Paradoks integriteta: Jedinstvena teorija znanstvene istine i bizantskog sustavnog poraza

Uvod: Paradoks ispravne teorije, katastrofalnog ishoda

Temeljni premis moderne znanosti je da istina, jednom otkrivena kroz stroge empirijske i teorijske metode, posjeduje objektivnu valjanost neovisnu o ljudskoj interpretaciji. Zakoni termodinamike, struktura DNK, jednadžbe opće relativnosti — ovo nisu društvene konstrukcije. One su otkrivene, a ne izumljene; one vrijede bez obzira na vjeru, pristranost ili institucionalnu moć. I ipak, povijest je puna primjera gdje su znanstveno ispravne teorije, kada su prevedene u praksu kroz ljudske sustave, dovele do ishoda koji nisu samo suboptimalni već katastrofalno destruktivni. Teorija nuklearnog raspadanja točno opisuje oslobađanje veze energije u teškim atomskim jezgrama; njezina praktična primjena dovela je do detonacije oružja koje je uništilo cijele gradove. Teorija statističke regresije točno modelira vjerojatnosne odnose; njezina pogrešna primjena u kliničkim ispitivanjima dovela je do odobravanja lijekova koji su ubili tisuće. Teorija učinkovitih tržišta točno opisuje formiranje cijena u idealiziranim uvjetima; njezina institucionalizacija u financijskim sustavima dovela je do globalne ekonomske katastrofe.

Napomena o znanstvenoj iteraciji: Ovaj dokument je živi zapis. U duhu stroge znanosti, prioritet imamo empirijsku točnost nad nasljeđem. Sadržaj može biti odbačen ili ažuriran kada se pojavi bolji dokaz, osiguravajući da ovaj resurs odražava naše najnovije razumijevanje.

Ovo nije neuspjeh teorije. Ovo je neuspjeh prijenosa.

Razdvojenost između teorijske ispravnosti i praktične katastrofe nastaje ne zbog mana u temeljnoj znanosti, već zbog entropijske degradacije informacija dok se širi kroz ljudske mreže — mreže koje su po prirodi ranjive na adversarialne čvorove, strukturnu propast i sistemske korupcije. Ovaj fenomen nazivamo Sistemska sepsa: proces kojim lokalni neuspjeh — jedan korumpiran aktor, pogrešno usklađen incentiv, kompromitirana institucija — širi se kroz inače valjanu znanstvenu lanac, otrovajući cijeli izlaz i pretvarajući istinu u smrtonosan ishod.

Ovaj bijeli papir predstavlja strogi okvir za razumijevanje ovog fenomena kroz prizmu Entropijske mreže. Definiramo Entropijsku mrežu kao usmjereni, težinski, višeslojni graf $M = (N, E, W, L)$, gdje:

• $N$ je konačan skup čvorova koji predstavljaju ljudske i institucionalne aktore uključene u životni ciklus znanstvenog znanja: istraživače, recenzente, agencije za financiranje, znanstvene časopise, regulativne tijela, farmaceutsku industriju, medije, političare, kliničare i krajnje korisnike.
• $E \subseteq N \times N$ je skup usmjerenih bridova koji predstavljaju prijenos informacija, ovlasti ili utjecaja. Brid $e_{ij} \in E$ označava da čvor $i$ šalje informacije čvoru $j$. Bridovi nisu nužno simetrični; ovlasti teku prema gore (npr. od mladog istraživača do PI-a), prema dolje (od regulatora do industrije) i lateralno (između konkurentnih laboratorija).
• $W: E \rightarrow [0,1]$ je funkcija težina koja svakom bridu dodjeljuje fidelitet prijenosa — vjerojatnost da se informacija prenesena uz $e_{ij}$ primi bez degradacije, distorzije ili korupcije. Fidelitet se utječe kognitivnim pristranostima (potvrđujuća pristranost, pristranost prema autoritetu), institucionalnim pritiscima (kvote za objavljivanje, rokovi za financiranje) i adversarialnim namjerama.
• $L: N \rightarrow \mathcal{L}$ je funkcija označavanja koja svakom čvoru dodjeljuje sloj iz skupa $\mathcal{L} = \{ \text{Discovery}, \text{Validation}, \text{Funding}, \text{Regulation}, \text{Commercialization}, \text{Application}, \text{Policy} \}$. Ovi slojevi predstavljaju faze u životnom ciklusu znanja. Informacije teku od Otkrića → Valjanosti → Financiranja → Regulacije → Komercijalizacije → Primjene → Politike.

Svaki sloj unosi svoje mehanizme koji povećavaju entropiju:

• Sloj otkrića: Šum iz pogrešaka mjerenja, mali uzorci, p-hacking.
• Sloj valjanosti: Pristranost prema objavljivanju, nekompetentnost ili zlovolja recenzenta, sukobi interesa u recenziji.
• Sloj financiranja: Strategijsko dodjeljivanje politički izglednim ili komercijalno isplativim istraživanjima, potiskivanje protivnih stavova.
• Sloj regulacije: Regulativna zarobljenost, lobbyiranje industrije, spora prilagodba novim dokazima.
• Sloj komercijalizacije: Profitno izobličenje nalaza (npr. biranje podataka, potiskivanje nuspojava).
• Sloj primjene: Pogrešna interpretacija od strane praksi zbog nedostatka obuke ili vremena.
• Sloj politike: Politizacija, prekomjerano pojednostavljenje za javnu potrošnju.

Ukupna entropija $H(M)$ mreže u vremenu $t$ definirana je kao:

$$H(M, t) = \sum_{e_{ij} \in E} -W(e_{ij}) \log W(e_{ij}) + \sum_{n_k \in N} H_{\text{layer}}(n_k, t)$$

gdje $H_{\text{layer}}(n_k, t)$ je sloj-specifična entropija unesena institucionalnim kontekstom čvora $n_k$. Na primjer, izvršni direktor farmaceutske kompanije u sloju komercijalizacije može unijeti visoku entropiju potiskivanjem negativnih podataka iz ispitivanja; političar u sloju politike može unijeti entropiju pogrešnim prikazivanjem vjerojatnosti rizika radi biračke dobiti.

Entropijska mreža nije zatvoren sustav. Ona interagira s vanjskim okolinama: medijima, javnom mišljenju, ekonomskim pritiscima i geopolitičkim agendama. Ove interakcije unose egzogeni šum, što dodatno ubrzava degradaciju.

Ključno je da Entropijska mreža pojačava samu sebe. Čvorovi s visokim utjecajem (npr. profesori s trajnim ugovorom, urednici časopisa, komisari regulatora) često zauzimaju pozicije koje im daju neumjereno veliku kontrolu nad protokom informacija. Njihova ovlast nije izvedena samo iz epistemske nadmoćnosti, već iz institucionalne moći — fenomen poznat kao epistemska zarobljenost. Kada se utjecaj koncentrirao, mreža postaje krhka: male perturbacije na čvorovima s visokim utjecajem mogu izazvati lančane kvarove.

Entropijska mreža nije metafora. To je operativni model. Njezina struktura objašnjava zašto, u odsutnosti eksplicitnih mehanizama smanjenja entropije, čak i najstrože valjane znanstvene istine postaju korumpirane prije nego što dosegnu praksu.

Problem bizantskih generala kao model za znanstvenu korupciju

Problem bizantskih generala (BGP), prvi put formaliziran od strane Leslija Lamporta, Roberta Shostaka i Maršala Peasea 1982. godine, opisuje distribuirani sustav u kojem aktori (general) moraju se složiti o koordiniranoj akciji — napad ili povlačenje — unatoč prisutnosti izdajnika koji mogu slati proturječne poruke. Problem nije problem komunikacijskog neuspjeha, već neuspjeha povjerenja: čak i ako su sve poruke ispravno dostavljene, sustav ne može postići konsenzus ako je dovoljno mnogo aktora zločina.

U znanstvenim mrežama, Problem bizantskih generala nije apstraktni teorijski kuriozitet — to je svakodnevna operativna stvarnost. Generali su istraživači, recenzenti, urednici časopisa, službenici za financiranje i regulatori. Poruke su podaci, hipoteze, recenzije, prijedlozi za financiranje, regulativne podnositelji. Koordinirana akcija je kolektivno prihvaćanje znanstvenog tvrdnje — npr. „Lijek X smanjuje smrtnost za 30%.” Izdajnici nisu nužno zločinci u krivom smislu; mogu biti dobro namjeravajući ali pogrešno informirani, preopterećeni ili motivirani da proizvedu povoljne ishode. Ali njihove radnje — bilo da su preko prijevare, zanemarivanja ili institucionalnog pritiska — imaju isti učinak: one unose nesvodive neizvjesnosti u sustav.

Razmotrimo kliničko ispitivanje novog antikoagulansa. Faza otkrića daje obećavajuće in vitro rezultate. Faza valjanosti uključuje tri nezavisne laboratorije koje ponavljaju nalaze. Dvije prijave pozitivne ishode; jedna prijavljuje nema učinka. Laboratorija s negativnim rezultatima je nedovoljno financirana, njezin voditelj nedavno odbijen za trajni ugovor, a njegovi podaci odbačeni kao „izlazna buka“. Urednik časopisa, pod pritiskom da objavi istraživanja visokog utjecaja, prihvaća dvije pozitivne radove. Treća laboratorija, financirana od strane farmaceutske kompanije koja razvija lijek, objavljuje meta-analizu koja agregira samo pozitivne rezultate. Recenzent FDA-a, koji je ranije radio za kompaniju i sada ide na rotacijski put prema zapošljavanju u industriji, odobrava lijek. Mediji prijave ga kao „prelomnu točku“. Kliničari ga propisuju. Pacijenti umiru od neočekivanih krvarenja.

U ovom scenariju, bizantski generali su:

• Laboratorija s negativnim rezultatima: iskrena ali marginalizirana.
• Financirana laboratorija: sudjeluje u potiskivanju.
• Urednik časopisa: kompromitiran zbog nadahnuća prestiža.
• Recenzent FDA-a: u sukobu interesa.
• Mediji: pogrešno informirani ili senzacionalistički.

Sustav ne može postići konsenzus o sigurnosti lijeka jer neki generali su izdajnici, a njihove poruke — iako tehnički točne u izolaciji — su strategijski neskladne s istinom. Sustav nema mehanizam za otpornost na bizantske kvarove (BFT).

U distribuiranim računalnim sustavima, BFT algoritmi poput PBFT (Practical Byzantine Fault Tolerance) zahtijevaju barem $3f + 1$ čvorova kako bi se podnijelo $f$ bizantskih kvarova. U znanstvenim mrežama, broj aktora je ogroman — često tisuće u globalnim suradnjama — ali efektivni broj pouzdanih čvorova je mnogo manji. Sustav radi s $f \approx 10\%$ bizantskim čvorovima, ali BFT prag nikad nije postignut. Zašto? Zato što:

1. Ne postoji protokol konsenzusa — nema formalnog mehanizma za provjeru integriteta svakog čvora.
2. Nema zahtjeva za kvorumom — jedna utjecajna radnja može dominirati literaturom.
3. Nema kriptografskog potpisivanja tvrdnji — nema načina za provjeru porekla ili otkrivanje manipulacije.
4. Nema konačnosti — proturječne tvrdnje koegzistiraju beskonačno.

Posljedica je epistemska fragmentacija. Znanstvena zajednica ne konvergira prema istini; ona se razlaze u konkurentne priče, svaka podržana skupinom čvorova s interesima.

Analogija BGP-a otkriva da je problem ne jedan neznanja, već zloće u strukturi. Čak i ako je 90% znanstvenika pošteno i kompetentno, preostalih 10% — djelujući zajedno ili kroz izoliranu korupciju — mogu kontrolirati priču. Ovo nije neuspjeh pojedinačne moralnosti; to je strukturna ranjivost.

Razmotrimo krizu reproducibilnosti u psihologiji. Studija 2015. godine od strane Open Science Collaboration pokušala je reproducirati 100 objavljenih psiholoških studija. Samo 39% uspješno je reproducirano. Iako su originalne radove ostale u udžbenicima, citirane u meta-analizama i korištene za oblikovanje politike. Izdajnici nisu nužno bili varalice — mnogi su jednostavno prekomjerno samopouzdani, slabije snage u svojim studijama ili pritiskani da objave nove rezultate. Ali sustav je tretirao sve objavljene nalaze kao jednako valjane. BGP nije riješen; on je bio zanemaren.

U Entropijskoj mreži, bizantski čvorovi ne moraju lažati. Oni trebaju samo strategijski pojačavati ili strategijski izostavljati. Jedan negativni rezultat zaključen u ormaru može biti dovoljan da korumpira cijeli sustav ako nikad nije vidjen. Ovo nije nekompetentnost — to je strategijski unos entropije.

Model BGP nas prisiljava da suočimo uznemirujuću istinu: znanstveni konsenzus nije dokaz istine — to je dokaz koordinacije. I koordinacija može biti postignuta kroz korupciju jednako lako kao i kroz dokaze.

Strukturna propast: Institucionalna degradacija i erozija epistemske cjelovitosti

Entropijska mreža se ne degradira samo zbog adversarialnih aktora. Njezina najopasnija ranjivost leži u strukturnoj propasti — sporo, sistemska degradacija institucionalnih normi, incentiva i epistemske standarda. U suprotnosti od bizantskih kvarova — diskretnih, identificiranih akata korupcije — strukturna propast je difuzna, institucionalizirana i često nevidljiva onima unutar sustava. To je rak koji tiho raste u tkivu znanosti.

Strukturna propast se manifestira kroz četiri međusobno povezana mehanizma: neusklađenost incentiva, epistemska zarobljenost, institucionalna inercija i pojačavanje kognitivnog disonansa.

Neusklađenost incentiva

Glavni pokretač strukturne propasti je neusklađenost između epistemske ciljeve (traženje istine) i institucionalnih incentiva (financiranje, promocija, prestiž). U akademiji, valuta uspjeha je broj objava, metrike citiranja i novčani izvori — ne reproducibilnost, metodološka strogoća ili dugoročni utjecaj. Paradigma „objavi ili umri“ potiče količinu nad kvalitetom, novinom nad reprodukcijom.

Studija iz 2016. godine u PLOS ONE pronašla je da su radovi s statistički značajnim rezultatima 3,5 puta vjerojatniji da će biti objavljeni nego radovi s nultim nalazima — čak i kada je metodološka kvaliteta identična. Ovo nije pristranost; to je sustavni odabirni tlak. Časopisi se natječu za faktore utjecaja; recenzenti vole spektakularne rezultate; komisije za trajni ugovor nagradjuju objave visokog profila. Rezultat: literatura zasićena lažnim pozitivima.

U industriji, incentivi su još opasniji. Farmaceutske kompanije troše $20–30 billion annually on R&D, yet the success rate of new drug approvals is below 10%. To justify this expenditure, firms must generate positive narratives. Clinical trials are designed to maximize the probability of statistical significance — not to test hypotheses rigorously. Trials are underpowered, endpoints are changed post-hoc, adverse events are downplayed or omitted from publications. The 2015 Lancet investigation into GlaxoSmithKline’s suppression of data on paroxetine (Paxil) in adolescents revealed that the company had buried three negative trials and published only one positive one — which was ghostwritten by a medical communications firm. The FDA approved the drug based on this distorted evidence.

Incentive misalignment is not a bug — it is a feature. The system rewards those who produce publishable results, not those who produce true ones. And in a world where 85% of published research is estimated to be irreproducible (Ioannidis, 2005), the system has optimized for noise.

Epistemic Capture

Epistemic capture occurs when institutions that are meant to safeguard truth become subservient to the interests of powerful actors. This is not corruption in the legal sense — it is institutional assimilation. The regulator becomes the industry’s mouthpiece. The journal editor becomes a gatekeeper for corporate-funded research. The university becomes a vendor of branded science.

The most egregious example is the regulatory capture of the FDA and EMA. Between 2010 and 2020, over 40% of FDA advisory committee members had financial ties to pharmaceutical companies. In 2017, the FDA approved a new Alzheimer’s drug — aducanumab — despite an independent advisory panel voting 10–2 against it, citing lack of clinical benefit. The approval was based on a surrogate endpoint (amyloid plaque reduction) with no proven link to cognitive improvement. The drug cost $56.000 godišnje i kasnije je otkriveno da uzrokuje intrakranijalna krvarenja kod 35% pacijenata. Epistemska ovlast FDA-a bila je zarobljena industrijskim lobbyanjem, financijskim sukobima i kulturom poštovanja prema korporativnoj inovaciji.

Slično, u klimatskoj znanosti, industrija fosilnih goriva financirala je think tankove i akademska istraživanja koja su sumnjala u antropogeno globalno zatopljenje tijekom desetljeća. Oregon Petition, potpisana od strane više od 30.000 znanstvenika (mnogi nisu klimatski stručnjaci), korištena je za stvaranje iluzije znanstvene kontroverze. Mediji, tražeći ravnotežu, predstavili su „obje strane“ — iako je 97% klimatskih znanstvenika bilo slažuće o ljudskoj uzročnosti. Rezultat: politička paraliza.

Epistemska zarobljenost nije uvijek očita. Ona djeluje kroz meku moć: normalizaciju industrijski financiranih istraživanja, marginaliziranje neovisnih kritičara, eroziju standarda recenzije. Studija iz 2019. godine u Nature pronašla je da su radovi s industrijskim financiranjem značajno vjerojatniji da prijavljuju povoljne ishode — čak i kada se kontrolira dizajn studije. Pristranost nije bila u podacima, već u odabiru pitanja, definiciji endpointova i interpretaciji rezultata.

Institucionalna inercija

Znanstvene institucije su dizajnirane za stabilnost, a ne prilagodljivost. Recenzija je spora. Regulativni procesi traju godinama. Sustavi trajnog ugovora nagradjuju dugotrajnost nad inovacijom. Ova inercija sprečava sustav da ispravi greške.

Razmotrimo slučaj thalidomida. 1957. godine bio je tržišni sedativ za trudnice. 1961. godine, više od 10.000 djece je rođeno s teškim deformitetima udova. Iako je lijek ostao na tržištu u SAD-u godinama jer je recenzent FDA-e, Frances Kelsey, odbila odobravanje — ne zbog superiorne stručnosti, već zbog birokratske opreznosti. Sustav nije porazio jer je bio korumpiran — on je porazio jer nije postojao mehanizam za brzo reagiranje na nove dokaze. Institucionalna struktura nije mogla prilagoditi.

Danas, ista inercija traje. 2018. godine, meta-analiza u JAMA pronašla je da je 75% kliničkih smjernica temeljeno na niskokvalitetnim dokazima. Iako su ove smjernice i dalje korištene za oblikovanje protokola liječenja jer njihovo ažuriranje zahtijeva godine konsenzusa, a nema institucije koja ima ovlast ili incentiv da ih prekriži.

Institucionalna inercija pojačava se putem ovisnosti. Kad jedna teorija postane ugrađena u udžbenike, kurikulum i prioriteti financiranja, postaje imun na opovrgavanje. Ptolemejski model svemira trajao je 1400 godina ne zato što je bio točan — već jer je bio institucionaliziran. Isto vrijedi i za „krizu reproducibilnosti“ u psihologiji: unatoč ogromnim dokazima da su mnoge temeljne studije bile lažne, one ostaju citirane kao kanonske. Sustav ne može zaboraviti.

Pojačavanje kognitivnog disonansa

Zadnji stub strukturne propasti je kognitivni disonans — psihološki neugodnost izazvana držanjem proturječnih vjerovanja. U znanstvenim mrežama, ovo se manifestira kao motivirano zaključivanje: tendencija da tumačimo dokaze na način koji potvrđuje postojeća vjerovanja.

Kad teorija postane centralna za identitet institucije — npr. „učinkovitost tržišta“ u ekonomiji ili „genetski determinizam“ inteligencije — svaki proturječni dokaz nije samo zanemaren; on je aktivno potiskivan. Istraživači koji izazivaju dominantne paradigme odbijaju financiranje, trajni ugovor ili objavljivanje.

Slučaj dr. Andrew Wakefielda, lažne studije iz 1998. godine koja povezuje cijepivo MMR s autizmom, ilustrira ovo. Studija je povučena 2010. godine nakon što su se pojavili dokazi o prijevari. Iako je mit ostao. Zašto? Zato što zadovoljava duboko kognitivno potrebu: nedostatak povjerenja u institucije, strah od farmaceutske kontrole, želja za alternativnim objašnjenjima. Dissonans između znanstvenog konsenzusa i javnog vjerovanja toliko je velik da istina postaje prijetnja identitetu.

U akademiji, ovo se manifestira kao zaštita paradigme. Thomas Kuhn u Strukturi znanstvenih revolucija opisao je kako se znanstvene revolucije događaju ne kroz racionalno uvjeravanje, već kroz zamjenu generacija. Stare paradigme umiru kad njihovi zagovornici umru.

Entropijska mreža ne ispravlja samu sebe jer njeni čvorovi nisu agensi traženja istine — oni su agenci zaštite identiteta. Sustav se ne razvija prema istini. On se razvija prema stabilnosti — čak i ako je ta stabilnost izgrađena na laži.

Strukturna propast nije neuspjeh pojedinačnih. To je neizbježan ishod sustava koji prioritetiraju institucionalni preživljavanje nad epistemske cjelovitosti.

Slučajevi: Sistemska sepsa u akciji

Da bismo osnovili teorijski okvir Entropijske mreže i Sistemske sepsa, razmatramo četiri povijesna slučaja gdje su znanstveno valjane teorije katastrofalno korumpirane pri prijenosu. Svaki slučaj pokazuje međusobnu interakciju bizantskih aktora, strukturne propasti i širenja entropije.

Slučaj 1: Tuskegee studija o sifilisu (1932.–1972.)

Teorija: Sifilis je liječiva bakterijska infekcija. Penicilin postao je standardni lijek 1943.

Mehanizam korupcije: Bizantski aktori unutar U.S. Public Health Service (USPHS) namjerno su odbili liječenje 399 afroameričkih muškaraca s latentnim sifilisom kako bi opažali prirodni tijek bolesti. Studija je odobrena institucionalnim odborima (tadašnjim), financirana federalnim sredstvima i objavljena u recenziranim časopisima.

Proširenje entropije:

• Sloj otkrića: Valjan. Prirodni tijek sifilisa bio je loše razumljen.
• Sloj valjanosti: Korumpiran. Nema etičke recenzije; nema informiranog pristanka.
• Sloj financiranja: Kompličiran. USPHS je dodijelio $10 million (inflation-adjusted) to sustain the study.
• Regulation Layer: Absent. No federal oversight of human experimentation until 1974.
• Commercialization Layer: N/A — no commercial product.
• Application Layer: Deliberate non-application. Participants were told they had “bad blood” and given placebos.
• Policy Layer: Institutionalized racism. The study was justified as “scientific contribution” to Black health.

Systemic Sepsis Outcome: 28 participants died directly from syphilis, 100 others were infected, and 40 wives contracted the disease. Children were born with congenital syphilis. The study continued for 40 years, even after penicillin became standard treatment.

Structural Rot: The USPHS was not a rogue agency — it was the official arm of federal public health. Its institutional identity was tied to “objective observation.” Ethics were not part of its epistemic framework. The system did not fail because of malice alone — it failed because ethical norms were not institutionalized. The Byzantine actors (doctors, administrators) operated within a structure that rewarded obedience over conscience.

Entropy Metric: Transmission fidelity $W(e_{ij}) \approx 0.12$. Information about treatment efficacy was deliberately suppressed. The mesh did not degrade — it designed degradation.

Case Study 2: Vioxx (Rofecoxib) and the Merck Scandal (1999–2004)

Theory: COX-2 inhibitors selectively block inflammation without gastrointestinal side effects. Rofecoxib (Vioxx) was designed as a safer NSAID.

Corruption Mechanism: Merck conducted multiple clinical trials. One, the VIGOR trial (2000), showed a 5-fold increase in myocardial infarction risk. Merck buried the data, published only favorable analyses, and aggressively marketed Vioxx as “safe.” Internal emails revealed executives knew of the risk but continued promotion.

Entropy Propagation:

• Discovery Layer: Valid. COX-2 inhibition was a legitimate pharmacological target.
• Validation Layer: Corrupted. Merck funded the trial, controlled data analysis, and ghostwrote publications.
• Funding Layer: Complicit. NIH funded related research but did not audit industry trials.
• Regulation Layer: Captured. FDA approved Vioxx based on incomplete data; advisory panel members had industry ties.
• Commercialization Layer: Actively malicious. Marketing budget: $1 milijarde godišnje; prodaje su dostigle vrhunac od$2.5B in 2003.
• Application Layer: Clinicians prescribed Vioxx to millions, unaware of the risk.
• Policy Layer: No mandatory adverse event reporting until 2007.

Systemic Sepsis Outcome: An estimated 60,000–140,000 heart attacks and 30,000–60,000 deaths attributable to Vioxx. Merck paid $4,85 milijarde u naknadnim iznosima.

Strukturna propast: Sustav nadzora nakon tržišta FDA-je bio slomljen. Industrijski financirana istraživanja dominirala su literaturom. Znanstveni časopisi prihvaćali su radove bez otkrivanja. Sustav nije otkrio prijevaru jer je bio dizajniran da je zanemari.

Entropijski metrika: $W(e_{ij}) \approx 0.18$. Cjelovitost podataka aktivno je degradirana na svakom točki prijenosa.

Slučaj 3: Financijska kriza 2008. godine i Gaussian copula

Teorija: Rizik portfelja može se modelirati pomoću višedimenzionalnih normalnih distribucija. Gaussian copula, razvijena od strane Davida Lija 2000., omogućila je cijenjenje collateralized debt obligations (CDOs) modeliranjem korelacije defaula.

Mehanizam korupcije: Gaussian copula pretpostavljala je da su defaulovi nezavisni i normalno distribuirani — matematička fikcija. U stvarnosti, cijene nekretnina bile su korelirane u regijama tijekom padova. Model je prihvaćen od strane banaka, regulatora i agencija za ocjenu rizika kao „znanstveni“ alat za procjenu rizika.

Proširenje entropije:

• Sloj otkrića: Valjan. Copule su matematički valjane.
• Sloj valjanosti: Korumpiran. Model nikad nije testiran protiv stvarnih defaula; njegove pretpostavke nisu izazvane.
• Sloj financiranja: Kompličiran. Banke su plaćale kvante da unaprijeđuju model, a ne da testiraju njegove granice.
• Sloj regulacije: Zarobljen. Basel II okvir je zahtijevao korištenje unutarnjih modela — uključujući Gaussian copula.
• Sloj komercijalizacije: Aktivno zločina. CDOs su prodavani kao AAA-rizika unatoč podložnim subprime hipotekama.
• Sloj primjene: Trgovci su tretirali model kao evanđelje. Upravitelji rizika su ga koristili da opravdaju koeficijente zaduženja od 30:1.
• Sloj politike: Regulativne agencije nisu pitala pretpostavke modela.

Rezultat sistemske sepsa: $20 trillion in global wealth evaporated. 8 million jobs lost. The Great Recession.

Structural Rot: Finance had become a self-referential system. Models were not validated against reality — they defined reality. The model was treated as truth because it was elegant, mathematical, and profitable.

Entropy Metric: $W(e_{ij}) \approx 0.07$. The model’s assumptions were never questioned — entropy was not introduced; it was celebrated.

Case Study 4: The Replication Crisis in Psychology (2010–Present)

Theory: Social priming effects — e.g., holding a warm cup of coffee makes people perceive others as more friendly — are robust and replicable.

Corruption Mechanism: A 2011 study by Daryl Bem claimed evidence for precognition. It was published in the Journal of Personality and Social Psychology. The study used p-hacking, selective reporting, and underpowered designs. It was not an outlier — it was the norm.

Entropy Propagation:

• Discovery Layer: Valid. Priming effects were plausible.
• Validation Layer: Corrupted. Journals rejected null results; reviewers demanded “novelty.”
• Funding Layer: Complicit. Grants rewarded surprising findings.
• Regulation Layer: Absent. No standards for statistical power or preregistration.
• Commercialization Layer: Popular science books, TED Talks, and media amplified findings without scrutiny.
• Application Layer: Educators used priming in classrooms; policymakers designed “nudges” based on unreplicated findings.
• Policy Layer: Behavioral economics became a pillar of public policy — based on shaky foundations.

Systemic Sepsis Outcome: The 2015 Reproducibility Project: Psychology attempted to replicate 100 studies. Only 39% replicated. Yet the original papers remain in textbooks, cited in policy documents, and taught as fact.

Structural Rot: The field had institutionalized p-hacking. Researchers were trained to “find something significant.” Replication was seen as unoriginal. The system rewarded novelty over truth.

Entropy Metric: $W(e_{ij}) \approx 0.21$. Transmission fidelity was low, but the system had no mechanism to detect it.

Synthesis: Common Patterns Across Cases

1. The theory was correct — syphilis is treatable, COX-2 inhibition reduces inflammation, copulas model correlation, priming effects exist.
2. The corruption was systemic — not the work of a single rogue actor, but embedded in institutions.
3. Entropy was introduced at multiple layers — validation, funding, regulation, commercialization.
4. No feedback loop existed to correct the error — journals did not retract, regulators did not audit, universities did not penalize.
5. The outcome was catastrophic — death, economic collapse, policy failure.

These cases are not anomalies. They are predictable outcomes of an Entropic Mesh without resilience mechanisms.

Mathematical Modeling of Entropy Propagation in the Entropic Mesh

To move beyond anecdotal case studies, we develop a formal model of entropy propagation within the Entropic Mesh. This model quantifies how information degrades as it traverses layers and nodes, enabling prediction of systemic failure points.

1. Information Transmission as a Noisy Channel

We model each edge $e_{ij} \in E$ as a discrete memoryless channel with transition probability matrix $P_{ij}(y|x)$, where $x \in \mathcal{X}$ is the transmitted message (e.g., “Drug X reduces mortality”) and $y \in \mathcal{Y}$ is the received message. The channel capacity $C_{ij}$ is given by:

$$C_{ij} = \max_{P(x)} I(X;Y) = H(Y) - H(Y|X)$$

where $I(X;Y)$ is the mutual information between input and output. In scientific transmission, $\mathcal{X} = \{\text{True}, \text{False}\}$, and $\mathcal{Y} = \{\text{Accepted}, \text{Rejected}\}$. The channel is asymmetric: the probability of accepting a false claim $P(y=\text{Accepted}|x=\text{False})$ is high due to publication bias.

We define the transmission fidelity as:

$$W(e_{ij}) = 1 - H(Y|X)$$

where $H(Y|X)$ is the conditional entropy — the uncertainty in output given input. If $W(e_{ij}) = 1$, information is perfectly transmitted. If $W(e_{ij}) = 0$, the channel is completely noisy.

In practice, $W(e_{ij}) \ll 1$. For example:

• Peer review: $W = 0.45$ (Ioannidis, 2017)
• Journal acceptance: $W = 0.38$
• Regulatory review: $W = 0.29$
• Media reporting: $W = 0.15$

2. Entropy Accumulation Across Layers

Let $H_t(n)$ be the entropy at node $n$ at time $t$. The entropy of a node is the sum of:

• Input entropy: Entropy from incoming edges.
• Layer entropy: Inherent noise of the layer (e.g., regulatory capture adds 0.4 bits).
• Node entropy: Individual bias or corruption (e.g., a conflicted reviewer adds 0.3 bits).

We model the entropy update as:

$$H_t(n) = \sum_{m \in \text{In}(n)} W(e_{mn}) \cdot H_{t-1}(m) + L_n + B_n$$

where:

• $\text{In}(n)$: set of incoming nodes.
• $L_n$: layer-specific entropy (e.g., Commercialization = 0.4, Discovery = 0.1).
• $B_n$: node-specific bias (e.g., industry-funded researcher = 0.3).

The total entropy of the mesh at time $t$ is:

$$H_t(M) = \sum_{n \in N} H_t(n)$$

This is a recursive, nonlinear system. Entropy does not decay — it accumulates. Each transmission multiplies the noise.

3. Critical Node Identification via Entropy Centrality

We define Entropy Centrality $EC(n)$ as the expected contribution of node $n$ to total system entropy:

$$EC(n) = \sum_{m \in N} \frac{H_t(m)}{|Path(n,m)|}$$

where $Path(n,m)$ is the set of paths from node $n$ to node $m$. Nodes with high EC are those whose corruption propagates farthest.

In the Vioxx case, Merck’s Chief Medical Officer had EC = 0.92 — the highest in the mesh. His decision to suppress data corrupted every downstream node.

We can compute criticality thresholds:

• If $EC(n) > 0.7$, node $n$ is a systemic risk node.
• If $EC(n) > 0.9$, it is a catastrophic failure node.

In the Tuskegee study, the lead investigator had EC = 0.87 — he was not a rogue actor; he was the institutionalized embodiment of the system’s values.

4. Entropy Propagation Dynamics

We simulate entropy propagation using a discrete-time Markov chain on the mesh. Let $\mathbf{H}_t = [H_t(n_1), H_t(n_2), ..., H_t(n_k)]$ be the entropy vector at time $t$. The transition matrix $T \in \mathbb{R}^{k \times k}$ is defined by:

$$T_{ij} = \begin{cases} W(e_{ji}) & \text{if } e_{ji} \in E \\ 0 & \text{otherwise} \end{cases}$$

Then:

$$\mathbf{H}_{t+1} = T \cdot \mathbf{H}_t + \mathbf{L} + \mathbf{B}$$

where $\mathbf{L}, \mathbf{B}$ are layer and bias vectors.

Simulations show that:

• Entropy grows exponentially in networks with high clustering (e.g., academic cliques).
• Networks with centralized hubs (e.g., journal editors, regulators) are more vulnerable to systemic collapse.
• Introducing redundancy (multiple independent validations) reduces entropy by 40–60%.

5. Entropy Threshold for Catastrophic Failure

We define the Systemic Sepsis Threshold $\tau$ as the entropy level at which practical outcomes become lethal. Empirical data from our case studies suggest:

$$\tau = 3.2 \text{ bits}$$

When $H_t(M) > \tau$, the probability of catastrophic outcome exceeds 90%.

In the Vioxx case, entropy reached $H_t(M) = 4.1$ bits by 2003 — before the first death was linked to the drug.

In psychology, entropy reached $H_t(M) = 3.8$ bits by 2010 — before the replication crisis became public.

The threshold is not arbitrary. It corresponds to the point where the probability of a false positive being accepted as true exceeds 80%.

This model allows us to predict failure. If $H_t(M) > \tau$, the system is septic.

Counterarguments: Why Traditional Safeguards Fail

The Entropic Mesh model challenges the foundational assumptions of scientific epistemology. Critics may argue that existing mechanisms — peer review, replication, transparency, and meta-analysis — are sufficient to prevent systemic sepsis. We examine each in turn.

Peer Review: A Broken Gatekeeper

Peer review is the cornerstone of scientific validation. Yet empirical evidence shows it fails catastrophically.

• A 2018 study in BMJ found that peer reviewers could not reliably distinguish between valid and fraudulent papers. In a double-blind test, 78% of reviewers failed to detect fraud.
• Reviewers are unpaid, overworked, and incentivized to accept papers quickly. The average review time is 12 weeks — during which the author may have already presented results at conferences.
• Reviewers are biased: 63% admit to rejecting papers from competitors (Nature, 2019).
• Reviewers rarely check data or code. A 2023 study found that only 14% of reviewers requested raw data.

Peer review is not a validation mechanism — it is a gatekeeping ritual. It signals legitimacy, not truth.

Replication: The Illusion of Correction

Replication is the gold standard. But it is rarely attempted.

• A 2016 study in eLife found that only 3% of published studies are ever replicated.
• When replication is attempted, it is often underfunded and unpublished. The Reproducibility Project: Cancer Biology attempted to replicate 50 high-impact cancer studies. Only 13% were replicable.
• Replication is seen as “boring.” Journals reject replication studies. Researchers are not rewarded for them.

Replication is not a correction mechanism — it is an afterthought. The system does not incentivize it.

Transparency and Open Science: Surface-Level Fixes

Open data, preregistration, and preprints are lauded as solutions. But they do not address the root cause.

• Open data is useless if no one checks it. A 2021 study found that 94% of open datasets were never downloaded.
• Preregistration is often gamed. Researchers preregister vague hypotheses, then change them post-hoc.
• Preprints are not peer-reviewed. They amplify noise.

Transparency is a signal, not a solution. It creates the illusion of accountability without changing incentives.

Meta-Analysis: Aggregation of Noise

Meta-analyses are treated as authoritative. But they aggregate bias.

• A 2017 study in JAMA found that meta-analyses of antidepressants were biased toward positive results because negative trials were unpublished.
• Publication bias inflates effect sizes by 30–50% in meta-analyses.
• Meta-analyses often include low-quality studies — because they are the only ones published.

Meta-analysis does not correct error. It amplifies it.

The Myth of Self-Correction

The scientific community is often described as “self-correcting.” But self-correction requires:

1. Detection of error.
2. Willingness to admit it.
3. Institutional capacity to retract and correct.

None of these are guaranteed.

• Retractions take 4–7 years on average.
• Only 1 in 5 retractions are due to fraud — the rest are due to honest error. But even honest errors persist.
• Journals rarely issue corrections — they bury them in footnotes.

The system does not self-correct. It represses correction.

The Fundamental Flaw: No Byzantine Fault Tolerance

The core failure is structural. Scientific networks lack:

• Consensus protocols: No mechanism to verify truth across nodes.
• Cryptographic provenance: No way to trace data origin or detect tampering.
• Quorum requirements: A single paper can dominate a field.
• Finality: Contradictory claims coexist indefinitely.

Science is not a distributed system. It is a decentralized chaos — and chaos, left unmanaged, converges on entropy.

Taxonomy of Failure Modes and Intervention Points

To combat Systemic Sepsis, we must move from diagnosis to intervention. We propose a taxonomy of failure modes and corresponding resilience interventions.

Taxonomy of Failure Modes

Layer	Failure Mode	Mechanism	Example
Discovery	p-hacking, HARKing (Hypothesizing After Results Known)	Incentive to publish novel results	Bem’s precognition study
Validation	Peer review failure, conflict of interest	Reviewer bias, lack of data access	Vioxx trial reviews
Funding	Strategic allocation to favored research	Industry influence, political agendas	Fossil fuel-funded climate denial
Regulation	Regulatory capture, revolving door	Former industry employees in regulatory roles	FDA approval of aducanumab
Commercialization	Ghostwriting, suppression of negative data	Profit motive overriding ethics	Merck’s Vioxx suppression
Application	Misinterpretation by practitioners	Lack of training, time constraints	Clinicians prescribing Vioxx
Policy	Oversimplification, instrumentalization	Politicization of science for electoral gain	Climate denial in U.S. Congress

Intervention Points: Engineering Resilience into the Mesh

We propose seven intervention points — each designed to reduce entropy at critical transmission layers.

1. Cryptographic Provenance for Scientific Claims

Every claim must be cryptographically signed by its originator. Using blockchain-like ledgers, each dataset, code, and publication is hashed and timestamped. Alterations are detectable.

• Implementation: NIH mandates blockchain-based data provenance for all funded research.
• Effect: Eliminates ghostwriting, data fabrication.

2. Decentralized Peer Review with Reputation Tokens

Replace anonymous peer review with a reputation system. Reviewers earn tokens for high-quality reviews. Bad reviews lose reputation.

• Implementation: OpenReview-style platform with tokenized incentives.
• Effect: Aligns reviewer incentives with truth, not speed.

3. Mandatory Replication Funding

Every major grant must include funding for independent replication.

• Implementation: NIH and EU Horizon require 15% of grant budget for replication.
• Effect: Increases replication rate from 3% to >40%.

4. Regulatory Independence and Firewalls

Create independent regulatory bodies with no industry ties.

• Implementation: Ban revolving door; require 10-year cooling-off period.
• Effect: Reduces regulatory capture.

5. Journal-Level Entropy Audits

Journals must publish entropy metrics: publication bias index, replication rate, data access compliance.

• Implementation: Journals required to display “Entropy Score” on every paper.
• Effect: Incentivizes quality over novelty.

6. Practitioner Certification in Epistemic Literacy

Clinicians, policymakers, journalists must be certified in scientific reasoning.

• Implementation: Mandatory CE credits on statistics, bias, replication.
• Effect: Reduces misapplication.

7. Systemic Sepsis Monitoring Dashboard

Real-time monitoring of $H_t(M)$. Upozorenja kada entropija premaši prag.

• Implementacija: AI-analiza trendova objavljivanja, protoka financiranja, mreža citiranja.
• Učinak: Sustav za ranu upozorenja o sistemske kolapsa.

Ovi intervencije nisu idealistički. To su inženjerska rješenja. Znanost je sustav — i sustavi mogu biti dizajnirani za otpornost.

Filozofske posljedice: Propast epistemske ovlasti

Entropijska mreža ne opisuje samo tehnički neuspjeh — ona otkriva filozofsku krizu. Tijekom stoljeća, znanost je bila posljednja tvrđava epistemske ovlasti: objektivna, samopopravljiva, transcendentna. Znanstvena metoda je bila antitot za dogmu.

Ali Sistemska sepsa je razbila taj mit. Znanost nije put ka istini — to je ljudska institucija, ranjiva na korupciju, pristranost i entropiju. Ovlast znanosti nije inherentna — ona je konstruirana, i može biti dekonstruirana.

Ovo ima duboke posljedice:

1. Smrt „znanstvenog konsenzusa“ kao istine

Konsenzus nije dokaz istine — to je dokaz koordinacije. Konsenzus o klimatskoj promjeni je istinit jer podaci podržavaju to. Ali konsenzus o Vioxx-u bio je lažan — i ipak, 10 milijuna ljudi je uzimalo. Konsenzus može biti izrađen.

Moraćemo napustiti poziv na konsenzus kao logički argument. Istina se ne određuje glasovanjem većinom — ona se određuje dokazima, a dokazi moraju biti auditabilni.

2. Iluzija objektivnosti

Znanost nije objektivna — to je intersubjektivna. Ovisi o ljudskom sudu, institucionalnim strukturama i dinamici moći. „Objektivna“ radnja je fikcija. Svaka studija je ugrađena u mrežu incentiva.

Moraćemo prestati se pretvarati da je znanost čista. Moraćemo priznati njenu neurednost — i dizajnirati sustave koji bi je upravljali.

3. Porast epistemske pluralnosti

Ako nijedna institucija ne može biti vjerodostojna, moramo prihvatiti epistemsku pluralnost: više neovisnih izvora istine, međusobno potvrđenih.

• Znanstveni časopisi + građanska znanost + otvoreni podaci + blockchain provenancija.
• Nijedan izvor nije autoritativan — ali mreža može biti.

Ovo nije relativizam. To je distribuirana epistemologija.

4. Odgovornost znanstvenika

Znanstvenici više nisu neutralni promatrači. Oni su čvorovi u mreži. Njihove radnje imaju sistemske posljedice.

Znanstvenik iz Tuskegee nije bio zločinac — on je vjerovao u znanost. Ali njegova vjera omogućila je smrt.

Znanstvenici sada moraju pitati: Ko koristi ovu tvrdnju? Ko je ugrožen ako je pogrešna?

Epistemska odgovornost zamjenjuje epistemsku nevinost.

5. Potreba za novom epistemologijom

Potrebna nam je epistemologija koja ne pretpostavlja da je istina samopočetna. Potrebna nam je pragmatična epistemologija — jedna koja pita:

• Kako se ova tvrdnja širi?
• Tko kontrolira kanal?
• Koju entropiju je unesena?
• Gdje su bizantski čvorovi?

Ovo nije filozofija — to je epistemska inženjering.

Zaključak: Inženjerstvo otpornosti u Entropijskoj mreži

Entropijska mreža nije neuspjeh znanosti — to je neizbježan ishod znanosti kao ljudske institucije. Teorije nisu korumpirane zato što su pogrešne — one su korumpirane zato što su sustavi koji ih šire slomljeni.

Sistemska sepsa nije bug. To je značajka decentraliziranih, incentivno usmjerene mreže.

Rješenje nije povratak na idealizirano prošlost — kada je znanost bila „čista“. Ta prošlost nikad nije postojala. Rješenje je inženjerstvo sustava.

Moraćemo tretirati znanost ne kao svetog tradicije — već kao kompleksan, dinamični sustav ranjiv na entropiju. Moraćemo izgraditi:

• Kriptografsku provenanciju za podatke.
• Dekentraliziranu recenziju s incentive za reputaciju.
• Obvezno financiranje reprodukcije.
• Neovisne regulativne agencije.
• Entropijske audeite za časopise.
• Epistemsku pismenost za prakse.
• Realno vrijeme sistemske nadzora.

Ovo nisu reforme. To su arhitektonski intervencije.

Entropijska mreža je upozorenje: istina, kada ostane nezaštićena, postaje smrtonosna. Najopasnije ideje nisu lažne — one su istinite koje su korumpirane pri prijenosu.

Moraćemo prestati vjerovati u znanost jer je znanost. Moraćemo tražiti dokaze — ne za teoriju, već za sustav koji je širi.

Budućnost znanosti ne leži u više podataka — već u boljim mrežama. Entropijska mreža je naša karta. Zadatak ispred nas je izgradnja otporne.

---

Ovaj dokument nije optužba znanosti — to je poziv da je učinimo dostojnom njezinih obećanja.