fbpx Human Technopole, Genomi italiani e il pregiudizio sugli investimenti top down | Science in the net

Human Technopole, Genomi italiani e il pregiudizio sugli investimenti top down

Read time: 3 mins

Favoritismo e mancato ricorso alla valutazione: l’espressione “top down” non implica nulla di tutto questo, ma è spesso percepita come sinonimo di pratiche poco trasparenti.

Alcune espressioni sembrano avere il potere di polarizzare la conversazione, il più delle volte allontanandola in modo quasi irreversibile dalla possibilità di un approccio critico ed equilibrato all’oggetto di cui si dibatte

In sintesi, con modalità “top down” di finanziamento della ricerca intendiamo ciò che si verifica quando l’ente finanziatore individua un ambito nel quale investire, partendo quindi da una visione “dall’altro” del problema, mentre con il processo “bottom-up” l’impegno del finanziatore su temi specifici è conseguente alla selezione competitiva tra diverse proposte presentate.

Negli ultimi giorni abbiamo assistito a una recrudescenza del dibattito sul progetto di Human Technopole, a cui si è aggiunto il legittimo confronto con la più recente notizia del finanziamento pubblico al progetto Genomi Italiani. Una polemica tra addetti ai lavori che rischia di generare nell’opinione pubblica la percezione che il cosiddetto finanziamento top down sia una pratica autoritaria, poco trasparente e anti-meritocratica. In altre parole il male assoluto nelle politiche di ricerca.

Non è necessariamente così e basta guardarsi un po’ intorno per vedere nel mondo eccellenti esempi di questo tipo come l’istituto Max Planck in Germania o il più recente progetto Genomics England a Cambridge.

Certo, vi sono aspetti sui quali è importante vigilare.  Sia nel caso di Human Technopole sia in quello di Genomi Italiani, trovo che la scelta del governo di procedere con un’allocazione di fondi top down non vada criticata di per sé, ma che sia giusto richiedere che nella realizzazione dei progetti si ricorra agli strumenti di valutazione ex ante e di verifica in itinere dell’efficacia dell’investimento in base ai modelli consolidati nella prassi internazionale.

Parto, come sempre, da ciò che conosco direttamente: Telethon adotta entrambe le modalità, a seconda dell’obiettivo.

Per noi il processo top down per eccellenza è stata la creazione degli istituti di ricerca. La fondazione si è assunta la responsabilità di questa scelta di campo, cioè destinare una quota dei propri fondi al sostegno continuativo di centri di ricerca intramurale nei quali concentrare gli sforzi su obiettivi considerati cruciali nella lotta alle malattie genetiche rare: lo sviluppo degli studi genetici e della terapia genica.

A orientare la scelta, ad esempio sulle caratteristiche organizzative e sull’oggetto della ricerca degli istituti, è stata la consultazione di advisor individuati tra i maggiori esperti del settore.

Quindi, primo malinteso da evitare, la presunta “arbitrarietà” della decisione del finanziatore non è veramente tale se filtrata dal ricorso agli strumenti più efficaci per operare una scelta informata.

E forse non c’è stata da parte del governo una esplicitazione del percorso che ha portato alla scelta di finanziare Human Technopole e Genomi Italiani.

La ricerca, proposta e realizzata dai ricercatori impegnati negli istituti Telethon sfugge alla competizione, ma passa, esattamente come la ricerca esterna selezionata tramite bandi, dalle forche caudine di una valutazione rigorosa affidata a revisori indipendenti.

E questo ci porta al secondo grande malinteso legato a questo meccanismo di finanziamento: la modalità di impiego dei fondi,  cioè quali progetti specifici sostenere quando si passa dalla visione “dall’alto” al successivo approfondimento del problema da affrontare nei sotto-temi specifici,  è un processo distinto e il ricorso alla valutazione per la valorizzazione del merito è compatible e doveroso anche con un finanziamento top down.

In altre parole, se di una decisione di finanziamento sappiamo solo che è stata presa con modalità top down, l’unica cosa che possiamo dedurre in modo chiaro da questa informazione è l’identità del soggetto che se ne è assunto la responsabilità. Tutto il resto dipende da come quel soggetto sta facendo le cose: prima di saltare alle conclusioni, meglio verificare.

E riguardo alla percezione di poca trasparenza, la buona notizia è che quando siamo in presenza di una decisione top down non ci sono dubbi su chi abbia l’onere della rendicontazione.

Fonte: http://francescapasinelli.it/index.php/2016/03/25/human-technopole-genom...

Articoli correlati

Scienza in rete è un giornale senza pubblicità e aperto a tutti per garantire l’indipendenza dell’informazione e il diritto universale alla cittadinanza scientifica. Contribuisci a dar voce alla ricerca sostenendo Scienza in rete. In questo modo, potrai entrare a far parte della nostra comunità e condividere il nostro percorso. Clicca sul pulsante e scegli liberamente quanto donare! Anche una piccola somma è importante. Se vuoi fare una donazione ricorrente, ci consenti di programmare meglio il nostro lavoro e resti comunque libero di interromperla quando credi.


prossimo articolo

Why have neural networks won the Nobel Prizes in Physics and Chemistry?

This year, Artificial Intelligence played a leading role in the Nobel Prizes for Physics and Chemistry. More specifically, it would be better to say machine learning and neural networks, thanks to whose development we now have systems ranging from image recognition to generative AI like Chat-GPT. In this article, Chiara Sabelli tells the story of the research that led physicist and biologist John J. Hopfield and computer scientist and neuroscientist Geoffrey Hinton to lay the foundations of current machine learning.

Image modified from the article "Biohybrid and Bioinspired Magnetic Microswimmers" https://onlinelibrary.wiley.com/doi/epdf/10.1002/smll.201704374

The 2024 Nobel Prize in Physics was awarded to John J. Hopfield, an American physicist and biologist from Princeton University, and to Geoffrey Hinton, a British computer scientist and neuroscientist from the University of Toronto, for utilizing tools from statistical physics in the development of methods underlying today's powerful machine learning technologies.