skip to main |
skip to sidebar
ШІ-інструмент Elicit намагається автоматизувати один із наймарудніших етапів дослідницької роботи – первинний огляд літератури. Це саме та стадія, коли ви годинами переглядаєте результати пошуку в різних академічних системах, відкриваєте десятки PDF-файлів, чи просто читаєте абстракти й намагаєтесь зрозуміти, що з цього справді має стосунок до вашої теми. Зараз можна покликати собі на допомогу Elicit, що позиціює себе не як “розумний чатбот”, а як асистент для систематичної роботи з науковими джерелами.
Більшість сучасних ШІ-асистентів навчилися давати переконливі відповіді, але часто не показують, звідки вони це взяли. Для академічної роботи така модель взаємодії небезпечна, оскільки незрозуміло чи це справжні знання, чи лише добре згенерований текст. На цьому тлі привабливо виглядає інструмент Consensus, бо він працює безпосередньо з корпусом наукових публікацій. Consensus позиціює себе не як чат-бот, а як пошукова система для науковців, яка використовує ШІ для аналізу й синтезу результатів. Ключова ідея проста, але принципова: відповідь має ґрунтуватися не на “загальних знаннях моделі”, а на конкретних рецензованих статтях.
Про стан української науки зазвичай говорять мовою дефіцитів: бракує фінансування, стабільної підтримки, дослідницької інфраструктури, політичної уваги. Усі ці аргументи зрозумілі й частково справедливі, але вони не доходять до суті. Як на мене, ми маємо справу не зі зламом системи, а з її робочим режимом. Поточний стан науки в Україні зручний для рентної, олігархічної економіки, якій не потрібна автономна, сильна й критична наука.
У Journal of Information Science вийшла велика стаття польських дослідників, присвячена доступності документів у відкритих наукових репозитаріях. Автори проаналізували сто тисяч PDF-файлів із тисячі репозитаріїв по всьому світу (за даними OpenDOAR), щоб з’ясувати, наскільки ці документи справді доступні для людей і машин. Ключовий висновок – катастрофічно низький рівень реальної доступності: лише близько 0,3% документів проходять усі автоматичні тести. Але не менш важливим є другий рівень проблеми – ненадійність самої інфраструктури відкритих репозитаріїв.
Згідно з традицією, перший допис у новому році – про наукпоп, який я прочитав торік. Це не добірка “найкращих” і не рейтинг, а радше фіксація особистого читацького досвіду. Усі ці книжки – науково-популярні видання українською мовою від українських видавців. Для мене це важливо саме як жест підтримки: тих, хто системно й послідовно працює над популяризацією науки рідною мовою. Такий мій маленький щорічний внесок у підтримку вітчизняного нон-фікшну і нагадування собі, що наука повинна постійно звучати українською.
Негарно так писати, перебуваючи в тилу, але війна – це не лише про фронт. Нехай це звучить пафосно, пробачте, та війна оголює цінності. Коли в тилу справедливість стає предметом насмішки, виникає відчуття морального провалу. Очевидно, що більшість людей не обирає сторону добра чи зла – люди обирають там, де простіше, де менше ризиків, де не треба брати відповідальність, де достатньо пристосовуватись, а не думати. Натомість “бібліотекар мрії”, про якого ми, колеги, регулярно торочимо, змушує людей читати, думати, пояснювати й відповідати за власні рішення. Кому це потрібно? Саме тому з року в рік нам не вдається створювати бібліотеки-казки. Головна цінність інститутів в Україні – лояльність і керованість, а не якість. Наші земляки не проти бібліотек, однак вони “за спокій”. Система ж перекладає на тебе контроль, совість і відповідальність, а потім ще й звинувачує в “конфліктності”. Це виснажує. Бібліотекарю, як довго ти здатен тримати стандарт у середовищі, яке його не підтримує?
Perplexity – це сучасна ШІ-платформа для пошуку та навігації в інформації, яка поєднує мовну модель і пошукову систему. Головна ідея сервісу – замість традиційного пошуку, де ви отримуєте список гіперпосилань, Perplexity одразу формує узагальнену відповідь, додаючи при цьому посилання на джерела. Відповідно це дозволяє не лише швидше знаходити релевантну інформацію, але й перевіряти факти. Perplexity Academic – спеціальний режим цієї платформи, створений саме для наукових цілей. Такий собі інтелектуальний фільтр, який перебудовує логіку пошуку так, щоб на перший план виходили саме наукові статті, рецензовані журнали, препринти, технічні документи й інші академічні матеріали.
Пошук наукової літератури дедалі частіше схожий на блукання нескінченними кролячими норами: сотні релевантних статей, десятки пов’язаних тем і постійний страх пропустити щось важливе. Саме для полегшення такої складної роботи була створена пошукова система для дослідників ResearchRabbit, яка поєднує класичний літературний пошук із мережевим аналізом наукових публікацій. За логікою ResearchRabbit, щоб провести хороший літературний огляд – мало виконати одноразовий запит у базі даних. Це комплексний дослідницький процес, який розвивається разом із вашим розумінням теми.
За останній рік з’явилося багато інструментів на базі генеративного ШІ, але більшість із них доволі одноманітні: користувач ставить запитання – система генерує відповідь, часто спрощену, узагальнену й не завжди прозору щодо використаних джерел. NotebookLM (інструмент, розроблений Google Labs) пропонує інший підхід, який, на мій погляд, значно корисніший для академічної та аналітичної роботи. Головна відмінність NotebookLM полягає в тому, що він працює виключно з тими матеріалами, які ви самі завантажили. Це можуть бути наукові статті, препринти, навчальні конспекти чи навіть власні чернетки текстів. Інструмент не звертається до “зовнішніх знань” і нічого не вигадує – він аналізує лише конкретний, чітко окреслений корпус документів.
На сайті Міністерства освіти та науки України без пафосу та феєрверків, тихенько представлено оновлений проєкт наказу МОН “Про внесення змін до Порядку формування Переліку наукових фахових видань України”. У PDF-повідомленні зазначено, що зауваження та пропозиції до проєкту акта та аналізу його регуляторного впливу приймаються до 17 грудня 2025 року на електронну адресу. Редактори, не баріться! Я ж поки напишу про кілька проблем у цьому проєкті на які пропоную звернути особливу увагу і, можливо, вам це допоможе краще сформулювати свої пропозиції. Якщо дуже коротко, то квітневий варіант був небезпечним і концептуально шкідливим, а поточний хоч і бюрократичний, але вже не токсичний.
Коли сьогодні говорять про використання штучного інтелекту в наукових дослідженнях, то зазвичай мають на увазі ChatGPT-подібні інструменти, які можуть швидко згенерувати текст або стислий виклад теми. Проблема в тому, що така генерація часто виглядає доволі переконливо, але незрозуміло звідки взялася ця інформація, які джерела було використано, і чи можна це хоч якось перевірити. Саме на цьому тлі цікавим виглядає новий сервіс DeepScholar, що створений командами Стенфорда та Берклі.
Google нарешті зробив те, чого від нього чекали вже пару років – прикрутив генеративний ШІ до Google Scholar. Новий інструмент називається Scholar Labs і це перша спроба перетворити гігантський Google Scholar на розумний пошуковик, який буде не просто показувати результати, а намагатиметься відібрати для нас найкорисніші статті. Пишете дослідницьке запитання в Scholar Labs, система аналізує запит, розкладає його на теми та зв’язки та запускає серію пошуків у Scholar. Алгоритм совгається по відібраних статтях, оцінює наскільки кожна відповідає запитанню, і показує список публікацій з короткими поясненнями – чому саме ця робота релевантна й що саме в ній важливо.
Щороку Шнобелівська премія нагадує нам, що наука не завжди має бути страшенно серйозною, щоб бути корисною. 2025 року нагороду в галузі інженерного дизайну отримали Вікаш Кумар і Сартхак Міттал – викладач і його колишній студент з Університету Шів Надар. Назва їхньої роботи “Смердючі черевики – як можна переробити взуттєву полицю” тільки на перший погляд, виглядає як жарт, але насправді – це зразок чудово побудованого дослідження, яке можна показувати студентам та аспірантам на заняттях з академічного письма!
Науковці з Нанкінського сільськогосподарського університету вирішили з’ясувати, чи впливає повторне використання наукових даних (dataset reuse) на цитованість публікацій. Хоча різні агітатори люблять запевняти, що відкритість даних є однією з ключових цінностей сучасної науки, у скептиків досі залишаються сумніви: чи не зменшує повторне використання даних новизну дослідження і, відповідно, його науковий вплив? Дослідники проаналізували публікації з PubMed Central Open Access Subset у галузі біомедичних та наук про життя й ідентифікували три типи поведінки: self-reuse – автори повторно використовують власні дані; reuse-of-others – використання чужих відкритих даних; non-reused – дані, які згадуються лише один раз.
Команда Google DeepMind спільно з істориками з університетів Оксфорду, Ноттінгема й Уоріка, презентували Aeneas (Еней) – генеративну нейромережу, створену для того, щоб допомогти вченим відновлювати пошкоджені тексти, визначати їх географічне та хронологічне походження й знаходити паралелі між написами. Автори на сторінках журналу Nature запевняють, що результати роботи цього ШІ-інструмента просто дивовижні: 90% істориків визнали знайдені паралелі корисними для подальших досліджень, похибка датування скоротилася з 31 до 14 років, точність географічного визначення зросла з 27% до 68%, а помилка при відновленні текстів знизилася з 39% до 21%.
Університети стоять на межі великих змін. У новому спецвипуску Nature “The future of universities” зібрано під одним дахом цікаві тексти, які показують: традиційна модель вищої освіти більше не витримує тиску. Насамперед академічні бюджети тріщать по швах. У Британії понад 40% університетів прогнозують бюджетний дефіцит, а навіть провідні виші США змушені шукати нові фінансові моделі. Демографія теж не на користь ЗВО – у багатьох країнах зменшується кількість студентів через старіння населення. Тому університети все частіше звертаються до першого покоління студентів (ті, хто перший у своїй сім’ї вступає до університету, тобто їхні батьки не мали вищої освіти) та до молоді з країн, що розвиваються.
У Journal of Data and Information Science вийшло дослідження про те, як змінювалось наукове життя в Україні з 2005 по 2023 рік. Автори проаналізували понад 26 тисяч публікацій українських дослідників (Dimensions) і спробували зрозуміти: хто публікується, куди переїжджають науковці, і чи зростає науковий вплив їхніх робіт. Дані показують кардинальні зміни в інституційній структурі науки: якщо у 2005-2013 роках майже половина публікацій належала вченим Національної академії наук України (НАНУ), то у 2014-2023 роках ситуація різко змінилася – частка університетських науковців зросла до 86%, а роль НАНУ скоротилася майже утричі. Таким чином, саме університети стали головним місцем наукової продукції, тоді як Академія поступово втрачає дослідників.
Завзяті дослідники з Нью-Йоркського медичного коледжу провели масштабний огляд літератури: проаналізували понад 900 джерел, відфільтрували 56 найрелевантніших досліджень і систематизували все, що нині відомо про закупівлю підручників в академічних бібліотеках. У результаті вийшла дорожня карта, яка допомагає зрозуміти: чи варто бібліотекам купувати підручники, у якому форматі і як робити це найефективніше.
Мій попередній допис про GAIDeT (Generative AI Delegation Taxonomy) безумовно був інформативним та структурованим, однак виявилося, що для багатьох ще не зовсім зрозуміло, як цю таксономію застосовувати на практиці для розкриття того, які саме завдання були делеговані генеративному ШІ в науковій роботі. Тепер ситуація змінилася. У відкритому доступі з’явився лінивчик від Бердянського державного педагогічного університету з готовими рекомендаціями для авторів, редакторів журналів та адміністраторів репозиторіїв.
Закон Меткалфа походить із телекомунікацій і стверджує: цінність мережі зростає пропорційно до квадрата кількості її учасників. Якщо в мережі є 10 користувачів – можливих зв’язків між ними приблизно 100, а якщо 1000 – уже мільйон. Іншими словами, що більше учасників, то швидше зростає цінність мережі. У нещодавніх наукових публікаціях цей принцип цікаво застосували до бібліографічних баз даних, які можна уявити як мережі наукових статей і цитувань між ними.
