<div dir="ltr"><div><div><div><a href="http://calteches.library.caltech.edu/51/02/CargoCult.pdf">Feynman's piece</a> is great, and I often recommend it to students, as well as quoting my favorite line ("The first principle is that you must not fool yourself -- and you are the easiest person to fool.")<br>


<br></div>But I think Noah is right: the particular problem Kevin mentions is not usually an issue in our community.  Our equivalent to comparing two implementations "in the same laboratory" is to compare their accuracy on the same dataset, using the same metric.  It's a reasonable presumption in computational experiments that other differences between labs won't affect the accuracy.  We count on portability of the implementation, and assume that if your implemented method is beating mine, it's not because my lab has inferior machines (lossy memory, smaller word size, Pentium floating-point division bug, improper cooling, buggy compiler ...).  Rather, we figure that my code would have done precisely as badly if run in your lab.  <br>

<br>Yes, there are situations where this argument doesn't apply:<br><br></div><div>* You're comparing speed rather than accuracy.  Speed isn't portable, so speed comparisons should indeed be done on the same machine under the same workload.<br>

</div><div>* You're comparing the accuracy not of two implementations, but of (e.g.) two feature sets.  Then it's important to ensure that the two implementations are matched in all respects other than the feature sets.<br>

</div><div><br></div><div>But people generally seem to recognize these issues and get the comparisons right.<br></div><div>
<br></div>I think a more pressing problem is that we tend to overinterpret our results.  Someone reports that implementation AA of method A does significantly better than implementation BB of method B, when both are trained on dataset D.  The comparison was performed on n samples from test distribution P, using metric M.  But this hardly shows that A will do better than B in other settings.  The advantage might not carry over to other pairs of implementations, other training sets, other test distributions, or other evaluation metrics.  The statistical significance shows only that n was big enough 
(to reject the null hypothesis) when everything else was held fixed.  <br>
<br>This latter concern is more closely related to the traditional demand that studies be <a href="http://www.plosmedicine.org/article/info%3Adoi%2F10.1371%2Fjournal.pmed.0040028" target="_blank">replicated</a>.  Replication involves some degree of generalization, to determine whether the claimed causes are still able to produce the effect in a new setting.  This is different from merely expecting results to be reproducible (which they are if the code and data are saved)<br>


<br></div>regards, jason<br><div><div><div><div><div class="gmail_extra"><br><div class="gmail_quote">On Tue, Apr 8, 2014 at 9:59 PM, Noah A Smith <span dir="ltr"><<a href="mailto:nasmith@cs.cmu.edu" target="_blank">nasmith@cs.cmu.edu</a>></span> wrote:<br>


<blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left:1px solid rgb(204,204,204);padding-left:1ex"><div dir="ltr">What are the "unknown ways" that one NLP researcher's conditions might differ from another NLP researcher's?  If you're empirically measuring runtime, you might have a point.  But if you're using a standardized dataset and automatic evaluation, it seems reasonable to report others' results for comparison.  Since NLP is much more about methodology than scientific hypothesis testing, it's not clear what the "experimental control" should be.  Is it really better to run your own implementation of the competing method?  (Some reviewers would likely complain that you might not have replicated the method properly!)  What about running the other researcher's code yourself?  I don't think that's fundamentally different from reporting others' results, unless you don't trust what they report.  Must I reannotate a Penn Treebank-style corpus every time I want to build a new parser?</div>




<div class="gmail_extra"><br clear="all"><div>--<br>Noah Smith<br>Associate Professor<br>School of Computer Science<br>Carnegie Mellon University</div>
<br><br><div class="gmail_quote"><div><div>On Tue, Apr 8, 2014 at 6:57 PM, Kevin B. Cohen <span dir="ltr"><<a href="mailto:kevin.cohen@gmail.com" target="_blank">kevin.cohen@gmail.com</a>></span> wrote:<br>
</div></div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left:1px solid rgb(204,204,204);padding-left:1ex"><div><div>

<div dir="ltr"><div><div>I was recently reading the 
Wikipedia page on "cargo cult science," a concept attributed to no 
lesser a light than Richard Feynman.  I found this on the page:<br><br>"An example of cargo cult science is an experiment that uses another researcher's results in lieu of an <a href="http://en.wikipedia.org/wiki/Experimental_control" title="Experimental control" target="_blank">experimental control</a>.
 Since the other researcher's conditions might differ from those of the 
present experiment in unknown ways, differences in the outcome might 
have no relation to the <a href="http://en.wikipedia.org/wiki/Independent_variable" title="Independent variable" target="_blank">independent variable</a> under consideration. Other examples, given by Feynman, are from <a href="http://en.wikipedia.org/wiki/Educational_research" title="Educational research" target="_blank">educational research</a>, <a href="http://en.wikipedia.org/wiki/Psychology" title="Psychology" target="_blank">psychology</a> (particularly <a href="http://en.wikipedia.org/wiki/Parapsychology" title="Parapsychology" target="_blank">parapsychology</a>), and <a href="http://en.wikipedia.org/wiki/Physics" title="Physics" target="_blank">physics</a>. He also mentions other kinds of dishonesty, for example, falsely promoting one's research to secure funding."<br>






<br></div>If we all had a dime for every NLP paper we've read that used "another researcher's results in lieu of an 
experimental control," we wouldn't have to work for a living.  <br><br>What do you think?  Are we all cargo cultists in this respect?<br><br><a href="http://en.wikipedia.org/wiki/Cargo_cult_science" target="_blank">http://en.wikipedia.org/wiki/Cargo_cult_science</a><br>






<br></div>Kev<span><font color="#888888"><br><br clear="all"><br>-- <br><div dir="ltr">Kevin Bretonnel Cohen, PhD<br>Biomedical Text Mining Group Lead, Computational Bioscience Program, <br>U. Colorado School of Medicine<br>




<a href="tel:303-916-2417" value="+13039162417" target="_blank">303-916-2417</a><br><a href="http://compbio.ucdenver.edu/Hunter_lab/Cohen" target="_blank">http://compbio.ucdenver.edu/Hunter_lab/Cohen</a><br>

<br><br><br></div>
</font></span></div>
<br></div></div>_______________________________________________<br>
UNSUBSCRIBE from this page: <a href="http://mailman.uib.no/options/corpora" target="_blank">http://mailman.uib.no/options/corpora</a><br>
Corpora mailing list<br>
<a href="mailto:Corpora@uib.no" target="_blank">Corpora@uib.no</a><br>
<a href="http://mailman.uib.no/listinfo/corpora" target="_blank">http://mailman.uib.no/listinfo/corpora</a><br>
<br></blockquote></div><br></div>
<br>_______________________________________________<br>
UNSUBSCRIBE from this page: <a href="http://mailman.uib.no/options/corpora" target="_blank">http://mailman.uib.no/options/corpora</a><br>
Corpora mailing list<br>
<a href="mailto:Corpora@uib.no" target="_blank">Corpora@uib.no</a><br>
<a href="http://mailman.uib.no/listinfo/corpora" target="_blank">http://mailman.uib.no/listinfo/corpora</a><br>
<br></blockquote></div><br></div></div></div></div></div></div>