Google Scholar Labs Nouvelle génération Recherche académique avec intelligence artificielle

Le processus d'accès à l'information, qui est la pierre angulaire de la recherche universitaire, n'a pas à se limiter aux méthodes traditionnelles. Google est le nouvel outil pour trouver des réponses très pointues à des questions scientifiques détaillées en utilisant des capacités de recherche generative AI Google Scholar Labs introduit. Cette fonctionnalité s'intègre dans Google Academic (Google Scholar), il est possible pour les chercheurs de trouver et de transformer la forme de synthèse qu'ils recherchent.

Cependant, cette transformation apporte également une discussion importante dans le verre de science: outils de recherche académique soutenus par l'IA, critères de qualité scientifique traditionnels (nombre solide, facteur d'impact), comment peut-on vraiment prendre l'avant-garde d'articles fiables et efficaces? Dans quelle mesure cette nouvelle approche modifie-t-elle la responsabilité de la fiabilité des articles scientifiques du chercheur?

Qu'est-ce que Google Scholar Labs et comment ça marche?

• Quoi ? Google Laboratoires universitairesGoogle Academic (Google Scholar) est une nouvelle fonctionnalité conçue pour répondre à des questions de recherche scientifique complexes en cherchant des universitaires appuyés par l'intelligence artificielle.
• Comment ça marche ? Il analyse la question détaillée de l'utilisateur, identifie les sujets de base, les orientations et les relations entre eux. Ensuite, toutes les questions posées sur les chercheurs. Par exemple, lorsque la consommation de caféine affecte la mémoire à court terme, Labs fait plusieurs appels pour trouver des articles sur les relations entre l'apport de caféine, la mémoire à court terme et les études cognitives spécifiques à l'âge. Les résultats évaluent et expliquent quelle partie de l'article répond.
• Qui peut utiliser? Pour le moment, Labs est présenté au nombre limité de sessions et les commentaires des utilisateurs sont recueillis pour des améliorations futures.

Pourquoi l'IA utilise-t-elle des mesures traditionnelles (nombre d'accidents)?

Google Scholar Labs utilise des filtres communs (le facteur d'effet du numéro et du magazine) qui sont traditionnellement utilisés pour déterminer la qualité de la recherche.

• Quel est le nombre de chevaux et le facteur d'impact (facteur d'impact diurne)?
  • Nombre et facteur d'impact; Après la publication d'un article, ce sont des indicateurs communs qui sont souvent montrés à la référence par d'autres études scientifiques ou utilisés pour mesurer la popularité de la mosquée scientifique, montrant une popularité moyenne d'un journal.
  • Par exemple, magazine Nature avec un facteur d'impact élevé, 2.5 facteur d ' effet On suppose qu'il est plus méticuleux et important qu'une revue comme les Sciences appliquées.

Pourquoi l'IA les désactive - t - elle?

Selon Lisa Oguike, porte-parole de Google, ces paramètres dépendent du domaine de recherche et sont difficiles à prévoir les valeurs appropriées pour la plupart des utilisateurs. En outre, limiter le facteur d'impact ou le nombre d'impulsions; c'est le risque de manquer d'importantes études de verrouillage comme les disciplines ou les articles nouvellement publiés.

Google Academic AI Comment mesurer la fiabilité des articles?

Google Academic AI (Scholar Labs), au lieu d'indicateurs traditionnels de popularité sociale, les articles visent à évaluer les gens scientifiques comme eux-mêmes :

• Critères de tri : Google déclare que Labs est le texte intégral de l'article, où il est publié, qui écrit et combien de fois et comment récemment cité dans d'autres publications universitaires.
• Objet: Le principal objectif du véhicule est de trouver le contenu scientifique le plus utile à la question de recherche de l'utilisateur. L'intelligence artificielle parvient à la conclusion en lisant les liens entre les questions principales et les relations en question.

Yapay Zeka Destekli Arama Hangi Tartışmaları Gündeme Getiriyor?

Google’ın Generative AI araştırma aracı, bilimsel kalitenin nasıl değerlendirilmesi gerektiği konusunda iki zıt görüşü ortaya koyuyor:

• Geleneksel Metriklerin Eleştirisi (Schrag Görüşü): Vanderbilt Üniversitesi’nden nöroloji doçenti Matthew Schrag, Google’ın yaklaşımına katılarak atıf sayısı ve etki faktörünün bir makalenin kalitesinden çok, "sosyal bağlamı" hakkında bilgi verdiğini belirtiyor. Schrag, yapay zekanın, aksi takdirde gözden kaçabilecek önemli makaleleri yüzeye çıkarabileceğini ve sosyal medya popülerliği gibi ek bağlamlar ekleyebileceğini düşünüyor.
• Geleneksel Metriklere Duyulan Güven (Smoliga Görüşü): Tufts Üniversitesi’nden James Smoliga gibi tecrübeli araştırmacılar ise, özellikle yeni bir alana girerken, yüksek atıf alan makaleleri otomatik olarak daha güvenilir kabul etme tuzağına düştüklerini itiraf ediyor. PubMed karşılaştırmasında görüldüğü gibi, geleneksel filtreler (klinik çalışma, inceleme makalesi vb.), araştırmacıya hassas kontrol sunmaya devam ediyor.

Bilim insanları, yapay zeka destekli akademik arama araçlarının potansiyelini kabul etse de, son değerlendirme yetkisinin algoritmalara değil, kendilerine ait olması gerektiğini vurguluyorlar. Google Scholar Labs, gelecekteki akademik bilgi keşfinin yönünü belirleyecek önemli bir adımdır, ancak araştırmacılar için makaleleri okuma ve titizlikle değerlendirme sorumluluğu devam edecektir.

Chercheurs Google Inscrivez-vous à la liste d'attente pour accéder aux laboratoires ou vous aider à entrer dans le monde de l'intelligence artificielle pour en savoir plus sur les résultats éthiques et pratiques de l'utilisation d'outils de recherche sur l'IA Generative dans votre recherche universitaire Voir nos entraînements.