对于私营企业使用的专有模型，我认为不可能回答这个问题。但是有一种学术研究专注于有缺陷的实践，例如本文。

Zachary C. Lipton、Jacob Steinhardt “机器学习奖学金中令人不安的趋势”

机器学习 (ML) 研究人员共同致力于创建和传播有关数据驱动算法的知识。在给定的论文中，研究人员可能会追求以下目标的任何子集，其中包括：从理论上描述什么是可学习的，通过严格的经验实验获得理解，或者建立一个具有高预测准确性的工作系统。虽然确定哪些知识值得探究可能是主观的，但一旦主题确定，论文在为读者服务、创造基础知识和尽可能清晰地交流时对社区最有价值。

尽管经常背离这些理想，但机器学习的最新进展仍然存在。在本文中，我们关注以下四种在我们看来是机器学习学术趋势的模式：（i）未能区分解释和推测；(ii) 未能确定经验收益的来源，例如，当收益实际上源于超参数调整时，强调对神经架构进行不必要的修改；(iii) 数学性：混淆或打动而不是澄清数学的使用，例如，通过混淆技术和非技术概念；(iv) 滥用语言，例如选择具有口语内涵的艺术术语或重载既定的技术术语。虽然这些模式背后的原因尚不确定，但可能包括社区的快速扩张，随之而来的审稿人数量稀少，以及学术与成功的短期衡量标准（例如，文献计量学、注意力和创业机会）之间经常错位的激励措施。虽然每种模式都提供了相应的补救措施（不要这样做），但我们还讨论了一些关于社区如何应对这些趋势的推测性建议。