарды тоқтатуға, ірі агенттіктердің штатын азайтуға және университеттердің жанама (үстеме) шығындарын 15%-ға шектеуге кірісті. Нысаналы фискальдық жыл бюджеттері Ұлттық ғылым қорының 50%+ қысқаруын іздеді, бірақ Конгресс ең қатаң ұсыныстарды қабылдамады. Бұл эпизод ғылымның саяси тұрақсыздыққа қаншалықты ашық екенін айқын көрсетті және «ми ағынының» қаупін туғызды. Терең мәселе приоритеттері кенеттен өзгере алатын аз санды ұлттық қаржыландырушыларға құрылымдық тәуелділік.
9. Public Trust, Communication, and the Post-Truth Environment 9. Общественное доверие, коммуникация и среда постправды 9. Қоғамдық сенім, коммуникация және постшындық ортасы
Science ultimately depends on a social license: public trust underwrites public funding and the uptake of scientific advice. The evidence here is genuinely mixed and should not be flattened into a simple "collapse of trust" narrative. A large 68-country survey published in early 2025 found that public trust in scientists remains, on balance, fairly high worldwide (Cologna et al., 2025), and US polling through 2025–2026 continued to show majorities expressing trust in scientists, who often rank among the more trusted professions.
The clearer signal is polarization rather than uniform decline. Trust in science has diverged sharply along political and educational lines, particularly in the United States, where the gap between left- and right-leaning respondents has widened markedly since roughly 2018, accelerated by the COVID-19 pandemic. The communication environment compounds the problem: social media accelerates the spread of misinformation; the legitimate provisionality of science its tendency to update conclusions is easily reframed as failure; and partisan or sensationalized framing pushes audiences to interpret evidence through a tribal lens. Repairing this requires not louder assertion of authority but better communication of uncertainty, transparency about limitations, and engagement that treats the public as a partner rather than a passive recipient.
Наука в конечном счёте зависит от социальной лицензии: общественное доверие обеспечивает государственное финансирование и усвоение научных рекомендаций. Данные здесь действительно неоднозначны и не сводятся к простому нарративу «краха доверия». Масштабный опрос в 68 странах, опубликованный в начале 2025 года, установил, что общественное доверие к учёным в мире в целом остаётся достаточно высоким (Cologna et al., 2025), а опросы в США в 2025–2026 годах по-прежнему показывали, что большинство выражает доверие учёным.
Более чёткий сигнал поляризация, а не равномерный спад. Доверие к науке резко разделилось по политическим и образовательным линиям, особенно в США, где разрыв между левыми и правыми респондентами заметно увеличился примерно с 2018 года, ускоренный пандемией COVID-19. Коммуникационная среда усугубляет проблему: социальные сети ускоряют распространение дезинформации; законная предварительность науки её склонность пересматривать выводы легко переосмысливается как провал; а партийная или сенсационная подача заставляет аудиторию интерпретировать данные через племенную призму. Решение требует не более громкого утверждения авторитета, а лучшего донесения неопределённости, прозрачности в отношении ограничений и взаимодействия, которое воспринимает общество как партнёра, а не пассивного получателя.
Ғылым сайып келгенде әлеуметтік лицензияға тәуелді: қоғамдық сенім мемлекеттік қаржыландыруды және ғылыми кеңестерді қабылдауды қамтамасыз етеді. Дәлелдемелер шынымен де аралас және «сенімнің күйреуі» деген қарапайым нарративке тегіс тартылмауы керек. 2025 жылдың басында жарияланған 68 елдегі ауқымды сауалнама ғалымдарға деген қоғамдық сенімнің жалпы алғанда дүниежүзінде жеткілікті жоғары деңгейде сақталатынын анықтады (Cologna et al., 2025).
Неғұрлым айқын сигнал бірқалыпты төмендеу емес, поляризация. Ғылымға сенім саяси және білімдік желілер бойынша ашық ажыраған, әсіресе АҚШ-та, онда COVID-19 пандемиясымен жеделдетіліп, 2018 жылдан бастап солшыл және оңшыл респонденттер арасындағы алшақтық айтарлықтай кеңейді. Коммуникациялық орта проблеманы күрделендіреді: әлеуметтік медиа жалған ақпараттың таралуын жеделдетеді; ғылымның заңды алдын ала сипаты қорытындыларды жаңарту бейімділігі оңай сәтсіздік ретінде қайта түсіндіріледі. Жөнеп алу билік дауысын күшейтуді емес, белгісіздікті жақсы жеткізуді, шектеулер жөніндегі ашықтықты және қоғамды пассивті алушы ретінде емес, серіктес ретінде қабылдайтын байланысты талап етеді.
10. Inequities in the Global Research System 10. Неравенство в глобальной исследовательской системе 10. Жаһандық зерттеу жүйесіндегі теңсіздік
A cross-cutting challenge is the uneven distribution of scientific capacity. Research funding, elite journals, prestigious institutions, and citation flows remain concentrated in a handful of wealthy countries. English functions as a near-universal scientific language, advantaging native speakers and disadvantaging others in writing, reviewing, and visibility. Author-pays open-access charges can price out researchers from lower-income settings, while the same economic pressures that fuel paper mills are most acute where national policies tie career advancement rigidly to publication counts.
The result is a system in which much of the world's talent is underutilized and in which research agendas may neglect the problems of the majority of the global population. Addressing this is both an equity imperative and a matter of scientific efficiency: a broader, fairer base of participation expands the pool of ideas.
Сквозной проблемой является неравномерное распределение научного потенциала. Исследовательское финансирование, элитные журналы, престижные учреждения и потоки цитирования по-прежнему концентрируются в небольшом числе богатых стран. Английский язык функционирует как почти универсальный язык науки, давая преимущество носителям и ставя в невыгодное положение остальных в написании, рецензировании и видимости. Плата за открытый доступ в формате «автор платит» может делать участие недоступным для исследователей из стран с низким доходом, тогда как те же экономические давления, которые питают «фабрики статей», наиболее остры там, где национальная политика жёстко привязывает карьерный рост к числу публикаций.
Результатом является система, в которой значительная часть мирового таланта остаётся невостребованной, а повестки исследований могут пренебрегать проблемами большинства населения Земли. Решение этой проблемы одновременно требование справедливости и вопрос научной эффективности: более широкая и справедливая база участия расширяет пул идей.
Кесіп өтетін мәселе ғылыми қуаттың тең бөлінбеуі болып табылады. Зерттеу қаржыландыруы, элиталық журналдар, беделді мекемелер және цитата ағындары бай елдердің аз санында шоғырланып қалуда. Ағылшын тілі іс жүзінде жалпы ғылыми тіл ретінде жұмыс істейді, ана тілі ағылшын болатындарға артықшылық береді, ал басқаларды жазу, рецензиялау және көрінімділік жағынан неғұрлым қолайсыз жағдайға қояды. «Автор төлейді» ашық қол жетімділік алымдары төменгі кіріс мекемелеріндегі зерттеушілерді шеттетуі мүмкін.
Нәтиже дүниежүзілік таланттың едәуір бөлігі пайдаланылмайтын және зерттеу бағдарламалары жер шары халқының басым бөлігінің мәселелерін елемеуі мүмкін жүйе. Бұл мәселені шешу тең құқық тұрғысынан да, ғылыми тиімділік тұрғысынан да: неғұрлым кең және әділ қатысу базасы идеялар ауқымын кеңейтеді.
11. Responses and Pathways Forward 11. Ответные меры и пути вперёд 11. Жауап шаралары мен алға апаратын жолдар
The encouraging counterpoint to this catalogue is that none of these problems has gone unanswered, and several reform movements are maturing.
Open science has moved from advocacy to infrastructure: preregistration and registered reports (which peer-review the question and method before results are known) blunt publication bias and p-hacking; open data and open materials, organized around the FAIR principles findable, accessible, interoperable, reusable (Wilkinson et al., 2016) enable verification and reuse; and preprints accelerate and democratize dissemination. National investments, such as the Netherlands' substantial annual commitment to open science and replication, are beginning to normalize these practices.
Metascience has emerged as a discipline in its own right, studying replication, bias, and incentives empirically and feeding the results back into policy. Reform of evaluation is the linchpin: initiatives such as DORA (the San Francisco Declaration on Research Assessment) and the responsible-metrics movement push institutions away from journal-based proxies toward assessing the actual content and integrity of work, and toward rewarding replication, data sharing, and negative results. Integrity infrastructure image-forensics and paper-mill-detection tools, post-publication peer review (e.g., PubPeer), retraction databases, and cross-publisher alliances is being built, even if it currently lags the threat.
No single fix suffices, and some reforms carry their own risks (metrics can be gamed; AI detection can stigmatize legitimate use). The common thread is that durable solutions are institutional: they change what behavior the system rewards.
Обнадёживающий контрапункт этому каталогу состоит в том, что ни одна из этих проблем не осталась без ответа, и несколько реформаторских движений созревают.
Открытая наука перешла от пропаганды к инфраструктуре: предрегистрация и зарегистрированные отчёты (при которых вопрос и метод рецензируются до получения результатов) притупляют публикационное смещение и p-хакинг; открытые данные и открытые материалы, организованные вокруг принципов FAIR обнаруживаемости, доступности, совместимости, повторного использования (Wilkinson et al., 2016) обеспечивают верификацию и повторное применение; а препринты ускоряют и демократизируют распространение. Национальные инвестиции, такие как значительные ежегодные обязательства Нидерландов в области открытой науки и репликации, начинают нормализовывать эти практики.
Метанаука оформилась как самостоятельная дисциплина, изучающая репликацию, смещения и стимулы эмпирически и вводя результаты обратно в политику. Реформа оценки является ключевым звеном: инициативы типа DORA (Сан-Францисская декларация об оценке исследований) и движение ответственных метрик подталкивают институты прочь от суррогатов на основе журналов к оценке реального содержания и добросовестности работ, к поощрению репликации, обмена данными и отрицательных результатов. Инфраструктура добросовестности криминалистика изображений и инструменты обнаружения «фабрик статей», постпубликационное рецензирование (PubPeer), базы данных отзывов строится, даже если пока и отстаёт от угрозы.
Единого средства не существует, и некоторые реформы несут собственные риски (метриками можно манипулировать; ИИ-детекция может стигматизировать легитимное использование). Общая нить состоит в том, что прочные решения являются институциональными: они меняют то поведение, которое система поощряет.
Бұл каталогқа деген ынталандырушы контрапункт бұл мәселелердің ешқайсысы жауапсыз қалмағаны және бірнеше реформалық қозғалыстар піліп келеді.
Ашық ғылым жақтаудан инфрақұрылымға көшті: алдын ала тіркеу және тіркелген есептер (сұрақ пен әдіс нәтижелер белгілі болғанға дейін рецензияланады) жариялаудағы бейімділікті мен p-хакингті бәсеңдетеді; FAIR принциптері бойынша ұйымдастырылған ашық деректер мен ашық материалдар тексеруді және қайта пайдалануды мүмкін етеді; ал препринттер тарату жылдамдығын арттырып демократияландырады. Нидерланды сияқты мемлекеттердің ашық ғылым мен репликацияға жасаған ірі ұлттық инвестициялары бұл практикаларды қалыпқа келтіре бастады.
Метағылым өз алдына пән ретінде қалыптасты: репликацияны, бейімділіктер мен ынталандыруларды эмпирикалық зерттейді және нәтижелерді саясатқа енгізеді. Бағалауды реформалау маңызды буын болып табылады: DORA (Сан-Франциско зерттеуді бағалау декларациясы) және жауапты метрика қозғалысы сияқты бастамалар мекемелерді журналға негізделген суррогаттардан жұмыстың нақты мазмұны мен тұтастығын бағалауға итермелейді. Тұтастық инфрақұрылымы суретті сот-медициналық зерттеу мен «мақала зауыттарын» анықтау аспаптары, жарияланымнан кейінгі рецензиялау (PubPeer), кері қайтарып алу базалары қалыптасуда.
Бірыңғай шешім жеткіліксіз, және кейбір реформалар өз тәуекелдерін алып жүреді. Ортақ жіп берік шешімдер институционалдық болып табылады: олар жүйе марапаттайтын мінез-құлықты өзгертеді.
12. Conclusion 12. Заключение 12. Қорытынды
The principal challenges facing modern science are, at root, problems of incentives and institutions rather than of intellect or instrumentation. Hypercompetition and metric-driven evaluation propagate downstream into irreproducibility, fraud, and a publishing system under strain; generative AI threatens to accelerate these failures even as it accelerates discovery; questions about slowing disruptiveness suggest the system may be allocating effort poorly; and external shocks to funding and trust expose how dependent science is on a fragile social and political contract.
The reassuring news is that the scientific community has turned its own methods on itself: the rise of metascience, open science, and evaluation reform represents a credible, if incomplete, response. The defining task of the next decade is therefore less to invent new tools than to redesign the institutions and incentives within which the tools are used so that the system selects, reliably, for getting things right.
Главные вызовы, стоящие перед современной наукой, это в своей основе проблемы стимулов и институтов, а не интеллекта или инструментария. Гиперконкуренция и оценка по метрикам распространяются вниз по течению в невоспроизводимость, мошенничество и издательскую систему под давлением; генеративный ИИ угрожает ускорить эти сбои, даже ускоряя открытия; вопросы о замедлении революционности предполагают, что система может нерационально распределять усилия; а внешние шоки для финансирования и доверия обнажают зависимость науки от хрупкого социального и политического договора.
Обнадёживающая новость состоит в том, что научное сообщество обратило собственные методы на себя: рост метанауки, открытой науки и реформы оценки представляет собой правдоподобный, пусть и незавершённый, ответ. Определяющая задача следующего десятилетия состоит поэтому не столько в изобретении новых инструментов, сколько в перепроектировании институтов и стимулов, внутри которых эти инструменты используются, с тем чтобы система надёжно отбирала то, что позволяет достигать верных результатов.
Қазіргі ғылымның алдындағы негізгі мәселелер бұл зияткерлік немесе аспаптық емес, ынталандырулар мен институттардың мәселелері. Гиперкеселіс пен метрикаға негізделген бағалау ағынға қарай қайта жаңғыртылмауға, алаяқтыққа және шиеленіс астындағы баспа жүйесіне дейін таралады; генеративті ЖИ жаңалықтарды жеделдете отырып, осы сәтсіздіктерді де жеделдетпек қауіп туғызады; революциялық сипаттың баяулауы туралы сұрақтар жүйенің күш-жігерді нашар бөлуі мүмкін екенін болжайды; ал қаржыландыру мен сенімге сыртқы соққылар ғылымның нәзік әлеуметтік-саяси шартқа қаншалықты тәуелді екенін ашып береді.
Ынталандыратын жаңалық ғылым қоғамдастығы өз әдістерін өзіне бұрды: метағылым, ашық ғылым және бағалауды реформалаудың өсуі нанымды, толық болмаса да, жауапты білдіреді. Сондықтан алдағы онжылдықтың айқындаушы міндеті жаңа аспаптар ойлап табудан гөрі осы аспаптар пайдаланылатын институттар мен ынталандыруларды қайта жоспарлаудан тұрады жүйе дұрыстықты таңдайтындай.
Data & Code AvailabilityДоступность данных и кодаДеректер мен кодқа қолжетімділік
This article is a narrative review and does not contain original datasets or analysis code. All cited sources are referenced in the bibliography below.
Настоящая статья является нарративным обзором и не содержит оригинальных наборов данных или аналитического кода. Все цитируемые источники приведены в списке литературы ниже.
Бұл мақала нарративтік шолу болып табылады және бастапқы деректер жинақтарын немесе талдау кодын қамтымайды. Барлық цитацияланған дереккөздер төмендегі библиографияда келтіріледі.
FundingФинансированиеҚаржыландыру
This study was funded by the Committee of Science of the Ministry of Science and Higher Education of the Republic of Kazakhstan (Grant no. AP23483529).
Данное исследование профинансировано Комитетом науки Министерства науки и высшего образования Республики Казахстан (грант № AP23483529).
Бұл зерттеуді Қазақстан Республикасы Ғылым және жоғары білім министрлігінің Ғылым комитеті қаржыландырды (грант № AP23483529).
AcknowledgmentsБлагодарностиАлғыс сөздер
The author(s) thank the reviewers for their constructive comments.
Авторы благодарят рецензентов за конструктивные замечания.
Авторлар конструктивті пікірлері үшін рецензенттерге алғыс білдіреді.
Author ContributionsВклад авторовАвторлардың үлесі
Conceptualization, literature review, writing original draft, review & editing: all authors.
Концептуализация, обзор литературы, написание первоначальный вариант, рецензирование и редактирование: все авторы.
Тұжырымдама, әдебиетке шолу, жазу бастапқы жоба, шолу және өңдеу: барлық авторлар.
EthicsЭтикаЭтика
This review synthesizes published literature and did not involve human participants, animal subjects, or primary data collection. No ethical approval was required.
Данный обзор систематизирует опубликованную литературу и не предполагал участия людей, животных или сбора первичных данных. Одобрение этического комитета не требовалось.
Бұл шолу жарияланған әдебиетті жинақтайды және адамдардың, жануарлардың қатысуын немесе бастапқы деректер жинауды қамтымады. Этикалық мақұлдау талап етілмеді.
Competing InterestsКонфликт интересовМүдделер қақтығысы
The authors declare no competing interests.
Авторы заявляют об отсутствии конфликта интересов.
Авторлар мүдделер қақтығысы жоқ екенін мәлімдейді.
ReferencesЛитератураӘдебиеттер
- Baker, M. (2016). 1,500 scientists lift the lid on reproducibility. Nature, 533, 452–454. https://doi.org/10.1038/533452a
- Bloom, N., Jones, C. I., Van Reenen, J., & Webb, M. (2020). Are Ideas Getting Harder to Find? American Economic Review, 110(4), 1104–1144. https://doi.org/10.1257/aer.20180338
- Chu, J. S. G., & Evans, J. A. (2021). Slowed canonical progress in large fields of science. Proceedings of the National Academy of Sciences, 118(41), e2021636118. https://doi.org/10.1073/pnas.2021636118
- Cologna, V., Mede, N. G., Berger, S. et al. (2025). Trust in scientists and their role in society across 68 countries. Nature Human Behaviour, 9, 713–730. https://doi.org/10.1038/s41562-024-02090-5
- Edwards, M. A., & Roy, S. (2017). Academic research in the 21st century: Maintaining scientific integrity in a climate of perverse incentives and hypercompetition. Environmental Engineering Science, 34(1), 51–61. https://doi.org/10.1089/ees.2016.0223
- Fanelli, D. (2009). How Many Scientists Fabricate and Falsify Research? A Systematic Review and Meta-Analysis of Survey Data. PLoS ONE, 4(5), e5738. https://doi.org/10.1371/journal.pone.0005738
- Goble, C. (2014). Better software, better research. IEEE Internet Computing, 18(5), 4–8. https://doi.org/10.1109/MIC.2014.88
- Ioannidis, J. P. A. (2005). Why Most Published Research Findings Are False. PLoS Medicine, 2(8), e124. https://doi.org/10.1371/journal.pmed.0020124
- Malviya-Thakur, A., Milewicz, R., Jahanshahi, M., Paganini, L., Vasilescu, B., & Mockus, A. (2025). Scientific open-source software is less likely to become abandoned than one might think! Proceedings of the ACM on Software Engineering, 2(FSE). https://doi.org/10.1145/3729369
- Mangul, S., Mosqueiro, T., Abdill, R. J., Duong, D., Mitchell, K., Sarwal, V., et al. (2019). Challenges and recommendations to improve the installability and archival stability of omics computational tools. PLoS Biology, 17(6), e3000333. https://doi.org/10.1371/journal.pbio.3000333
- Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349, aac4716. https://doi.org/10.1126/science.aac4716
- Park, M., Leahey, E., & Funk, R. J. (2023). Papers and patents are becoming less disruptive over time. Nature, 613, 138–144. https://doi.org/10.1038/s41586-022-05543-x
- Richardson, R. A. K., Hong, S. S., Byrne, J. A., Stoeger, T., & Amaral, L. A. N. (2025). The entities enabling scientific fraud at scale are large, resilient, and growing rapidly. Proc. Natl. Acad. Sci. U.S.A., 122(32), e2420092122. https://doi.org/10.1073/pnas.2420092122
- Smaldino, P. E., & McElreath, R. (2016). The natural selection of bad science. Royal Society Open Science, 3(9), 160384. https://doi.org/10.1098/rsos.160384
- van Dis, E. A. M., Bollen, J., Zuidema, W., van Rooij, R., & Bockting, C. L. (2023). ChatGPT: Five priorities for research. Nature, 614(7947), 224–226. https://doi.org/10.1038/d41586-023-00288-7
- Van Noorden, R. (2023). More than 10,000 research papers were retracted in 2023 a new record. Nature, 624, 479–481. https://doi.org/10.1038/d41586-023-03974-8
- Wilkinson, M., Dumontier, M., Aalbersberg, I. et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018. https://doi.org/10.1038/sdata.2016.18
- Wilson, G., Aruliah, D. A., Brown, C. T., Chue Hong, N. P., Davis, M., Guy, R. T., et al. (2014). Best practices for scientific computing. PLoS Biology, 12(1), e1001745. https://doi.org/10.1371/journal.pbio.1001745
Copyright © 2026 Ruslan Kalendar. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY). The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original publication in this journal is cited, in accordance with accepted academic practice.
Disclaimer: All claims expressed in this article are solely those of the authors and do not necessarily represent those of their affiliated organizations, or those of the publisher, the editors and the reviewers.