BioNOT [1], es una nueva base de datos de búsqueda para resultados biomédicos negados. Según el resumen [2],
Reportamos sobre el desarrollo de BioNOT, una base de datos de negados
oraciones que pueden usarse para extraer tales eventos negados.
Descripción: actualmente BioNOT incorpora ~ 32 millones negados
oraciones, extraídas de más de 336 millones de oraciones biomédicas de
tres recursos: ~ 2 millones de artículos biomédicos de texto completo en Elsevier
y PubMed Central, así como ~ 20 millones de resúmenes en PubMed. Nosotros
evaluó BioNOT en tres trastornos genéticos importantes: autismo,
La enfermedad de Alzheimer y la enfermedad de Parkinson, y descubrió que BioNOT es
capaz de capturar eventos negados que pueden ser ignorados por los expertos.
Con base en esta base de datos, y a pesar de los falsos positivos (las oraciones negadas que de hecho no indican un resultado negativo), parece que los resultados negativos se publican en revistas de buena reputación.
[1] http://bionot.askhermes.org/
[2] http://www.biomedcentral.com/147…
- ¿Cómo se conectan los editores técnicos (como Springer, Dover, etc.) con la comunidad científica y los investigadores de todo el mundo?
- ¿Por qué la Universidad de Oxford eliminó la coma (en serie) de Oxford de su estilo de casa?
- ¿Qué características hacen que un sitio web de revista sea bueno?
- ¿Existe una forma sistemática de evaluar la calidad de las conferencias científicas?
- ¿Los científicos tienen un seudónimo común que usan cuando no quieren que su nombre se asocie a una investigación en particular, como lo hacen los directores y similares para las películas?
En el caso de las matemáticas
Como señaló Christopher VanLang, hay muchos ejemplos de resultados negativos en matemáticas, ya que probar cualquier teorema con consecuencias importantes siempre es relevante. Dos ejemplos famosos en matemáticas (teoría de decisión estadística) que fueron resultados negativos:
- El estimador James-Stein que demostró la existencia de un estimador que siempre fue mejor que el estimador de máxima verosimilitud, es decir, la máxima verosimilitud no siempre es óptima.
- Nemirovskii demostró que ciertas funciones, como las que no son suaves y contienen discontinuidades, nunca se pueden estimar de manera óptima (en el sentido mínimo) por estimadores lineales. Este fue el primer resultado que demostró la necesidad de ir más allá de los estimadores lineales y buscar óptimos no lineales.
Es común considerar probar que la suboptimidad de algún método o algoritmo es un resultado negativo. Quizás no sea el tipo de resultado negativo (hipótesis nula) que uno busca en la ciencia, pero es un caso en el que nadie propone una solución o algoritmo (un resultado positivo) que el resto de la comunidad pueda usar, sino que demuestre el insuficiencia de los métodos actuales.