En modell er en forenklet representasjon av virkeligheten som brukes til å forklare, forstå eller forutsi fenomener. Modeller fremhever de viktigste trekkene ved et system, men utelater detaljer som anses som mindre relevante for det som undersøkes.

Eksempel: Bohrs atommodell

Bohrs atommodell beskriver atomet som en liten kjerne (protoner og nøytroner) omgitt av elektroner som beveger seg i faste baner (skall) rundt kjernen, omtrent som planeter rundt solen. Modellen forteller oss:

• At elektroner befinner seg i bestemte energinivåer
• At elektroner kan hoppe mellom nivåer ved å absorbere eller sende ut energi
• Hvorfor atomer sender ut lys med bestemte bølgelengder (spektrallinjer)

Modellen kan imidlertid ikke forklare:

• Oppførselen til elektroner i detalj – de beveger seg ikke egentlig i faste baner, men i sannsynlighetsskyer (orbitaler), slik kvantemekanikken beskriver
• Egenskapene til atomer med mange elektroner – modellen fungerer best for hydrogen
• Kjemiske bindinger og molekylære egenskaper i detalj

Dette illustrerer et viktig poeng om modeller generelt: De er nyttige forenklinger, men har alltid begrensninger. Som statistikeren George Box sa: «Alle modeller er feil, men noen er nyttige.»

Positive sider:

• Mer midler til forskning: Private bedrifter bidrar med betydelige ressurser som offentlige budsjetter ikke alltid kan dekke. Dette muliggjør forskning som ellers ikke ville blitt gjennomført.
• Raskere utvikling: Privat finansiering kan føre til raskere innovasjon fordi bedrifter har økonomisk incentiv til å bringe resultater til markedet. Insulinforskningen i artikkel 1 er et godt eksempel – den krever store investeringer som offentlig finansiering alene kanskje ikke kan dekke.
• Praktisk relevans: Forskningen rettes mot problemer som har praktisk anvendelse og kan komme samfunnet til gode.

Negative sider:

• Interessekonflikter: Sander har et poeng i at bedrifter kan ha interesse av bestemte resultater. Det er dokumenterte tilfeller der forskning finansiert av industrien har gitt resultater som favoriserer finansiørens produkter.
• Selektiv publisering: Negative resultater kan bli holdt tilbake hvis de er ugunstige for finansiøren.
• Skjev forskningsprioritering: Forskningsmidler rettes mot lønnsomme områder fremfor grunnforskning eller forskning på sjeldne sykdommer.

Konklusjon: Begge har delvis rett. Privat finansiering er viktig for forskningsutvikling, men det krever strenge krav til transparens, uavhengighet og fagfellevurdering for å motvirke de negative sidene. Et system med både offentlig og privat finansiering, med klare etiske retningslinjer, er trolig det beste.

Alexander Fleming og oppdagelsen av penicillin (1928)

Før Fleming: Bakterielle infeksjoner var en av de vanligste dødsårsakene. Et enkelt sår kunne føre til blodforgiftning og død. Lungebetennelse, tuberkulose og andre infeksjonssykdommer hadde svært høy dødelighet. Leger hadde få effektive behandlingsmetoder mot bakterier, og operasjoner var forbundet med stor risiko for infeksjon.

Flemings bidrag: I 1928 oppdaget Fleming tilfeldig at muggsoppen Penicillium notatum drepte bakterier i en petriskål. Han identifiserte stoffet penicillin som det aktive antibakterielle middelet. Senere utviklet Howard Florey og Ernst Boris Chain metoder for masseproduksjon, noe som revolusjonerte medisin under andre verdenskrig.

Etter Fleming: Antibiotika har reddet millioner av liv og muliggjort moderne kirurgi, organtransplantasjoner og kreftbehandling. Gjennomsnittlig levealder har økt dramatisk. I dag har vi mange typer antibiotika som bekjemper ulike bakterier.

Nye utfordringer: Antibiotikaresistens er nå en av de største truslene mot global helse. Overflødig bruk av antibiotika i medisin og landbruk har ført til at bakterier utvikler motstandskraft. WHO kaller det en av de ti største truslene mot folkehelsen. Forskning på nye antibiotika og alternative behandlingsmetoder er derfor svært viktig.

Flemings oppdagelse illustrerer hvordan en enkelt vitenskapelig oppdagelse kan endre hele medisinen, men også hvordan vitenskapelig utvikling bringer med seg nye utfordringer.

Forberedelsesartiklene illustrerer ulike metoder for datainnsamling, og hvert metodevalg påvirker datakvaliteten og anvendeligheten.

Eksempel 1: Insulinforskningen (Artikkel 1)

Forskerne testet insulinpartiklene på nematoder, mus, rotter og bavianer. Valget av bavianer som forsøksdyr er viktig fordi de har svært like gener som mennesker, noe som gir høy overførbarhet (ekstern validitet). Hvis de bare hadde testet på mus, ville dataene vært mindre anvendelige for mennesker. Samtidig er antallet forsøksdyr begrenset (20 bavianer), noe som begrenser den statistiske styrken. Metoden – å måle blodsukkernivå før og etter inntak – er kvantitativ og målbar, noe som gir objektive, sammenlignbare data.

Eksempel 2: Den døde laksen (Artikkel 3)

Bennett-eksperimentet viser tydelig hvordan metodevalg påvirker datakvaliteten. Ved å gjøre tusenvis av statistiske tester uten å korrigere for multippel testing, fikk forskerne falskt positive resultater – «hjerneaktivitet» i en død laks. Etter korrigering forsvant signalet. Dette viser at statistisk metode er like viktig som selve datainnsamlingen. Valg av analysemetode har direkte betydning for om konklusjonen er pålitelig.

Eksempel 3: KI i helsevesenet (Artikkel 4)

Boneview-appen analyserer røntgenbilder for å finne benbrudd. Datainnsamlingen er standardisert (røntgenbilder av lik kvalitet), men Kannelønning påpeker at teknologien har begrensninger: appen vurderer bare bildet, ikke hele pasienten. En radiolog kan ta hensyn til symptomer, sykehistorie og kliniske funn. Metodevalget – bildediagnostikk via KI – gir raske, reproduserbare resultater, men mister den helhetlige vurderingen en lege kan gi.

Eksempel 4: 3D-utskrift av tabletter (Artikkel 2)

Strøm Larsen bruker mikro-CT-skanning for å undersøke mikrostrukturen i 3D-printede tabletter. Valget av CT-skanning som metode gir svært detaljerte data om tablettens indre struktur. Men metoden er ressurskrevende og kan ikke enkelt skaleres til kvalitetskontroll av store mengder tabletter. Forskeren påpeker selv utfordringen: med personaliserte medisiner har man potensielt «en million ulike tabletter» – hvordan sikre kvalitetskontroll?

Konklusjon: Metodevalg påvirker hvilke data som samles inn, hvor pålitelige de er, og hva de kan brukes til. Kvantitative metoder gir målbare, reproduserbare data, men kan miste nyanser. Valg av forsøksdyr påvirker overførbarheten. Og statistisk metode er avgjørende for å unngå feilaktige konklusjoner. God forskning krever bevisste metodevalg tilpasset forskningsspørsmålet.

Thomas Kuhn definerte et paradigmeskifte som en fundamental endring i grunnleggende antakelser innen et vitenskapelig felt. Jeg vil bruke eksempelet med kunstig intelligens (KI) i helsevesenet fra artikkel 4 til å drøfte dette.

Det nåværende paradigmet: I dagens helsevesen er diagnostikk og behandling basert på menneskelig ekspertise. Leger og spesialister vurderer symptomer, undersøker pasienter og tolker bilder og prøveresultater basert på sin utdanning og erfaring. Dette er et paradigme som har dominert medisin i århundrer – den kunnskapsbaserte legen som autoritativ beslutningstaker.

Ny teknologi som utfordrer paradigmet: Boneview-appen i Vestre Viken representerer en ny tilnærming der KI-algoritmer analyserer røntgenbilder og gir raske svar om mulige brudd. I Danmark har lignende teknologi redusert radiologenes arbeidsbelastning innen mammografi med opptil 40 %. Slike systemer utfordrer ideen om at bare menneskelige eksperter kan stille diagnoser.

Argumenter for at det er et paradigmeskifte:

• KI kan analysere medisinsk bildemateriale like bra som – og i noen tilfeller bedre enn – menneskelige spesialister
• Teknologien muliggjør at radiografer kan fatte visse beslutninger som tidligere bare leger kunne ta
• Kombinert med personalisert medisin (artikkel 1 og 2) endres synet på behandling fra «one size fits all» til skreddersydd terapi
• Grunnleggende antakelser om legens rolle og arbeidsdeling i helsevesenet utfordres

Argumenter mot at det er et paradigmeskifte (ennå):

• Kannelønning påpeker at «dagens KI er ikke nødvendigvis så fantastisk som mange tror»
• KI-verktøyene fungerer kun for isolerte oppgaver – «ingen app kan dekke hele pasienten»
• Menneskelig ekspertise er fortsatt nødvendig for helhetlig vurdering
• Det er ikke alltid transparent hvorfor KI kommer frem til en konklusjon (black box-problemet)

Konklusjon: KI i helsevesenet har potensial til å bidra til et paradigmeskifte der diagnostikk og behandling blir fundamentalt annerledes – mer automatisert, personalisert og datadrevet. Men vi er trolig i en tidlig fase der det Kuhn kaller «anomalier» begynner å utfordre det eksisterende paradigmet. Et fullstendig paradigmeskifte vil kreve at KI kan håndtere mer komplekse vurderinger og at tilliten til teknologien øker. Foreløpig fungerer KI best som et supplerende verktøy, ikke en erstatning for menneskelig ekspertise.

Gitt at gruppen som fikk legemiddelet hadde lavere gjennomsnittlig blodsukker enn kontrollgruppen, og at t-testen gir en p-verdi under 0,05, kan vi konkludere med at forskjellen er statistisk signifikant. Firmaet bør gå videre med uttesting på mennesker, men med forbehold om at:

• Utvalgsstørrelsen er liten, og resultater kan endres med flere deltakere
• Langtidseffekter og bivirkninger er ukjente
• Resultater fra dyreforsøk er ikke alltid overførbare til mennesker
• Kliniske studier (fase I–III) er nødvendige for å bekrefte sikkerhet og effekt

Kjære journalist,

I mitt forskningsprosjekt i teknologi og forskningslære 2 undersøkte jeg om bakgrunnsmusikk påvirker konsentrasjonen hos elever under oppgaveløsning.

Problemstilling: Påvirker bakgrunnsmusikk prestasjonen på konsentrasjonstester?

Hypotese: Elever som jobber i stillhet, presterer bedre på konsentrasjonstester enn elever som hører bakgrunnsmusikk.

Metode: 30 elever ble tilfeldig delt i tre grupper: stillhet, rolig musikk og pop-musikk. Alle løste den samme konsentrasjonstesten (Stroop-test) under sine respektive forhold. Jeg registrerte antall riktige svar og tidsbruk.

Resultater: Gruppen i stillhet hadde høyest gjennomsnittlig poengsum (82 %), fulgt av rolig musikk (76 %) og pop-musikk (68 %). En t-test viste signifikant forskjell mellom stillhet og pop-musikk (p = 0,02), men ikke mellom stillhet og rolig musikk (p = 0,15).

Resultatene tyder på at bakgrunnsmusikk med tekst kan forstyrre konsentrasjonen, mens rolig instrumentalmusikk har mindre effekt. Dette kan være relevant for elever som liker å høre musikk mens de studerer.

Resultater presentert i tabell:

Hvorfor resultatene er pålitelige:

• Kontrollgruppe: Gruppen i stillhet fungerte som kontroll
• Randomisering: Tilfeldig fordeling av elever til grupper reduserer systematiske feil
• Standardisert test: Alle tok samme test under like øvrige betingelser
• Statistisk test: T-test bekrefter at forskjellen mellom stillhet og pop-musikk ikke skyldes tilfeldigheter (p = 0,02)

Begrensninger:

• Små grupper (n = 10) gir begrenset statistisk styrke
• Individuelle forskjeller i musikkpreferanser er ikke kontrollert for
• Kun én type konsentrasjonstest ble brukt
• Studien ble gjort på én skole og kan ikke generaliseres til alle

Konklusjon: Selv med begrensningene tyder resultatene på at bakgrunnsmusikk med tekst reduserer prestasjonen på konsentrasjonstester. Rolig instrumentalmusikk har en mindre, ikke-signifikant effekt. Studien kunne styrkes med flere deltakere og ulike typer oppgaver.