เมื่อข้อมูลมีน้อย เราระมัดระวังไม่รีบด่วนสรุป แต่เมื่อมีตัวเลขและบันทึกจำนวนมากสะสมขึ้น เราก็รู้สึกได้ง่ายว่า “เมื่อมีข้อมูลมากขนาดนี้ คำตอบก็น่าจะชัดเจนแล้ว” การสังเกตที่มากขึ้นย่อมเพิ่มสิ่งที่เราสามารถรู้ได้อย่างแน่นอน แต่การที่ปริมาณข้อมูลเพิ่มขึ้นไม่ได้หมายความว่าความหมายของข้อมูลจะกลายเป็นหนึ่งเดียว คำอธิบายที่สามารถอนุมานจากข้อมูลชุดเดียวกันย่อมเปลี่ยนไปตามว่าวัดอะไร ไม่ได้วัดอะไร และพิจารณาช่วงเวลาใด
ตัวอย่างเช่น สมมติว่าเวลาใช้งานบริการหนึ่งเพิ่มขึ้นภายในหนึ่งเดือน เราอาจอยากอธิบายว่า “ความพึงพอใจของผู้ใช้เพิ่มขึ้น” แต่แม้เราจะสังเกตได้ว่าเวลาใช้งานเพิ่มขึ้น ตัวเลขเพียงอย่างเดียวก็ไม่สามารถยืนยันเหตุผลได้ อาจเป็นเพราะฟังก์ชันใหม่ใช้งานสะดวก หรืออาจเป็นเพราะส่วนติดต่อผู้ใช้ซับซ้อนขึ้นจนต้องใช้เวลามากขึ้น เพียงแยกการเปลี่ยนแปลงที่สังเกตได้ออกจากคำอธิบายของการเปลี่ยนแปลงนั้น คำถามวิจัยถัดไปก็เปลี่ยนไปอย่างมาก
ในการวิจัย การก้าวจากการสังเกตไปสู่สมมติฐานเป็นสิ่งจำเป็นในตัวมันเอง ปัญหาไม่ใช่การมีสมมติฐาน แต่คือการปล่อยให้สมมติฐานได้รับสถานะเดียวกับข้อเท็จจริงที่สังเกตได้โดยที่เราไม่ทันรู้ตัว เมื่อเราตัดสินว่า “นี่คือสาเหตุ” เราก็มีแนวโน้มจะอ่านข้อมูลภายหลังในแบบที่สอดคล้องกับคำอธิบายนั้นมากขึ้น พื้นที่สำหรับพิจารณาคำอธิบายอื่นจะแคบลง และหลักฐานที่ขัดแย้งอาจถูกมองเป็นข้อยกเว้น ความแน่ใจที่เกิดขึ้นเร็วเกินไปไม่เพียงอาจทำให้การสืบค้นสิ้นสุดลง แต่ยังอาจทำให้สิ่งที่เราเลือกสังเกตต่อไปมีอคติด้วย
ปัญหานี้ยิ่งสำคัญขึ้นเมื่อ AI สนับสนุนการวิจัยและการสืบค้น AI สามารถจัดระเบียบข้อมูลจำนวนมาก ดึงจุดร่วม และนำเสนอคำอธิบายที่เป็นไปได้อย่างรวดเร็ว ความสามารถนี้มีประโยชน์ แต่ยิ่งคำอธิบายที่จัดระเบียบแล้วดูราบรื่นมากเท่าไร สมมติฐานก็ยิ่งอาจดูเหมือนข้อสรุปที่ผ่านการตรวจสอบแล้วมากขึ้นเท่านั้น การที่ AI ประมวลผลข้อมูลจำนวนมากไม่ได้หมายความว่าการตีความของมันมีเพียงแบบเดียว ปริมาณการประมวลผลกับระดับความแน่นอนของข้อสรุปจำเป็นต้องพิจารณาแยกจากกัน
ดังนั้น การถือว่าการสังเกต การตีความ สมมติฐาน และผลการตรวจสอบเป็นขั้นตอนที่แยกจากกันจึงมีประโยชน์ การสังเกตแสดงให้เห็นว่ามีการบันทึกอะไรไว้ การตีความแสดงให้เห็นว่าเราอ่านบันทึกนั้นอย่างไร สมมติฐานคือคำอธิบายที่เป็นไปได้สำหรับการสังเกตหลายอย่าง และการตรวจสอบจะทดสอบว่าคำอธิบายนั้นได้รับการสนับสนุนมากเพียงใด หากไม่ปะปนขั้นตอนเหล่านี้ แม้สมมติฐานจะแข็งแรง เราก็ยังคงเก็บคำถามไว้ได้ว่า “ยังมีอะไรที่ต้องตรวจสอบอีก”
การถือข้อสรุปไว้เป็นการชั่วคราวไม่ได้หมายถึงการหลีกเลี่ยงการตัดสินใจไปเรื่อย ๆ ขึ้นอยู่กับจุดประสงค์ของการสืบค้น บางครั้งอาจจำเป็นต้องเลือกการกระทำด้วยข้อมูลที่จำกัด ถึงอย่างนั้น การพูดว่า “จากหลักฐานปัจจุบัน คำอธิบายนี้ได้รับการสนับสนุนมากที่สุด” ก็แตกต่างจากการพูดว่า “นี่คือความจริงเพียงหนึ่งเดียว” การรักษาความเป็นข้อสรุปชั่วคราวไว้ทำให้เราปรับปรุงการตัดสินได้เมื่อมีหลักฐานใหม่ปรากฏขึ้น ระดับความแน่ใจควรสอดคล้องกับสถานะของหลักฐาน
ทั้งสำหรับมนุษย์และ AI การปล่อยให้บางส่วนยังไม่รู้นั้นต้องอาศัยความกล้า คำอธิบายที่เสร็จสมบูรณ์ให้ความรู้สึกมั่นใจ แต่คุณค่าของการวิจัยไม่ได้อยู่ที่ว่ามันทำให้เราสบายใจได้เร็วเพียงใด แต่อยู่ที่ว่าคำอธิบายหนึ่งสามารถยืนหยัดต่อความเป็นจริงได้ดีเพียงใด หากสมมติฐานหนึ่งจะพังลงเมื่อพบหลักฐานที่ขัดแย้ง ก็ควรไม่ปิดบังความเป็นไปได้นั้น การรักษาให้สิ่งหนึ่งยังตรวจสอบได้ไม่ได้ทำให้ข้อสรุปอ่อนแอ แต่ทำให้พื้นฐานของความแข็งแรงนั้นชัดเจนขึ้น
เมื่อ Sai＊aus สนับสนุนการสืบค้น เป้าหมายก็ไม่ได้มีเพียงการสร้างข้อสรุปหนึ่งอย่างรวดเร็วจากข้อมูลจำนวนมาก หากสามารถแยกได้ว่าอะไรคือสิ่งที่สังเกตได้ ตรงไหนมีการเพิ่มการตีความ และอะไรยังคงเป็นสมมติฐาน มนุษย์ก็สามารถเลือกได้ว่าต่อไปต้องตรวจสอบอะไร ความสามารถของ AI ในการจัดระเบียบข้อมูลสามารถใช้ไม่ใช่เพื่อปิดข้อสรุป แต่เพื่อทำให้ทางเข้าสู่การตรวจสอบมองเห็นได้
ข้อมูลที่มากขึ้นไม่ได้ทำให้ความจริงกลายเป็นหนึ่งเดียวโดยอัตโนมัติ สิ่งที่เพิ่มขึ้นคือวัสดุสำหรับตรวจสอบความเป็นจริง สมมติฐานเบื้องต้นและการตีความเข้ามามีส่วนในวิธีที่เราสร้างคำอธิบายจากวัสดุนั้น ดังนั้น สิ่งที่การวิจัยต้องการไม่ใช่การสงสัยตัวข้อมูลเอง แต่คือการไม่หลงลืมเส้นทางระหว่างข้อมูลกับข้อสรุป การไม่รีบตรึงข้อสรุปให้เป็นความเป็นจริง และรักษาให้สามารถปรับแก้ได้ผ่านการตรวจสอบ จะทำให้ความอุดมสมบูรณ์ของข้อมูลเปลี่ยนเป็นความลึกของความเข้าใจได้
ไม่ใช่คำตอบ แต่คือความเข้าใจ