Scienza della Scienza: Svelando i Segreti Nascosti del Progresso Scientifico

Ciao a tutti! Oggi voglio parlarvi di qualcosa di incredibilmente affascinante, un campo che forse non tutti conoscono ma che sta rivoluzionando il modo in cui capiamo… beh, la scienza stessa! Si chiama Scienza della Scienza (o SoS, per gli amici) ed è come avere una lente d’ingrandimento potentissima puntata sull’intero processo scientifico. Non parliamo solo di storia della scienza o di filosofia dei metodi, ma di un vero e proprio studio accademico, spesso quantitativo, che cerca di capire come funziona davvero la macchina della scoperta.

Le Radici Lontane: Quando Abbiamo Iniziato a Studiare la Scienza?

L’idea che la scienza potesse essere oggetto di studio non è nuovissima. Pensate, già negli anni ’20 del secolo scorso, in Unione Sovietica, c’era chi parlava di “naukovedeniye”. L’obiettivo? Scoprire le “leggi” che governano lo sviluppo scientifico, addirittura per prevederne l’andamento e pianificarlo! Sembra fantascienza, vero? Eppure, figure come I. Borichevskii già immaginavano una “sociologia della scienza”, riconoscendo che fattori sociali ed economici giocano un ruolo cruciale. Quest’idea ha ispirato personaggi come J.D. Bernal e il suo “Social Function of Science” (1939) e persino Robert K. Merton, uno dei padri della sociologia della scienza. Anche in Polonia, studiosi come Ossowska e Ossowski sognavano un approccio unificato, anche se più umanistico. Nonostante queste visioni grandiose, per decenni lo studio della scienza si è frammentato in sottodiscipline: sociologia, economia, psicologia, storia, filosofia… ognuna con il suo focus e i suoi metodi.

L’Esplosione dei Numeri: La Nascita della Scientometria

Negli anni ’50 e ’60, con la crescita esponenziale della ricerca scientifica, soprattutto negli Stati Uniti, la sociologia della scienza ha iniziato a usare metodi quantitativi. Si guardava all’organizzazione della scienza, alle comunità di ricercatori, ai sistemi di valutazione e ricompensa. L’analogia con l’economia era forte: la scienza come produzione e diffusione di conoscenza, con le idee scientifiche viste quasi come “prodotti”. La psicologia si concentrava sulla creatività e le caratteristiche dei singoli scienziati, mentre gli economisti studiavano l’impatto di scienza e tecnologia sulla crescita economica e sulle politiche pubbliche. Ma è negli anni ’70 che arriva la vera svolta quantitativa con la nascita della scientometria (o bibliometria, informetria…). Definitivamente, si trattava di applicare metodi quantitativi per studiare la letteratura scientifica come processo di informazione e comunicazione. Le pubblicazioni scientifiche diventano protagoniste, viste come i “vettori” della conoscenza organizzata.

Reti, Reti Ovunque: La Scienza come Sistema Complesso

Poi, negli anni ’90, arriva un’altra rivoluzione: lo studio delle reti complesse. Ricercatori, spesso provenienti dalla fisica, iniziano ad applicare questi modelli per capire le collaborazioni tra scienziati, la formazione delle discipline e, soprattutto, le reti di citazioni. Pensate a figure come Barabási, Albert, Newman. Con l’aumento esponenziale dei dati disponibili (grazie a database come il Science Citation Index, l’SCI, creato negli anni ’60) e della potenza di calcolo, gli anni 2000 vedono un boom incredibile degli studi quantitativi sulla scienza. Si inizia a vedere la scienza come un sistema complesso, multi-livello, dinamico. Un nome spicca in questo panorama: Loet Leydesdorff. Per tutta la sua carriera, ha cercato di costruire un programma che integrasse teorie qualitative e metodi quantitativi, sviluppando un “calcolo dell’informazione” e una “sociologia matematica della conoscenza scientifica”. Credeva fermamente che per capire la scienza fosse necessario studiare non solo le sue componenti (cognizione, testi, scienziati/istituzioni) ma soprattutto le loro interazioni.

Il Labirinto della Misurazione: Cosa Misuriamo Davvero?

Qui tocchiamo un punto cruciale. È bello avere tanti dati, ma cosa stiamo misurando esattamente? La scienza si può davvero “misurare”? E che significato hanno questi numeri, questi indicatori? Leydesdorff stesso sottolineava l’importanza di definire gli “oggetti epistemici legittimi” per questo campo interdisciplinare. Misurare non è mai semplice. Non è come contare mele. Spesso, quello che chiamiamo “misura” è il risultato di un modello complesso. Pensate alla massa di un buco nero: non la misuriamo direttamente, ma la deriviamo confrontando modelli teorici (la relatività generale di Einstein!) con misurazioni primarie (come le onde gravitazionali). La validità della “misura” dipende tanto dalla precisione dello strumento quanto dalla validità del modello. Kuhn diceva che i numeri da soli non parlano quasi mai; serve una teoria, un’aspettativa di regolarità. E qui entra in gioco il ruolo fondamentale degli studi qualitativi: ci aiutano a capire cosa vale la pena misurare, quali sono i fenomeni non ovvi da indagare. Senza una solida preparazione qualitativa e teorica, la quantificazione rischia di rimanere puramente descrittiva. Ecco perché, secondo me, per fare vere scoperte nella Scienza della Scienza, dobbiamo investire non solo nel migliorare la precisione delle misure e sviluppare nuovi strumenti, ma anche nell’arricchire la nostra base concettuale, integrando teorie e sforzi da tutti i campi degli studi sulla scienza, come auspicava Leydesdorff.

Citazioni: Croce e Delizia della Scienza della Scienza

Parliamo delle protagoniste indiscusse: le citazioni (e le loro sorelle, le referenze bibliografiche). Sono la base di tantissime misure e indicatori. Le referenze (i link che un articolo fa ad articoli precedenti) sono state usate per tracciare le “genealogie intellettuali”, identificare comunità di ricercatori (“collegi invisibili”), mappare la struttura intellettuale della scienza, misurare la stratificazione. Le citazioni (i link che un articolo riceve da articoli successivi) sono state studiate per capire la loro distribuzione (spesso seguono leggi di potenza, tipo “pochi articoli sono citatissimi, molti pochissimo”), la loro crescita e il loro declino nel tempo (“emivita” delle citazioni). Ma è l’uso delle citazioni come indicatori indiretti di qualità, importanza o impatto che ha sollevato un mare di critiche e scetticismo. Siamo passati dall’usare le referenze per mappare le connessioni intellettuali (un’analisi neutrale) a contare le citazioni come misura di valore (un giudizio di valore). Questo ha creato quella che Wouters chiama una “cultura della citazione”, dove la citazione stessa diventa il valore, non un suo indicatore. Il problema è che non sappiamo ancora perfettamente perché e come gli scienziati citano. Sono nate diverse teorie:

• Teoria normativa: Si cita per dare credito (“debito intellettuale”).
• Teoria interpretativa: Le citazioni sono strumenti retorici per persuadere, guidate dal consenso della comunità.
• Teoria simbolica: Le citazioni sono simboli che rappresentano concetti, teorie, metodi specifici.

Probabilmente, la realtà è un mix di tutto questo. Ma c’è una distinzione fondamentale spesso trascurata: referenze e citazioni non sono la stessa cosa! Hanno distribuzioni diverse e rappresentano sistemi diversi. Le referenze possono indicare l'”azione” di un autore, mentre le citazioni riflettono la “struttura” emergente nel tempo, come suggerito da Leydesdorff e Amsterdamska. I modelli quantitativi più recenti cercano di spiegare le distribuzioni delle citazioni combinando meccanismi come l'”attaccamento preferenziale” (più sei citato, più è probabile che tu lo sia ancora), l'”invecchiamento” della letteratura (obsolescenza) e la “qualità” intrinseca del lavoro.

Oltre le Pubblicazioni: Cosa Ci Stiamo Perdendo?

Focalizzarsi solo sulle pubblicazioni scientifiche, per quanto centrali, ci dà una visione parziale. Cosa succede alla ricerca che fallisce e non viene mai pubblicata (il famoso “file drawer problem”)? Per capire davvero perché alcune scoperte avvengono rapidamente e altre richiedono decenni, dovremmo studiare anche i fallimenti. E poi c’è il fenomeno dell'”obliteration by incorporation”: idee talmente fondamentali che diventano parte del paradigma accettato e non vengono più citate esplicitamente (pensate all'”Equilibrio di Nash”). Studiare questi fenomeni richiede spesso di andare oltre i metadati e analizzare il testo completo delle pubblicazioni, cosa oggi sempre più fattibile grazie ai progressi nell’Intelligenza Artificiale e nel Natural Language Processing (NLP). L’accesso a grandi corpora testuali apre possibilità enormi: studiare l’evoluzione delle comunità scientifiche, capire come gli scienziati costruiscono la loro identità attraverso la scrittura, analizzare la co-occorrenza di parole chiave per mappare le strutture cognitive delle discipline (co-word analysis). Leydesdorff è stato un pioniere anche in questo, esplorando come analizzare parole e co-occorrenze a vari livelli per rendere visibile la struttura interna delle discipline. Servono però anche nuovi dati, magari generati da strumenti appositi, per catturare il processo di ricerca “mentre accade”, per capire chi lavora davvero dietro un paper (il lavoro “visibile” e quello “invisibile”), come viene distribuito il lavoro nei team, e per spostare il focus dalle pubblicazioni alle scoperte vere e proprie. Gli sforzi verso l’Open Science potrebbero aiutarci a ottenere questi dati preziosi.

Modellare la Scienza: Tra Descrizione, Spiegazione e Predizione

Se storicamente molti studi erano descrittivi, oggi c’è una spinta enorme verso la modellizzazione. Vogliamo modelli che non solo descrivano (come le mappe della scienza), ma che spieghino i meccanismi sottostanti e magari predicano l’evoluzione futura. Qui l’AI sta giocando un ruolo sempre più importante, ma attenzione: i modelli predittivi basati sui successi passati (pubblicazioni, citazioni) rischiano di prevedere solo le scoperte “attese”, mancando quelle veramente rivoluzionarie e inaspettate. Questo potrebbe portare a finanziare solo ricerche “sicure”, restringendo lo spazio della scoperta. L’ideale, come suggeriscono alcuni, è un approccio integrato, che usi i modelli per capire le relazioni causali e prevedere risultati ancora non visti. Tecnologie come i “digital twins” (gemelli digitali della scienza?) e la modellazione basata su agenti potrebbero permetterci di simulare scenari “what if” e testare interventi di policy senza fare esperimenti reali sul sistema scientifico. Le reti, ovviamente, sono centrali in questi modelli. Ma non solo reti di co-autori o citazioni. Teorie come l’Actor-Network Theory (ANT) di Callon e Latour vedono la scienza come una rete eterogenea di attori umani, oggetti, testi… tutti sullo stesso piano. Integrare queste visioni qualitative con le analisi quantitative avanzate (ipergrafi, NLP) potrebbe finalmente permetterci di modellare la dinamica complessa della scienza.

Verso un’Ecologia della Conoscenza

Concettualizzare la scienza come una rete complessa, auto-organizzante ed evolutiva ci porta a vederla come un'”ecologia di idee” o un'”ecologia della conoscenza”. Un ambiente dinamico e multi-strato dove le idee competono, collaborano, si evolvono. L’approccio evolutivo, ispirato alla biologia, può aiutarci a capire le relazioni tra cambiamento individuale e sistemico, cognitivo e culturale. Modelli come la “Tripla Elica” di Etzkowitz e Leydesdorff cercano di spiegare l’innovazione nell’economia della conoscenza come risultato dell’interazione dinamica tra accademia, industria e governo. Queste tre “eliche”, pur autonome, si influenzano a vicenda, creando nuove strutture e meccanismi di integrazione.

Il Futuro è Adesso (e Pieno di Sfide)

La Scienza della Scienza è in pieno boom, grazie a più dati, metodi migliori e nuovi strumenti come l’AI. Possiamo analizzare testi su larga scala, modellare processi complessi, integrare diverse fonti di informazione. Il lavoro visionario di pionieri come Leydesdorff ci ha fornito una roadmap incredibilmente ricca, combinando idee dalla biologia, dalla teoria dell’informazione, dalla cibernetica, dalla sociologia. Il suo programma di ricerca, focalizzato sull’informazione e la comunicazione come sistemi dinamici, ci offre gli strumenti concettuali per andare oltre lo studio statico del “sistema” e concentrarci sulle sue dinamiche ed emergenze. Possiamo finalmente iniziare a capire come le strutture sociali e cognitive della scienza emergono dal comportamento individuale e, a loro volta, come queste strutture influenzano gli individui. È un viaggio affascinante nel cuore pulsante del progresso umano, e siamo solo all’inizio!

Fonte: Springer