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.
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.
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.
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%.
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.
Поки ChatGPT і його родичі пишуть “унікальні” курсові та дипломні, у світі намагаються розв'язати просте питання: як чесно сказати, що до вашої наукової роботи доклав руку штучний інтелект? Генеративний ШІ уже став повсякденним інструментом для науковців, авторів, редакторів, бібліотекарів. Він допомагає планувати дослідження, аналізувати дані, писати тексти, редагувати та створювати візуалізації. Але як зрозуміти, хто, коли та для чого застосовував ШІ? Як забезпечити прозорість і чесність наукових публікацій?
Сьогодні у нас модно рахувати “відкриті” й “FAIR” дані – для атестацій, грантодавців, чи просто, щоб тримати бібліотекарів у тонусі. В результаті часто маємо комічну ситуацію: наукова установа гордо звітує, що її дані fair-преfair, але чи можна відтворити ці дослідження – знають лише боги та домовички Zenodo. Тому, якщо ви хочете, щоб ваші дослідницькі дані справді довго жили й слугували відтворюваності, варто підійти до цього завдання серйозніше. Журнал Nature опублікував 5 порад, що допоможуть оновлювати дані й залишатись у добрих відносинах із відтворюваністю та здоровим глуздом.
Світ наукової інформації стрімко змінюється. Те, що раніше зберігалося у вигляді MARC-полів у бібліотечних каталогах, сьогодні дедалі частіше перетворюється на графи знань. Knowledge Graph – це спосіб представлення інформації у вигляді пов’язаних між собою сутностей: понять, людей, публікацій, організацій, методів. Основу такого представлення становлять триплети: наприклад, [Автор] – [написав] – [Публікація]. Кожен елемент у цій структурі має унікальний ідентифікатор, зрозумілий як для комп’ютера, так і для глобальних інформаційних систем. Це відкриває нам двері у прекрасний світ зв’язності, машинної обробки, багатомовності та інтеграції з різними джерелами (Linked Open Data).
Писати наукову статтю – це до біса складно. Від вибору теми, огляду літератури, структурування результатів – і аж до формулювання висновків і оформлення списків використаної літератури. ChatGPT не напише за вас наукову статтю, але може стати потужним помічником, який допоможе: сформулювати вдалу назву, тему та дослідницьке питання, підібрати оптимальну структуру роботи, покращити мову, перевірити текст на ляпи, переписати речення так, щоб пояснити складні й заплутані ідеї простими словами.
Платформа DeSci Publish намагається змінити підхід до академічного видавництва, об’єднуючи рукописи, дані та код в одному місці. Платформа забезпечує інфраструктуру для створення відкритої версії наукового доробку, яка відповідає сучасним стандартам інтероперабельності та збереження наукових даних. DeSci Publish є безплатним як для окремих дослідників, так і для установ та редакцій журналів. Кожен користувач отримує 100 ГБ безплатного сховища з можливістю розширення. Крім того, автоматичне створення DOI та інтеграція з ORCID дозволяють авторам отримувати визнання за публікацію даних чи коду навіть до виходу статті у журналах.
Платформа Matilda являє собою онлайн інструмент для бібліографічних і бібліометричних досліджень, що орієнтований на підтримку принципів відкритої науки. Мета платформи – забезпечити користувачам зручний доступ до даних про цитування, до відкритих наукових текстів та наборів дослідницьких даних. Цей підхід передбачає охопити науковий контент, що раніше ігнорувався комерційними наукометричними інструментами, і надати рівні можливості для всіх академічних документів та метаданих.
Уявіть, що у вас є можливість поєднати текст, код, графіки та наукові ідеї в елегантно оформленому документі без зайвих зусиль. Все це реально завдяки відкритій видавничій системі Quarto, яка створена на базі Pandoc. Quarto дозволяє створювати публікації на різних мовах програмування (Python, R, Julia та Observable), писати роботи за допомогою Jupyter Notebook або використовуючи звичайні текстові редактори, створювати динамічний контент і представляти результати (статті, презентації, вебсайти, книги тощо) у форматах HTML, PDF, MS Word або ePub.
Євгеніо Петрович разом з колегами запропонував новий підхід до бібліометричного аналізу, який виходить за межі традиційних цитувань і фокусується на використанні індексу згадок (mention index) для аналізу зв’язків між науковцями та текстами в періоди, коли звичні для нас практики цитування ще не існували. Дослідники зібрали корпус з 22977 статей з 12 англомовних філософських журналів 1890-1979 років, провели ідентифікацію, екстракцію та дезамбигуацію згадок філософів у текстах і створили базу даних EDHIPHY (Enriched Data for the History of Philosophy).
Відкритий онлайн ресурс для медиків та біологів FAIR Cookbook містить рецепти, що допоможуть створювати та зберігати дослідницькі дані, щоб їх потім можна було легко знайти, отримати до них доступ та легально використовувати. У кожному рецепті вказано цільову аудиторію, час, що потрібен для його прочитання, індикатор складності та рівень “зрілості FAIR” (щоб це не означало), якого можна досягти за допомогою конкретного рецепта.
Якось я вже агітував молодих науковців не соромитись інструментів, матеріалів та методів, а нині закликатиму вас не боятися зізнатись, якщо щось раптом пішло не так у процесі дослідження. Але спочатку кілька загальних слів про неймовірну роботу, яка з'явилася цього місяця на сторінках Science. Щоб зрозуміти як працює людський мозок, потрібно з'ясувати його структуру на субклітинному рівні. Олександр Шапсон-Кое разом з колегами за допомогою електронного мікроскопа зісканували (1,4 петабайта даних!) та зробили 3D модель 1 кубічного міліметра скроневої частки кори головного мозку людини, класифікували та кількісно оцінили типи клітин, судин і синапсів. Автори також розробили вільнодоступний інструмент для візуалізації та аналізу цих даних і тепер кожен може зазирнути на рівень окремих нейронів та їхніх синаптичних з'єднань.
