7.3 مخاطر تضخم المقاييس وتخفيف الجودة

نظرة عامة والدوافع

يُسمِّي هذا الموضوع، مباشرة ومحددًا، نمطي الفشل اللذين حذّر الموضوع 7.1 من أن إطار عمل هذا الكتاب بأكمله يجب أن يحمي منهما مع أن يصبح التطوير المدعوم بالذكاء الاصطناعي ممارسة قياسية: تضخم المقاييس، أرقام تتصاعد بلا قيمة حقيقية مقابلة، وتخفيف الجودة، تآكل تدريجي في جودة الكود يتجاوز قدرة الصناعة الحالية على اكتشافه عبر ممارسات مراجعة واختبار حالية. هذه ليست فئات خطر جديدة لم يُسمِّها هذا الكتاب بالفعل، تضخم المقاييس هو قانون غودهارت من الموضوع 1.2 وتلاعب الاستبدال من الموضوع 1.2 مُطبَّقين على نطاق واسع، وتخفيف الجودة هو فجوة فعالية التغطية من الموضوع 4.2 واهتمام العيوب المتسربة من الموضوع 5.1، كلاهما مُكثَّف. الجديد هو السرعة والحجم اللذان يستطيع بهما الذكاء الاصطناعي التوليدي إنتاج نمطي الفشل كليهما في آن واحد، أسرع مما صُمِّمت ضمانات معظم المنظمات الحالية لاكتشافه.

الآلية المحددة التي يهتم بها هذا الموضوع دقيقة: غالبًا ما يبدو الكود المُولَّد بالذكاء الاصطناعي صحيحًا. يتبع اصطلاحات مألوفة، ويستخدم أسماء متغيرات معقولة، ويجتاز قراءة سطحية بموثوقية أكبر بكثير مما يفعله عادة كود مكتوب بشريًا وغير حذر حقًا، تحديدًا لأنه دُرِّب على مجموعة هائلة من الكود بدا صحيحًا. هذا يجعل العيوب المُولَّدة بالذكاء الاصطناعي أصعب اكتشافًا لمراجع بشري عبر نوع مطابقة النمط، هل يبدو هذا صحيحًا، مراجعة تكتشف كثيرًا من أخطاء أُدخِلت بشريًا، لأن النسخة المُولَّدة بالذكاء الاصطناعي مُحسَّنة تحديدًا، بمعنى إحصائي، لتبدو صحيحة سواء كانت كذلك فعليًا أم لا.

بالنسبة للفرق الكبيرة، تتراكم مخاطر هذا الموضوع مع الحجم بطريقة ينبغي أن تُقلِق المؤسسات الكبرى والمنظمات الحكومية تحديدًا: يمكن لتضخم مقاييس عبر عشرات الفرق في آن واحد أن يُنتج إشارة خاطئة على مستوى المنظمة لإنتاجية مُحسَّنة تستغرق وقتًا وتحليلًا كبيرين للتراجع عنها، بالضبط كما أظهر مثال التقنية المالية من الموضوع 7.1. تخفيف جودة يتجاوز قدرة الاكتشاف أكثر خطورة حتى في سياقات مُنظَّمة، أو حرجة للسلامة، أو ثقة عامة، حيث تكلفة عيب غير مُكتشَف يصل للإنتاج تحمل عواقب تتجاوز بكثير الاهتمام الهندسي المباشر.

المبادئ الأساسية

تضخم المقاييس وتخفيف الجودة نسخ مُكثَّفة من مخاطر سمّاها هذا الكتاب بالفعل، لا فئات جديدة كليًا؛ لا تزال الضمانات الحالية تنطبق، لكنها تحتاج للعمل بجهد أكبر.
جودة “يبدو صحيحًا” للكود المُولَّد بالذكاء الاصطناعي تجعله أصعب تحديدًا لمراجعة مطابقة نمط بشرية لاكتشاف عيوب خفية. هذا خطر مميز عن الخطأ البشري العادي.
يمكن أن تتجاوز سرعة هذا التحول قدرة منظمة على تكييف ضماناتها، خالقة نافذة تعرض حقيقية ومحدودة الوقت.
تبقى مقاييس الجودة الحالية (الجزء 4) قيّمة لكنها قد تحتاج إعادة معايرة، لا استبدال، في ضوء ملف تعريف المخاطرة الجديد هذا.
تحتاج قدرة الاكتشاف نفسها استثمارًا متعمدًا، إذ صُمِّمت ممارسات المراجعة والاختبار التي يغطيها هذا الكتاب قبل وجود هذه المخاطرة المحددة بهذا الحجم.

التوصيات

أعد معايرة معدل فشل التغيير وعتبات العيوب المتسربة للعمل الكثيف الذكاء الاصطناعي

حيثما تبنى فريق أو مجال كود مساعدة ذكاء اصطناعي بكثافة، طبّق تتبع الموضوع 2.4 والموضوع 5.1 المُرجَّح بالخطورة بحساسية مُعزَّزة، على الأقل حتى تبني منظمتك دليلًا كافيًا (الموضوع 7.2) لمعرفة ما إذا كانت العلاقة التاريخية بين هذه المقاييس والمخاطرة الحقيقية لا تزال قائمة بلا تغيير للعمل المدعوم بالذكاء الاصطناعي تحديدًا. عامل إعادة المعايرة هذه كوضع مؤقت لجمع دليل، لا افتراضًا دائمًا وغير مفحوص في أي اتجاه.

استثمر تحديدًا في قدرة اكتشاف تقاوم مشكلة “يبدو صحيحًا”

مراجعة الكود التقليدية، التي تعتمد بشدة على تمييز نمط مراجع لما يبدو صحيحًا، ضعيفة تحديدًا ضد كود مُولَّد بالذكاء الاصطناعي يبدو معقولًا لكنه خاطئ بشكل خفي. استثمر بشكل مقابل أكثر في طرق اكتشاف لا تعتمد على مطابقة نمط بصرية: اختبار الطفرات (الموضوع 4.2)، الذي يختبر السلوك الفعلي بدلًا من المظهر، والاختبار القائم على الخصائص أو الثوابت، الذي يتحقق من الصحة المنطقية بدلًا من المعقولية السطحية، كلاهما يصبح أكثر قيمة بشكل غير متناسب تحديدًا بسبب هذا التحول.

راقب تضخم المقاييس عبر خط أنابيب التسليم بأكمله، لا نقطة توليد الكود فقط

تضخم المقاييس من التطوير المدعوم بالذكاء الاصطناعي ليس محصورًا بمرحلة الترميز؛ يمكن أن ينتشر عبر سلسلة زمن الدورة بأكملها (الموضوع 2.6): يمكن لحجم أكبر من طلبات سحب مُولَّدة بالذكاء الاصطناعي أن يُضخِّم مقاييس معدل تدفق طلبات السحب (الموضوع 2.9) حتى بينما تبقى الإشارة المفيدة التي صُمِّم ذلك المقياس أصلًا لالتقاطها، معدل تدفق فريق حقيقي، ثابتة أو حتى تتراجع بمجرد احتساب عبء المراجعة وتكلفة التصحيح بشكل صحيح. دقّق مجموعة مقاييسك الكاملة لهذا النمط الانتشاري، لا أوضح مقاييس مجاورة للذكاء الاصطناعي المباشرة فقط.

ابنِ خطة إعادة معايرة صريحة ومحدودة الوقت بدلًا من وضع شك دائم

التدقيق المُعزَّز الذي يوصي به هذا الموضوع مناسب خلال فترة نشطة من التبني وعدم اليقين، لكن ينبغي ألا يصبح ضريبة دائمة وغير مفحوصة على العمل المدعوم بالذكاء الاصطناعي إلى أجل غير مسمى. مع بناء منظمتك دليلًا حقيقيًا عبر انضباط قياس الموضوع 7.2، نقّح العتبات والضمانات بناءً على ما يُظهره ذلك الدليل فعليًا، مُشدِّدًا أكثر حيث تُؤكَّد المخاطرة، ومُرخِيًا حيث لا تُؤكَّد، بدلًا من إما تجاهل المخاطرة كليًا أو معاملة كل قطعة من كود مدعوم بالذكاء الاصطناعي بشك دائم وغير مميَّز بغض النظر عن الدليل المتراكم.

أبلِغ هذه المخاطرة بشفافية بدلًا من معاملتها كسبب لمقاومة تبني الذكاء الاصطناعي

أطّر توجيه هذا الموضوع كإدارة مخاطرة لقدرة جديدة وقيّمة حقًا، لا كحجة ضد التطوير المدعوم بالذكاء الاصطناعي عمومًا. منظمة تُبلِّغ هذه المخاطر المحددة والمُسمّاة بوضوح وتبني ضمانات متناسبة ضدها، بالضبط كما يوصي هذا الكتاب لكل مقياس وتقنية أخرى يغطيها، تتبنى مساعدة الذكاء الاصطناعي بأمان أكبر واستدامة أكبر من واحدة إما تتجاهل المخاطرة أو تعاملها كسبب لمقاومة شاملة لمجموعة أدوات مفيدة حقًا.

المفاضلات: الإيجابيات والسلبيات

النهج	الإيجابيات	السلبيات
بلا إعادة معايرة، معاملة العمل المدعوم بالذكاء الاصطناعي مطابقًا لكود مكتوب بشريًا	بسيط، بلا تغيير عملية	يفوّت ملف تعريف مخاطرة مرتفع محدد ومُشار إليه بالدليل
تدقيق مُعزَّز وشامل ودائم لكل كود مدعوم بالذكاء الاصطناعي	يُعظِّم تقليل المخاطرة قصير المدى	ضريبة غير مستدامة على قدرة قيّمة حقًا؛ يتجاهل الدليل المتراكم
إعادة معايرة محدودة الوقت ومدفوعة بالدليل	يوازن إدارة المخاطرة بتبني مستدام	يتطلب انضباط قياس مستمر (الموضوع 7.2) لمعرفة متى تُرخى الرقابة
استثمار في طرق اكتشاف مقاومة لعيوب “يبدو صحيحًا”	يُعالِج المخاطرة الجديدة المحددة مباشرة وبشكل دائم	يتطلب استثمارًا مقدمًا في بنية تحتية لاختبار طفرات وقائم على خصائص

التوتر المركزي هو الحذر مقابل سرعة التبني. الحذر المفرط والدائم يُبدِّد كثيرًا من قيمة التطوير المدعوم بالذكاء الاصطناعي الحقيقية؛ الحذر غير الكافي يخاطر بتضخم المقاييس وتخفيف الجودة اللذين يُسمِّيهما هذا الموضوع، محتملًا على نطاق كبير قبل الاكتشاف. حُلّ التوتر عبر النهج المحدود الوقت والمدفوع بالدليل الذي يوصي به هذا الموضوع: تدقيق مُعزَّز الآن، مُعايَر لأسفل أو لأعلى مع تراكم دليل حقيقي من انضباط قياس الموضوع 7.2، بدلًا من إما سياقة شاملة دائمة أو افتراض غير مفحوص بأن لا شيء تغيّر.

أسئلة للنقاش مع فريقك

هل أعدنا معايرة عتبات معدل فشل التغيير أو العيوب المتسربة لدينا للعمل الكثيف الذكاء الاصطناعي، أم نُطبِّق عتبات عصر ما قبل الذكاء الاصطناعي بلا تغيير؟ إذا بلا تغيير، ناقش ما إذا كان ذلك يعكس قرارًا متعمدًا وقائمًا على الدليل أو مجرد غياب اهتمام بالسؤال.
هل لدينا طرق اكتشاف، مثل اختبار الطفرات، لا تعتمد على مطابقة نمط بصرية لمراجع، أم عملية مراجعتنا تعتمد كليًا على عيون بشرية تُقيِّم ما إذا كان الكود “يبدو صحيحًا”؟ هذا هو الضعف المحدد الذي يحدّده هذا الموضوع؛ قيّم قدرة اكتشافك الحالية مقابله بصدق.
هل انتشر تضخم المقاييس متجاوزًا مرحلة الترميز إلى مقاييس طلب السحب أو النشر لدينا، وهل سنلاحظ ذلك حاليًا إن حدث؟ استعرض سلسلة زمن دورتك الكاملة باحثًا عن هذا النمط الانتشاري، لا أوضح نقطة أصل فقط.
هل تدقيقنا المُعزَّز الحالي للكود المدعوم بالذكاء الاصطناعي، إن وُجِد، قائم على دليل متراكم، أم افتراضي وغير مفحوص وغير محدود لم يُعَد النظر فيه أبدًا؟ ناقش أي دليل يحتاج التراكم قبل أن تفكر في إرخاء أو تشديد ضماناتك الحالية أكثر.
كيف نُبلِّغ مخاطر هذا الموضوع داخليًا: كسبب للحذر والضمانات المتناسبة، أم كحجة ضمنية ضد تبني الذكاء الاصطناعي عمومًا؟ كن صادقًا حول كيف تُستقبَل هذه المحادثة فعليًا مع فريقك، إذ رسالة تُستقبَل كمقاومة شاملة نادرًا ما تُنتج الاستجابة المتناسبة والقائمة على الدليل التي يوصي بها هذا الموضوع.
كيف سيبدو أن تكتشف منظمتنا، فقط بعد حجم كبير، أن تضخم مقاييس وتخفيف جودة كليهما كانا يحدثان في آن واحد وبدون اكتشاف؟ هذا السيناريو الملموس وغير المريح نوعًا ما يستحق التسمية صراحة كالفشل المحدد الذي بُنِيت ضمانات هذا الموضوع لمنعه.

منظور القطاع

الشركات الناشئة. تبني سريع بقدرة مراجعة محدودة يجعل مخاطر هذا الموضوع حادة بشكل خاص لفريق صغير؛ مشكلة اكتشاف “يبدو صحيحًا” أصعب اكتشافًا بمراجعين أقل وأقل تخصصًا. استثمر مبكرًا على الأقل في اختبار طفرات خفيف على أهم مساراتك الحرجة، حتى لو لم تكن تغطية شاملة قابلة للتحقيق بعد.

الشركات الصغيرة. عمليات إعادة المعايرة الرسمية على الأرجح غير ضرورية بهذا الحجم، لكن وعي بسيط وصريح بأن الكود المُولَّد بالذكاء الاصطناعي يستحق قراءة أكثر شكوكية قليلًا من المعتاد، تحديدًا لأنه يميل لأن يبدو صحيحًا بثقة أكبر مما قد يكون فعليًا، لا يُكلِّف شيئًا ويُعالِج اهتمام هذا الموضوع الأساسي مباشرة.

المؤسسات الكبرى. يتراكم كل من تضخم المقاييس وتخفيف الجودة بشكل كبير بهذا الحجم، إذ إشارة خاطئة أو مشكلة جودة غير مُكتشَفة عبر عشرات الفرق في آن واحد أكثر عاقبة بكثير وأصعب بكثير للتراجع عنها من نفس القضية على فريق واحد. استثمر عمدًا في ترقيات قدرة اكتشاف على مستوى المنظمة (بنية تحتية لاختبار طفرات، تبني اختبار قائم على خصائص) وفي انضباط إعادة المعايرة المحدود الوقت الذي يوصي به هذا الموضوع، مُتَبَّعًا مركزيًا.

الحكومة. عواقب تخفيف جودة غير مُكتشَف خطيرة بشكل خاص في سياقات مُنظَّمة، أو حرجة للسلامة، أو ثقة عامة شائعة في أنظمة حكومية. طبّق تدقيقًا مُعزَّزًا ومدفوعًا بالدليل تحديدًا على تغييرات مدعومة بالذكاء الاصطناعي في مسارات كود عالية العاقبة (منطق ترجيح التعرض وقابلية الاستغلال من الموضوع 6.4 ينطبق بشكل مشابه هنا)، وكن مستعدًا لإثبات، لمدقق أو هيئة رقابة، بالضبط أي قدرة اكتشاف موجودة ضد هذه المخاطرة المحددة.

أمثلة

المؤسسات الكبرى. تبنى فريق هندسة معالجة مطالبات لشركة تأمين مساعدة ترميز ذكاء اصطناعي على نطاق واسع، ولاحظ، بعد ستة أشهر، ارتفاعًا تدريجيًا لكن قابلًا للقياس في العيوب المتسربة تحديدًا في منطق شرطي معقد، نوع الكود حيث معالجة حالة حدّية خاطئة بشكل خفي هي الأسهل توليدًا بمعقولية لأدوات الذكاء الاصطناعي والأصعب اكتشافًا لمراجع بالفحص وحده. أكّد تحقيق نمط “يبدو صحيحًا” الذي يصفه هذا الموضوع: استخدم الكود المعيب باستمرار أنماطًا اصطلاحية ومألوفة اجتازت المراجعة بدون إطلاق نوع التدقيق الذي كانت قطعة كود مكتوبة بشريًا وغير عادية أو محرجة بوضوح لتتلقاه. استهدفت استجابة الفريق اختبار طفرات تحديدًا للمنطق الشرطي المعقد على مستوى الشركة، طريقة اكتشاف مقاومة لمشكلة المعقولية السطحية، وقاست انخفاضًا كبيرًا في فئة العيب المحددة هذه خلال ربعين.

الحكومة. بنت هيئة ضرائب تُجرِّب تطويرًا مدعومًا بالذكاء الاصطناعي لمجموعة فرعية من عمل صيانة محرك حساباتها انضباط إعادة المعايرة المحدود الوقت الذي يوصي به هذا الموضوع منذ البداية، مُحدِّدة فترة جمع دليل صريحة لستة أشهر بمتطلبات مراجعة مُعزَّزة لتغييرات مدعومة بالذكاء الاصطناعي لمنطق الحساب تحديدًا. أظهر الدليل المُجمَّع بلا فرق ذي معنى إحصائي في معدل العيوب لتغييرات ضيقة النطاق ومُحدَّدة جيدًا، لكنه أكّد مخاطرة مرتفعة لتغييرات مدعومة بالذكاء الاصطناعي أوسع وأكثر أهمية معماريًا. أرخت سياسة الوكالة الناتجة التدقيق المُعزَّز لفئة التغيير الضيق بينما حافظت عليه وحتى قوّته للتغييرات ذات الأهمية المعمارية، نتيجة متناسبة وقائمة على الدليل لم يكن ليُنتجها أي من طرفي “بلا إعادة معايرة” أو “تدقيق شامل ودائم” المتطرفين.

الحالة التجارية: الدوافع والعائد على الاستثمار وإجمالي تكلفة الملكية

العائد على الحماية من تضخم المقاييس وتخفيف الجودة عمدًا هو تجنب بالضبط السيناريو الذي يُظهره مثال شركة التأمين أعلاه: مشكلة جودة غير مُكتشَفة ومتراكمة تدريجيًا تُكلِّف اكتشافها ومعالجتها بعد الحقيقة أكثر بكثير مما كان سيُكلِّفه استثمار الاكتشاف، بنية تحتية لاختبار طفرات مُستهدَفة تحديدًا لأخطر الكود، استباقيًا.

تشمل إجمالي تكلفة الملكية استثمار قدرة الاكتشاف الذي يوصي به هذا الموضوع والانضباط المستمر لإعادة معايرة قائمة على الدليل بدلًا من أي من الطرفين، شك دائم أو عدم انتباه دائم. تلك التكلفة متواضعة ومحدودة الوقت نسبة لخطر مشكلة جودة كبيرة ومُتوسِّعة تمر بلا اكتشاف تحديدًا لأنها هُندِست، بطبيعة كيفية توليد هذه الأدوات للكود، لتبدو صحيحة لعمليات المراجعة التي كانت لدى منظمة بالفعل.

الأنماط المضادة والمزالق

تطبيق عتبات وطرق اكتشاف عصر ما قبل الذكاء الاصطناعي بلا تغيير: يفوّت ملف تعريف مخاطرة مرتفع محدد ومُشار إليه بالدليل.
الاعتماد كليًا على مراجعة مطابقة نمط بشرية للكود المُولَّد بالذكاء الاصطناعي: ضعيف تحديدًا ضد مشكلة “يبدو صحيحًا” التي يحدّدها هذا الموضوع.
تفويت انتشار تضخم المقاييس متجاوزًا نقطة توليد الكود: يمكن لإشارة خاطئة أن تنتشر عبر خط أنابيب التسليم بأكمله بلا اكتشاف.
تدقيق شامل ودائم وغير مفحوص بلا إعادة معايرة قائمة على الدليل: يُبدِّد كثيرًا من قيمة التطوير المدعوم بالذكاء الاصطناعي الحقيقية بشكل غير مستدام.
إبلاغ مخاطر هذا الموضوع كمقاومة شاملة لتبني الذكاء الاصطناعي بدلًا من إدارة مخاطرة متناسبة: يُقوِّض السلامة والتبني كليهما.
بلا استثمار قدرة اكتشاف مُستهدَف تحديدًا لملف تعريف المخاطرة الجديد هذا: يترك المنظمة معتمدة على طرق مراجعة أظهر هذا الموضوع أنها ضعيفة تحديدًا ضده.

نموذج النضج

المستوى 1، البدء: لا وعي بمخاطرة تضخم المقاييس أو تخفيف الجودة المحددة للتطوير المدعوم بالذكاء الاصطناعي؛ تُطبَّق الضمانات وطرق الاكتشاف الحالية بلا تغيير.
المستوى 2، التطوير: يوجد بعض الوعي، لكن إعادة المعايرة مخصصة ولم يُجرَ استثمار قدرة اكتشاف محدد لهذه المخاطرة.
المستوى 3، التوحيد القياسي: تُطبَّق عتبات مُعاد معايرتها وطرق اكتشاف مقاومة لمشكلة “يبدو صحيحًا” (اختبار الطفرات والقائم على الخصائص) باتساق على العمل المدعوم بالذكاء الاصطناعي.
المستوى 4، الإدارة: يُعدِّل انضباط إعادة معايرة محدود الوقت ومدفوع بالدليل الرقابة بنشاط بناءً على البيانات المتراكمة، ويُراقَب انتشار تضخم المقاييس بنشاط عبر خط الأنابيب الكامل.
المستوى 5، التنسيق الشامل: لدى المنظمة وضع إدارة مخاطرة ناضج ومتناسب ومتطور باستمرار تجاه التطوير المدعوم بالذكاء الاصطناعي، مُبلَّغًا بشفافية، لا يُبدِّد قيمته عبر حذر مفرط ولا يُعرِّض المنظمة لتخفيف جودة غير مُكتشَف.

أفكار للنقاش

هل رأينا أي دليل مبكر على نمط عيب “يبدو صحيحًا” في كودنا المدعوم بالذكاء الاصطناعي الخاص؟
أي طريقة اكتشاف ستُعالِج بأكثر شكل مباشر مخاطرة هذا الموضوع المحددة لنا؟
هل انتشر تضخم مقاييس من مساعدة الذكاء الاصطناعي إلى أي من مقاييس خط أنابيبنا اللاحقة؟
هل تدقيقنا الحالي للكود المدعوم بالذكاء الاصطناعي قائم على دليل أم افتراضي وغير مفحوص؟
كيف يُستقبَل توجيه هذا الموضوع فعليًا مع فريقنا: كإدارة مخاطرة أم كمقاومة لتبني الذكاء الاصطناعي؟

أهم الاستنتاجات

تضخم المقاييس وتخفيف الجودة نسخ مُكثَّفة من مخاطر سمّاها هذا الكتاب بالفعل، تتطلب من الضمانات الحالية العمل بجهد أكبر، لا أطر عمل جديدة كليًا.
ميل الكود المُولَّد بالذكاء الاصطناعي لـ“يبدو صحيحًا” يُضعِف تحديدًا مراجعة كود بشرية تقليدية ومطابقة نمط.
استثمر في طرق اكتشاف مقاومة للمعقولية السطحية، خاصة اختبار الطفرات والاختبار القائم على الخصائص.
طبّق وضع إعادة معايرة محدود الوقت ومدفوع بالدليل، لا شكًا شاملًا دائمًا أو ثقة دائمة غير مفحوصة.
أبلِغ هذه المخاطرة كإدارة مخاطرة متناسبة، لا كحجة ضد تبني الذكاء الاصطناعي، لدعم السلامة والاستخدام المستدام كليهما.

المراجع وقراءات إضافية

Accelerate: The Science of Lean Software and DevOps، بقلم Nicole Forsgren وJez Humble وGene Kim (انضباط السرعة والاستقرار المقترن الذي يُطبِّقه هذا الموضوع على فئة مخاطرة جديدة).
Jia, Yue, and Mark Harman, “An Analysis and Survey of the Development of Mutation Testing,” IEEE Transactions on Software Engineering (2011): طريقة الاكتشاف التي يُجادِل هذا الموضوع بأنها تصبح قيّمة بشكل غير متناسب.
بحث GitHub حول البرمجة الزوجية بالذكاء الاصطناعي وإنتاجية المطور (بيانات صناعة حول نتائج ومخاطر التطوير المدعوم بالذكاء الاصطناعي).
The Tyranny of Metrics، بقلم Jerry Z. Muller (هوس المقاييس وخطر التلاعب، ذو صلة مباشرة باهتمام تضخم المقاييس الذي يُسمِّيه هذا الموضوع).