Google Scholar Labs: новое поколение академического поиска с искусственным интеллектом

Akademik araştırmaların temel taşı olan bilgiye erişim süreci, geleneksel yöntemlerle sınırlı kalmak zorunda değil. Google, Generative AI araştırma yeteneklerini kullanarak, detaylı bilimsel sorulara çok açılı cevaplar bulmayı amaçlayan yeni aracı Google Scholar Labs’ı tanıttı. Bu özellik, Google Akademik (Google Scholar) içerisine entegre edilerek, araştırmacıların aradıkları bilgiyi bulma ve sentezleme biçimini dönüştürme potansiyeli taşıyor.

Ancak bu dönüşüm, bilim camiasında önemli bir tartışmayı da beraberinde getiriyor: Yapay zeka destekli akademik arama araçları, geleneksel bilimsel kalite ölçütlerini (atıf sayısı, etki faktörü) görmezden gelerek, gerçekten güvenilir ve etkili makaleleri nasıl ön plana çıkarabilir? Bu yeni yaklaşım, araştırmacının bilimsel makale güvenilirliği konusundaki sorumluluğunu ne ölçüde değiştiriyor?

Google Scholar Labs Nedir ve Nasıl Çalışır?

• Nedir? Google Scholar Labs, Google Akademik’e (Google Scholar) entegre edilen, yapay zeka destekli akademik arama yaparak karmaşık bilimsel araştırma sorularını yanıtlamak üzere tasarlanmış yeni bir özelliktir.
• Nasıl Çalışır? Kullanıcının sorduğu detaylı soruyu analiz eder, temel konuları, yönleri ve aralarındaki ilişkileri belirler. Ardından, bu belirlenen tüm konuları Scholar üzerinde arar. Örneğin, kafein tüketiminin kısa süreli hafızayı nasıl etkilediği sorulduğunda, Labs; kafein alımı, kısa süreli hafıza ve yaşa özgü bilişsel çalışmalar arasındaki ilişkileri kapsayan makaleleri bulmak için çoklu arama yapar. Sonuçları değerlendirir ve hangi makalenin sorunun hangi kısmını yanıtladığını açıklayarak sunar.
• Kim Kullanabilir? Şu an için Labs, sınırlı sayıda oturum açmış kullanıcıya sunulmuş durumdadır ve gelecekteki geliştirmeler için kullanıcı geri bildirimleri toplanmaktadır.

AI Neden Geleneksel Metrikleri (Atıf Sayısı) Kullanmıyor?

Google Scholar Labs использует некоторые общие фильтры (фактор эффекта номера и журнала), которые традиционно используются для определения качества исследования.

• Каково количество лошадей и импакт-фактор (Journal Impact Factor)?
  • число и импакт-фактор; После выхода статьи, это общие показатели, которые часто показываются по ссылке другими научными исследованиями или используются для измерения популярности научной мечети, показывая среднюю популярность журнала.
  • Например, журнал Nature с высоким импакт-фактором, 2.5 Эффектный фактор Предполагается, что он более скрупулезный и важный, чем журнал Applied Sciences.

Почему ИИ отключает их?

По словам представителя Google Лизы Огике, эти показатели зависят от области исследований и трудно предсказать соответствующие значения для большинства пользователей. Кроме того, ограничение импакт-фактора или количества импульсов; это риск пропуска значительных исследований блокировки, таких как дисциплины или недавно опубликованные статьи.

Google Академический ИИ Как измерить надежность статьи?

Google Academic AI (Scholar Labs), вместо традиционных показателей социальной популярности, в статьях ставится цель оценить науку людей, похожих на себя:

• Сортовые критерии: Google утверждает, что полный текст статьи Labs, где она опубликована, кто пишет и как часто и как недавно цитировался в другой научной литературе.
• Цель: Основной целью автомобиля является поиск наиболее полезного научного контента для исследования пользователя. Искусственный интеллект приходит к выводу, читая ссылки между основными вопросами и отношениями, о которых идет речь.

Какие дискуссии об искусственном интеллекте приводят к повестке дня?

Исследовательский инструмент Google Generative AI показывает два противоположных мнения о том, как следует оценивать научное качество:

• Критика традиционной метрики (Шраг Вижн): Из Университета Вандербильта, насыщения неврологии Мэтью Шрага, подхода Google, а также количества импульсов и качества статьи фактора влияния, "Социальный контекстВ нем говорится, что он дает информацию об этом. Шраг считает, что искусственный интеллект может удалить важные статьи, которые в противном случае могут быть рассмотрены на поверхности, и добавить дополнительные контексты, такие как популярность в социальных сетях.
• Доверенная традиционная метрика (Smoliga Vision): Опытные исследователи из Университета Тафтса, такие как Джеймс Смолига, особенно при входе в новую область, высокие конные изделия автоматически признают, что попали в ловушку принятия более надежных. Как видно из сравнения PubMed, традиционные фильтры (клиническое исследование, обзорная статья и т. д.) продолжают обеспечивать точный контроль исследователя.

Хотя ученые признают потенциал инструментов академического поиска, поддерживаемых ИИ, они подчеркивают, что полномочия по окончательной оценке должны принадлежать не алгоритмам, а им. Google Scholar Labs является важным шагом для определения направления будущего академического открытия знаний, но для исследователей чтение статей и строгая ответственность за оценку будут продолжаться.

Ученые Google Подпишитесь на лист ожидания для доступа к лабораториям или помогите вам войти в мир искусственного интеллекта, чтобы узнать больше об этических и практических результатах использования инструментов исследования генеративного ИИ в ваших академических исследованиях. [+] Смотрите наши тренинги.