آیا هوش مصنوعی می تواند مقالات مروری علمی بنویسد؟

بررسی ادبیات علمی بخش مهمی از پیشرفت زمینه های مطالعاتی است: آنها وضعیت فعلی اتحادیه را از طریق تجزیه و تحلیل جامع تحقیقات موجود ارائه می کنند و شکاف هایی را در دانش شناسایی می کنند که مطالعات آینده ممکن است در آن متمرکز شود. نوشتن یک کار خوب مقاله مروری با این حال، چیز بسیار باشکوهی است.

محققان اغلب مجموعه ای از آثار علمی را بررسی می کنند. آنها باید مطالعاتی را انتخاب کنند که منسوخ نشده باشند، در عین حال از سوگیری اخیر اجتناب کنند. سپس کار فشرده ارزیابی کیفیت مطالعات، است،اج داده های مرتبط از آثاری که برش را انجام می دهند، تجزیه و تحلیل داده ها برای جمع آوری بینش ها و نوشتن یک روایت متقن که گذشته را خلاصه می کند و در عین حال به آینده نگاه می کند، می آید. ،یب تحقیقاتی به خودی خود یک زمینه مطالعه است و حتی دانشمندان ممتاز ممکن است نقدهای متون عالی ننویسند.

هوش مصنوعی را وارد کنید. مانند بسیاری از صنایع، مجموعه ای از استارت آپ ها به وجود آمده اند تا از هوش مصنوعی برای سرعت بخشیدن، ساده سازی و تحول در روند بررسی ادبیات علمی استفاده کنند. بسیاری از این استارت آپ ها خود را به ،وان موتورهای جستجوی هوش مصنوعی متمرکز بر تحقیقات علمی – هر کدام با ویژگی های محصول و مخاطبان هدف متمایز می کنند.

برانگیختن از جستجوگران دعوت می کند تا «مقالات تحقیقاتی را با سرعت فوق بشری تجزیه و تحلیل کنند» و استفاده از آن توسط محققان متخصص در مؤسساتی مانند گوگل، ناسا و بانک جه، را برجسته می کند. بد،د می گوید با نظارت مستمر 200 میلیون منبع علمی، بزرگترین پایگاه استناد را ایجاد کرده است و «استنادهای هوشمند» را ارائه می کند که مطالب اولیه را به شواهد پشتیبان یا متضاد دسته بندی می کند. اجماع دارای یک نسخه ی نمایشی صفحه اصلی است که به نظر می رسد با هدف کمک به افراد غیرعادی کمک کند تا درک قوی تری از یک سؤال داده شده به دست آورند، محصول را به ،وان «Google Sc،lar با ChatGPT ملاقات می کند» توضیح می دهد و یک اجماع سنج ارائه می دهد که نکات مهم را خلاصه می کند. اینها فقط تعداد کمی از بسیاری هستند.

اما آیا هوش مصنوعی می تواند جایگزین بررسی متون علمی با کیفیت بالا و سیستماتیک شود؟

متخصصان سنتز تحقیقات بر این باورند که این مدل های هوش مصنوعی در حال حاضر در انجام تحلیل های کیفی بسیار عالی هستند - به عبارت دیگر، ایجاد خلاصه ای از ادبیات علمی. جایی که آنها چندان خوب نیستند، لایه کمی پیچیده تر است که بررسی را واقعاً سیستماتیک می کند. این سنتز کمی معمولاً شامل روش های آماری مانند متاآنالیز می شود که داده های عددی را در مطالعات متعدد تجزیه و تحلیل می کند تا نتیجه گیری قوی تری به دست آورد.

می گوید: «مدل های هوش مصنوعی می توانند تقریباً 100 درصد به خوبی انسان ها در جمع بندی نکات کلیدی و نوشتن یک استدلال روان عمل کنند». توسط جاشوا پولان، یکی از بنیانگذاران مرکز روش های سنتز و ادغام (MOSAIC) در موسسات تحقیقاتی آمریکا. او می گوید: «اما ما حتی 20 درصد از سنتز کمی را هم در پیش نداریم. «متاآنالیز واقعی از یک فرآیند دقیق در نحوه جستجوی مطالعات و تعیین کمیت نتایج پیروی می کند. این اعداد مبنایی برای نتیجه گیری مبتنی بر شواهد هستند. هوش مصنوعی به توانایی انجام این کار نزدیک نیست.»

مشکل با کمی سازی

پول،ن توضیح می دهد که فرآیند کمی سازی حتی برای کارشناسان آموزش دیده نیز می تواند چالش برانگیز باشد. هم انسان ها و هم هوش مصنوعی می توانند به طور کلی یک مطالعه را بخوانند و آن را خلاصه کنند: مطالعه A تأثیری پیدا کرد یا مطالعه B تأثیری پیدا نکرد. بخش دشوار این است که یک مقدار عددی را در میزان اثر قرار دهید. علاوه بر این، اغلب روش های مختلفی برای اندازه گیری اثرات وجود دارد، و محققان باید مطالعات و طرح های اندازه گیری را شناسایی کنند که با پیش فرض سؤال پژوهشی شان همسو باشد.

پول،ن می گوید که مدل ها ابتدا باید داده های مربوطه را شناسایی و است،اج کنند، و سپس باید تماس های ظریفی را در مورد نحوه مقایسه و تحلیل آن ها ایجاد کنند. او می گوید: «حتی به ،وان متخصص انس،، اگرچه سعی می کنیم زودتر از موعد تصمیم گیری کنیم، ممکن است در نهایت مجبور شوید تصمیم خود را در همان لحظه تغییر دهید.» "این چیزی نیست که کامپیوتر در آن خوب باشد."

با توجه به هیاهویی که در مورد هوش مصنوعی و فرهنگ استارت آپ وجود دارد، می توان انتظار داشت که شرکت های سازنده این مدل های هوش مصنوعی به ارزیابی پول،ن اعتراض کنند. اما شما استدلالی از آن دریافت نخواهید کرد اریک اولسون، یکی از بنیانگذاران Consensus: "راستش نمی توانستم بیشتر موافق باشم."

اولسون می افزاید: به نظر پول،ن، اجماع عمداً «در سطح بالاتری نسبت به برخی ابزارهای دیگر است و به افراد دانش اساسی برای بینش سریع می دهد». او کاربر اصلی را به ،وان یک دانش آموز فارغ التحصیل می بیند: فردی با پایگاه دانش متوسط \u200b\u200bکه در حال کار بر روی متخصص شدن است. اجماع می تواند یکی از ابزارهای بسیاری برای یک متخصص واقعی موضوع باشد، یا می تواند به یک غیردانشمند کمک کند تا در جریان بماند – مانند یک کاربر Consensus در اروپا که در جریان تحقیقات در مورد اختلال ژنتیکی نادر فرزندش قرار می گیرد. او صدها ساعت را به ،وان یک محقق غیرمحقق در Google Sc،lar سپری کرده بود. او به ما گفت که برای 10 سال رویای چنین چیزی را در سر می پروراند، و زندگی او را تغییر داد – حالا او هر روز از آن استفاده می کند.

در Elicit، این تیم نوع متفاوتی از مشتری ایده آل را هدف قرار می دهد: «،ی که در صنعت در زمینه تحقیق و توسعه کار می کند، شاید در یک شرکت زیست پزشکی، تلاش می کند تصمیم بگیرد که آیا با توسعه یک مداخله پزشکی جدید حرکت کند یا خیر». جیمز بردی، رئیس مهندسی.

با در نظر گرفتن آن کاربر پرمخاطره، Elicit به وضوح ادعاهای علیت و شواهدی را که آنها را تأیید می کند به کاربران نشان می دهد. این ابزار وظیفه پیچیده مرور ادبیات را به قطعات قابل مدیریتی ت،یم می کند که انسان می تواند آن را درک کند، و همچنین شفافیت بیشتری نسبت به ربات چت معمولی شما ارائه می کند: محققان می توانند ببینند که مدل هوش مصنوعی چگونه به یک پاسخ رسیده و می توانند آن را با منبع بررسی کنند.

آینده ابزارهای بررسی علمی

برادی موافق است که مدل های فعلی هوش مصنوعی کامل نیستند کاکرینبررسی های سیستماتیک به سبک - اما او می گوید این یک محدودیت فنی اساسی نیست. بلکه بحث پیشرفت های آینده در هوش مصنوعی و مهندسی سریعتر است. بردی می گوید: «من فکر نمی کنم که مغز ما بتواند کاری را انجام دهد که در اصل یک رایانه نتواند انجام دهد. "و این برای فرآیند بررسی سیستماتیک نیز صدق می کند."

رومن لوکیاننکو، یک دانشگاه ویرجینیا استادی که در روش های تحقیق تخصص دارد، موافق است که تمرکز اصلی در آینده باید توسعه راه هایی برای پشتیب، از فرآیند اولیه اولیه برای جمع آوری پاسخ های بهتر باشد. او همچنین خاطرنشان می کند که مدل های فعلی تمایل دارند مقالات مجلاتی را که آزادانه در دسترس هستند اولویت بندی کنند، اما تحقیقات با کیفیت بالا در پشت دیوارهای پرداخت وجود دارد. با این حال، او نسبت به آینده خوشبین است.

لوکیاننکو، که با او واگنر را می پوشد و گای پاره یک پیش از ChatGPT را با هم نویسندگی کرد مطالعه 2022 در مورد هوش مصنوعی و بررسی ادبیات که ویروسی شد. «ما انبوهی از اطلاعات داریم، اما زیست شناسی انس، ما کاری را که می تو،م با آن انجام دهیم محدود می کند. این ابزارها پتانسیل بالایی را نشان می دهند.»

او می گوید که پیشرفت در علم اغلب از یک رویکرد بین رشته ای ناشی می شود و این جایی است که پتانسیل هوش مصنوعی ممکن است بیشترین باشد. لوکیاننکو می گوید: «ما اصطلاح «مرد رنسانس» را داریم و من دوست دارم به «هوش مصنوعی رنسانس» فکر کنم: چیزی که به بخش بزرگی از دانش ما دسترسی دارد و می تواند ارتباط برقرار کند. ما باید برای انجام اکتشافات غیرمنتظره، غیرمنتظره و دور بین میدان ها سخت فشار بیاوریم.»