به گزارش خبرگزاری ایمنا، امروزه هوش مصنوعی به‌طور فزاینده‌ای در حوزه‌های مختلف علمی و تحقیقاتی نفوذ کرده و نقش کلیدی در تسریع فرایندهای پژوهشی ایفا می‌کند، یکی از مهم‌ترین چالش‌های محققان در زمینه پژوهش‌های علمی، مرور و ترکیب انبوهی از مقالات و اطلاعات موجود است که درک جامع از یک موضوع علمی را به شدت دشوار می‌کند. با این وجود سام رودریکز، محقق نوروبیولوژی، معتقد است که با بهره‌گیری از هوش مصنوعی می‌توان این چالش را به‌طور مؤثری حل کرد.
سام رودریکز، که در سال‌های ابتدایی فعالیت خود به‌عنوان دانشجوی فارغ‌التحصیل نوروبیولوژی با محدودیت‌های موجود در علم روبه‌رو شد، به این نتیجه رسید که حتی اگر تمام اطلاعات لازم برای درک یک سلول یا مغز انسان موجود باشد، هیچ محقق انسانی قادر به خواندن و تحلیل همه این متون به‌صورت جامع نخواهد بود، وی اظهار می‌کند: حجم وسیع مقالات و اطلاعات علمی موجود موجب می‌شود که هیچ فردی نتواند به‌تنهایی به یک دیدگاه کامل و جامع دست پیدا کند.
با این وجود، رودریکز و تیم استارتاپ او با نام FutureHouse در حال توسعه سیستمی مبتنی‌بر هوش مصنوعی هستند که می‌تواند اطلاعات علمی را به شکلی دقیق‌تر از صفحات ویکی‌پدیا ترکیب کند. این تیم با استفاده از این سیستم توانسته است در مدت کوتاهی مدخل‌های مشابه ویکی‌پدیا در مورد حدود ۱۷ هزار ژن انسانی ایجاد کند که بسیاری از آن‌ها پیش‌تر فاقد صفحه دقیق بوده‌اند.
استفاده از مدل‌های زبان بزرگ (LLM) و ابزارهای هوش مصنوعی در فرایند مرور ادبیات علمی در دهه‌های گذشته به‌سرعت در حال افزایش است. آئین مارشال، محقق کالج کینگ لندن بیان می‌کند که محققان همواره با چالش‌هایی نظیر زمان‌بر بودن و فشردگی مقالات علمی مواجه هستند، وی می‌افزاید: مرورهای علمی اغلب زمانی که نگارش آن‌ها به پایان می‌رسد، قدیمی هستند و مدل‌های هوش مصنوعی می‌توانند به‌طور چشمگیری این فرایند را بهینه کنند.
بعضی از موتورهای جستجوی علمی جدید مبتنی‌بر هوش مصنوعی توانایی یافتن، مرتب‌سازی و خلاصه‌سازی مقالات را دارند و می‌توانند به پژوهشگران در تهیه مرور ادبیات کمک کنند، با این حال هنوز نمی‌توانند به‌صورت مستقل یک بررسی علمی با کیفیت بالا ارائه دهند. جیمز توماس محقق دانشگاه کالج لندن، اظهار می‌کند: نگرانی اصلی این است که ابزارهای هوش مصنوعی ممکن است منجر به بررسی‌های نادرست و گمراه‌کننده شوند که می‌تواند به انتشار اطلاعات اشتباه منجر شود.
استفاده از نرم‌افزارهای رایانه‌ای برای جست‌وجو و تجزیه و تحلیل مقالات علمی به چندین دهه قبل بازمی‌گردد، پیش از ظهور مدل‌های LLM، دانشمندان از یادگیری ماشینی برای شناسایی مطالعات و استخراج سریع اطلاعات استفاده می‌کردند، اما ظهور چت‌بات‌هایی همچون ChatGPT توجه بیشتری به تسریع این فرایند با استفاده از ترکیب هوش مصنوعی جلب کرده است.
مارشال معتقد است که درخواست از ChatGPT برای تهیه مرور ادبیات علمی کامل، می‌تواند به نتایج گمراه‌کننده‌ای منجر شود. وی می‌گوید: این ابزارها ممکن است از منابع غیرقابل اعتماد یا وبلاگ‌های نامعتبر استفاده کنند، بدون اینکه به کیفیت و صحت اطلاعات توجه کافی داشته باشند.
ابزارهای مبتنی‌بر هوش مصنوعی همچون Consensus و Elicit که در حال حاضر به محققان کمک می‌کنند، بیشتر به‌عنوان موتورهای جست‌وجو عمل می‌کنند. این ابزارها می‌توانند سوالات کاربران را به جستجوی پایگاه‌های داده علمی همچون Semantic Scholar و PubMed تبدیل کرده و نتایج مرتبط را ارائه دهند، این ابزارها به محققان امکان می‌دهند که یافته‌ها را خلاصه و نتایج را تحلیل کنند. آرون تای، مسئول خدمات داده دانشگاه سنگاپور می‌گوید: این ابزارها به محققان کمک می‌کنند تا فرایندهای بررسی و نوشتن را کارآمدتر کنند.
تیم FutureHouse به‌تازگی از نمونه اولیه سیستم هوش مصنوعی خود به نام PaperQA2 رونمایی کرده است، این سیستم با استفاده از جست‌وجوی پیشرفته در پایگاه‌های اطلاعاتی علمی، امکان دسترسی به مقالات مرتبط را فراهم می‌کند و به محققان کمک می‌کند تا مقالات و اطلاعات علمی را به‌صورت جامع‌تر تحلیل کنند، رودریک اظهار کرد: این سیستم با استفاده از هوش مصنوعی و با تمرکز بر محتوای کامل مقالات، می‌تواند در زمان کوتاهی به نتایج دقیق‌تری دست پیدا کند.
این سیستم به پژوهشگران کمک می‌کند تا محتوای علمی را به شکل دقیق‌تری ترکیب کنند و کیفیت جست‌وجوها را افزایش دهند. یکی از ویژگی‌های کلیدی PaperQA2 این است که به محققان اجازه می‌دهد تا به نتایج جستجوی دقیق‌تری دست یابند، حتی اگر این فرایند زمان‌بر باشد. تای در این رابطه بیان کرد: این ابزار به‌طور قابل توجهی کیفیت جست‌وجو را بهبود می‌بخشد و نتایج بهتری ارائه می‌دهد.
در حالی که ابزارهای هوش مصنوعی می‌توانند فرایند بررسی و نوشتن علمی را بهبود بخشند، اما هنوز نگرانی‌هایی در مورد دقت و صحت این ابزارها وجود دارد. مشتاق بلال، محقق فوق دکتری دانشگاه جنوب دانمارک اظهار می‌کند که استفاده از این ابزارها می‌تواند به بهینه‌سازی بخش‌هایی از فرایند تحقیق کمک کند، اما نباید به‌طور کامل به آن‌ها اتکا کرد، وی می‌گوید: خروجی این ابزارها در سطح یک دانشجوی کارشناسی است و نمی‌توان به‌طور مستقل به آن‌ها اعتماد کرد.
یکی از چالش‌های بزرگ در استفاده از ابزارهای هوش مصنوعی، دسترسی به متن کامل مقالات علمی است که اغلب پشت دیوارهای پرداخت قرار دارند. رودریک معتقد است که دسترسی به این مقالات برای محققانی که بودجه محدودی دارند، می‌تواند چالش‌برانگیز باشد، وی اضافه می‌کند: اجرای این سیستم‌ها نیازمند منابع مالی قابل توجهی است، زیرا پردازش متن کامل مقالات به زمان و هزینه زیادی نیاز دارد.
با توجه به پیشرفت‌های گذشته در حوزه هوش مصنوعی محققان امیدوارند که ابزارهای پیشرفته‌تر بتوانند به مرور زمان به بهبود فرایندهای پژوهشی کمک کنند. با این حال جیمز توماس معتقد است که هنوز نیاز است تا محققان به‌طور دقیق بر نتایج هوش مصنوعی نظارت داشته باشند تا از انتشار اطلاعات نادرست جلوگیری شود.
هوش مصنوعی می‌تواند به‌طور قابل توجهی فرایندهای تحقیقاتی را بهینه کند، اما همچنان نیازمند نظارت دقیق محققان است تا اطمینان حاصل شود که نتایج به‌دست‌آمده دقیق و معتبر هستند.
نظر شما