Volgens de Ali Shiri van de Universiteit van Alberta hebben grote taalmodellen en Genai een aanzienlijk effect op academisch onderzoek.
Generatieve AI, vooral grote taalmodellen (LLMS), bieden opwindende en ongekende kansen en complexe uitdagingen voor academisch onderzoek en beurs.
Terwijl de verschillende versies van LLMS (zoals Chatgpt, Gemini, Claude, Perplexity.ai en GROK) blijven verspreiden, begint academisch onderzoek een significante transformatie te ondergaan.
Studenten, onderzoekers en instructeurs in het hoger onderwijs AI -geletterdheidskennis, competenties en vaardigheden nodig om deze uitdagingen en risico's aan te gaan.
In een tijd van snelle verandering worden studenten en academici geadviseerd om naar hun instellingen, programma's en eenheden te kijken voor discipline-specifieke beleid of richtlijnen die het gebruik van AI reguleren.
Onderzoeker gebruik van AI
Een recente studie Onder leiding van een onderzoeker voor data science vond dat minstens 13,5 pc van biomedische samenvattingen vorig jaar bleek Tekenen van door AI gegenereerde tekst.
Grote taalmodellen kunnen Steun nu bijna elke fase van het onderzoeksproceshoewel voorzichtigheid en menselijk toezicht altijd nodig zijn om te beoordelen wanneer gebruik geschikt, ethisch of gerechtvaardigd is – en Om rekening te houden met vragen over kwaliteitscontrole en nauwkeurigheid. Llms kan:
- Help bij het brainstormen, genereren en verfijnen onderzoeksideeën en formuleer hypothesen;
- Ontwerp -experimenten en het uitvoeren en synthetiseren van literatuurrecensies;
- Schrijf- en foutopsporingscode;
- Analyseren en visualiseren zowel kwalitatieve als kwantitatieve gegevens;
- Interdisciplinaire theoretische en methodologische kaders ontwikkelen;
- Suggereren relevante bronnen en citaten, vat complexe teksten samen en concept abstracts samen;
- Ondersteunen de verspreiding en presentatie van onderzoeksresultaten, in populaire formaten.
Er zijn echter grote zorgen en uitdagingen rond het juiste, ethische, verantwoordelijke en effectieve gebruik van generatieve AI -tools bij het uitvoeren van onderzoek, schrijven en onderzoeksverspreiding. Deze omvatten:
- Verkeerde weergave van gegevens en auteurschap;
- Moeilijkheid bij replicatie van onderzoeksresultaten;
- Gegevens en algoritmische vooroordelen en onnauwkeurigheden;
- Gebruikers- en gegevensprivacy en vertrouwelijkheid;
- Kwaliteit van outputs, gegevens en citaatfabricage;
- En inbreuk op het auteursrecht en intellectuele eigendom.
AI Research Assistants, 'Deep Research' AI -agenten
Er zijn Twee categorieën van opkomende LLM-verbeterde tools die academisch onderzoek ondersteunen:
AI Research Assistants: het aantal AI -onderzoeksassistenten dat verschillende aspecten en stappen van het onderzoeksproces ondersteunen, groeit met een exponentieel tempo. Deze technologieën kunnen traditionele onderzoeksmethoden in academisch werk verbeteren en uitbreiden. Voorbeelden zijn AI -assistenten die ondersteunen:
- Concept mapping (Kumu, Gitmind, Mindmeister);
- Literatuur- en systematische reviews (opwekken, ondermind, notebooklm, scispace);
- Literatuur zoeken (consensus, ResearchRabbit, Connected Papers, Scite);
- Literatuuranalyse en samenvatting (Scholarcy, Paper Digest, Keenious);
- En onderzoeksonderwerp en trenddetectie en -analyse (Scinapse, Tleooto, Dimension AI)
'Deep Research' AI -agenten: het gebied van kunstmatige intelligentie gaat snel vooruit met de opkomst van AI -agenten van 'diep onderzoek'. Deze volgende generatie-agenten combineren LLMS, ophalen-augmented generatie en geavanceerde redeneerkaders om diepgaande, multi-step-analyses uit te voeren.
Onderzoek wordt momenteel uitgevoerd om de kwaliteit en effectiviteit van diepe onderzoekstools te evalueren. Nieuwe evaluatiecriteria worden ontwikkeld om hun prestaties en kwaliteit te beoordelen.
Criteria omvatten elementen zoals kosten, snelheid, bewerkingsgemak en algehele gebruikerservaring – evenals Citatie- en schrijfkwaliteit, en hoe deze diepe onderzoekstools zich houden aan prompts.
Het doel van diepe onderzoekstools is om wetenschappelijke informatie, empirische gegevens en diverse perspectieven uit een breed scala aan online en sociale media -bronnen nauwgezet te extraheren, te analyseren en te synthetiseren. De output is een gedetailleerd rapport, compleet met citaten en biedt diepgaande inzichten in complexe onderwerpen.
In slechts een korte periode van vier maanden (december 2024 tot februari 2025) introduceerden verschillende bedrijven (zoals Google Gemini, Perplexity.AI en Chatgpt) hun “Deep Research” -platforms.
Het Allen Institute for Artificial Intelligence, A Non-profit AI Research Institute gevestigd in Seattleexperimenteert met een nieuwe open toegangsonderzoekstool genaamd AI2 Scholarqa die helpt Onderzoekers voeren literatuurrecensies uit efficiënter door meer diepgaande antwoorden te bieden.
Opkomende richtlijnen
Verschillende richtlijnen zijn ontwikkeld om het verantwoordelijke en ethische gebruik van generatieve AI in onderzoek en schrijven aan te moedigen. Voorbeelden zijn:
LLMS ondersteunt interdisciplinair onderzoek
LLMS zijn ook krachtige tools om interdisciplinair onderzoek te ondersteunen. Recent opkomend onderzoek (nog te peer reviewed) op de Effectiviteit van LLMS voor onderzoek suggereert dat ze een groot potentieel hebben op gebieden zoals biologische wetenschappen, chemische wetenschappen, engineering, milieu en sociale wetenschappen. Het suggereert ook dat LLMS kan helpen bij het elimineren van disciplinaire silo's door gegevens en methoden uit verschillende gebieden samen te brengen en gegevensverzameling en -generatie te automatiseren om interdisciplinaire datasets te maken.
Helpen bij het analyseren en samenvatten van grote hoeveelheden onderzoek in verschillende disciplines kan helpen bij de interdisciplinaire samenwerking. “Expert Finder” AI-aangedreven platforms kunnen onderzoekersprofielen en publicatienetwerken analyseren om expertise in kaart te brengen, potentiële medewerkers op velden te identificeren en onverwachte interdisciplinaire verbindingen te onthullen.
Deze opkomende kennis suggereert dat deze modellen onderzoekers kunnen helpen doorbraken te stimuleren door inzichten uit verschillende gebieden te combineren – zoals epidemiologie en natuurkunde, klimaatwetenschap en economie of sociale wetenschappen en klimaatgegevens – om complexe problemen aan te pakken.
Onderzoeksgerichte AI-geletterdheid
Canadese universiteiten en onderzoekspartnerschappen bieden AI Literacy Education aan mensen op universiteiten en verder.
De Alberta Machine Intelligence Institute Biedt K-12 AI-geletterdheidsprogrammering en Andere middelen. Het instituut is een Niet-voor winst organisatie en onderdeel van Canada's pan-Canadese kunstmatige intelligentiestrategie.
Veel universiteiten zijn aanbieding AI geletterdheid educatieve kansen die zich specifiek richten op het gebruik van generatieve AI -tools in Onderzoeksactiviteiten helpen.
Het werk van de samenwerking vindt ook plaats. Als vice-dean van de faculteit van Graduate & Postdoctoral Studies aan de Universiteit van Alberta (en een professor voor informatiewetenschappen) heb ik gewerkt met decanen van de Universiteit van Manitoba, de Universiteit van Winnipeg en Vancouver Island University om richtlijnen en aanbevelingen te ontwikkelen om richtlijnen en aanbevelingen te ontwikkelen en aanbevelingen rond generatieve AI en afgestudeerd en postdoctoraal onderzoek en toezicht.
Gezien de groeiende kracht en mogelijkheden van grote taalmodellen, is er een dringende behoefte om AI -geletterdheidstraining op maat te ontwikkelen voor academische onderzoekers.
Deze training moet zich richten op zowel het potentieel als de beperkingen van deze tools in de verschillende fasen van het onderzoeksproces en het schrijven.
Door Ali Shiri
Ali Shiri is professor in informatiewetenschap en de vice-dean van de faculteit van afgestudeerde en postdoctorale studies aan de Universiteit van Alberta. Hij promoveerde in Information Science van de University of Strathclyde Department of Computer and Information Sciences in Glasgow, Schotland en geeft les, Onderzoek en schrijft over interactie en ophalen van digitale informatie, digitale bibliotheken, gegevens, leeranalyses, kunstmatige intelligentie en ethiek.
