Google Scholar<\/b><\/span><\/p>\n Zbieranie materia\u0142\u00f3w i informacji jest najcz\u0119\u015bciej jednym z pierwszych krok\u00f3w podczas analizy problemu badawczego. Zadanie to znacz\u0105co u\u0142atwi\u0142y, a wr\u0119cz zrewolucjonizowa\u0142y wyszukiwarki bibliograficzne i naukowe, takie jak uruchomiona w 2004 roku Google Scholar.<\/span><\/p>\n Google Scholar dzia\u0142a na zasadzie wyszukiwarki, umo\u017cliwiaj\u0105c u\u017cytkownikom przeszukiwanie internetu w poszukiwaniu publikacji naukowych, takich jak artyku\u0142y, ksi\u0105\u017cki, prace doktorskie, konferencje naukowe, raporty itp. Serwis zawiera linki do tych publikacji, kt\u00f3re s\u0105 darmowe lub s\u0105 dost\u0119pne po op\u0142aceniu subskrypcji, lub op\u0142acie jednorazowej.<\/span><\/p>\n Wyszukiwarka oferuje wiele funkcji, w tym narz\u0119dzia do filtrowania wynik\u00f3w, sortowania wed\u0142ug daty publikacji lub liczby cytowa\u0144, a tak\u017ce mo\u017cliwo\u015b\u0107 \u015bledzenia cytat\u00f3w dla okre\u015blonych publikacji. Google Scholar umo\u017cliwia r\u00f3wnie\u017c tworzenie profilu naukowego, gdzie autorzy mog\u0105 prezentowa\u0107 swoje publikacje i \u015bledzi\u0107 cytowania swoich prac.<\/span><\/p>\n Rekordy zwracane przez Google Scholar s\u0105 pozyskiwane za pomoc\u0105 tzw. robot\u00f3w indeksuj\u0105cych (web crawlers<\/em>), przeszukuj\u0105cych m.in. bazy danych uniwersytet\u00f3w i instytucji naukowych. Nast\u0119pie rekordy s\u0105 pozycjonowane zgodnie z algorytmem bior\u0105cym pod uwag\u0119 m.in. liczb\u0119 cytowa\u0144, reputacj\u0119 autora pracy, miejsce i dat\u0119 publikacji pracy oraz jej j\u0119zyk.<\/span><\/p>\n Poniewa\u017c Google Scholar wy\u017cej pozycjonuje prace z du\u017c\u0105 liczb\u0105 cytowa\u0144 (Beel & Gipp, 2009)<\/strong>, trudniej b\u0119dzie za jej pomoc\u0105 znale\u017a\u0107 \u2018nieodkryte diamenty\u2019 b\u0105d\u017a prace id\u0105ce \u2018pod pr\u0105d\u2019 w danym temacie. Mo\u017ce r\u00f3wnie\u017c wzmacnia\u0107 tzw. efekt \u015bw. Mateusza – najwy\u017cej pozycjonowane prace, a wi\u0119c te z najwi\u0119ksz\u0105 ilo\u015bci\u0105 cytowa\u0144, b\u0119d\u0105 jeszcze cz\u0119\u015bciej czytane i cytowane, i stale umacniane na pozycji lidera.<\/span><\/p>\n Dodatkowo algorytm nie uwzgl\u0119dnia synonim\u00f3w, co z jednej strony wymusza odpowiedni dob\u00f3r s\u0142\u00f3w kluczowych przez wyszukuj\u0105cego, jak i wymaga od autora pracy zawarcia mo\u017cliwie jak najwi\u0119kszej liczby synonim\u00f3w w tek\u015bcie swojej pracy, celem wi\u0119kszej szansy uwzgl\u0119dnienia jej przez Google Scholar.<\/span><\/p>\n Wyszukiwarki wykorzystuj\u0105ce AI – Elicit<\/b><\/span><\/p>\n Innym typem narz\u0119dzia do poszukiwania publikacji s\u0105 narz\u0119dzia wspomagane sztuczn\u0105 inteligencj\u0105, takie jak Elicit, Iris czy Semantic Scholar. Poza dopasowywaniem s\u0142\u00f3w kluczowych z zadanego pytania, wyszukiwarki AI analizuj\u0105 wyszukiwane artyku\u0142y, zwi\u0119kszaj\u0105c jako\u015b\u0107 wynik\u00f3w.<\/span><\/p>\n Elicit to asystent badawczy wykorzystuj\u0105cy modele j\u0119zykowe takie jak GPT-3 do automatyzacji cz\u0119\u015bci prac badawczych (WEB1)<\/a>. Obecnie, jego g\u0142\u00f3wnym narz\u0119dziem jest przegl\u0105d literatury. Je\u015bli zadamy pytanie, Elicit wy\u015bwietli odpowiednie artyku\u0142y i podsumowania kluczowych informacji na temat tych artyku\u0142\u00f3w w \u0142atwej do u\u017cytku tabeli. Do niedawna by\u0142 narz\u0119dziem p\u0142atnym, ale obecnie jest darmowe, publicznie dost\u0119pne.\u00a0<\/span><\/p>\n Elicit jest w stanie znajdowa\u0107 odpowiednie artyku\u0142y nawet je\u015bli nie odpowiadaj\u0105 one s\u0142owom kluczowym. U\u017cywa w tym celu podobie\u0144stwa semantycznego, wi\u0119c przyk\u0142adowo, przy zastosowaniu s\u0142owa kluczowego meditation<\/em> mo\u017ce r\u00f3wnie\u017c zwr\u00f3ci\u0107 artyku\u0142y zwi\u0105zane z terminem mindfulness<\/em>. Dzi\u0119ki regulacji tego, jak \u2018podobne\u2019 s\u0142owa kluczowe maj\u0105 by\u0107 wyszukiwane oraz filtrom s\u0142\u00f3w kluczowych i dziedzin, u\u017cytkownik ma wp\u0142yw na to jak szerok\u0105 baz\u0119 artyku\u0142\u00f3w uzyska.<\/span><\/p>\n Dla ka\u017cdego wyniku wyszukiwania Elicit przetwarza abstrakt i generuje spersonalizowane podsumowanie, kt\u00f3re jest odpowiednie do naszego pytania. Takie podsumowanie mo\u017ce pom\u00f3c u\u017cytkownikowi we wst\u0119pnym zrozumieniu bada\u0144 oraz upraszcza z\u0142o\u017cone abstrakty.<\/span><\/p>\n Je\u015bli u\u017cytkownik oznaczy artyku\u0142 \u2018gwiazdk\u0105\u2019, czyli w zamy\u015ble uzna go za pomocny, Elicit dokona przeszukania grafu cytowa\u0144 tego artyku\u0142u w celu znalezienia podobnych prac oraz aktualizacji wynik\u00f3w wyszukiwania. Co znamienne, przeszukiwane b\u0119d\u0105 zar\u00f3wno prace cytowane w \u2018gwiazdkowym\u2019 artykule, jak i te cytuj\u0105ce ten artyku\u0142.<\/span><\/p>\n Dok\u0142adne dzia\u0142anie Elicit przedstawione jest na grafie poni\u017cej:<\/span><\/p>\n Nale\u017cy zwr\u00f3ci\u0107 uwag\u0119 na zastosowanie sztucznej inteligencji, nieobecnej w przypadku Google Scholar: modeli j\u0119zykowych FLAN-T5 i GPT-3, oraz Support Vector Machine (SVM). <\/span>Dodatkowo korzysta z innego narz\u0119dzia do wyszukiwania literatury naukowej – Semantic Scholar, r\u00f3wnie\u017c korzystaj\u0105cego z narz\u0119dzi do przetwarzania j\u0119zyka naturalnego.<\/span><\/p>\n Elicit posiada obecnie pewne ograniczenia, przyk\u0142adowo przetwarza tylko prace w j\u0119zyku angielskim, co utrudnia prac\u0119 badawcz\u0105 z zastosowaniem tekst\u00f3w w innych j\u0119zykach.<\/span><\/p>\n Dodatkowo, modele j\u0119zykowe, z kt\u00f3rych korzysta Elicit s\u0105 stosunkowo nowe (powsta\u0142y po 2019 roku), i cho\u0107 nie mo\u017cna odm\u00f3wi\u0107 im u\u017cyteczno\u015bci, to nadal powinny by\u0107 traktowane jako technologia na wczesnym etapie rozwoju. Przyk\u0142adowo GPT-3, u\u017cywany w Elicit, mimo bycia jednym z najlepszych dost\u0119pnych modeli,\u00a0 mo\u017ce mie\u0107 trudno\u015bci z przetwarzaniem niezwykle rzadkich lub specjalistycznych termin\u00f3w, lub zrozumieniem ironii i sarkazmu w tek\u015bcie.<\/span><\/p>\n Elicit nie ma mo\u017cliwo\u015bci sprawdzenia, czy dana praca jest wiarygodna – dla ka\u017cdej pracy zostanie zwr\u00f3cony pewien zestaw metryk, takich jak liczba cytowa\u0144 czy to gdzie artyku\u0142 zosta\u0142 opublikowany, ale stwierdzenie tego, czy zawartym w niej wynikom bada\u0144 mo\u017cna ufa\u0107, pozostaje w gestii u\u017cytkownika. Jak ka\u017cde narz\u0119dzie komputerowe, Elicit nie jest idealne i mo\u017ce zawiera\u0107 b\u0142\u0119dy lub nieprawid\u0142owe wyniki, dlatego ka\u017cdy rezultat nale\u017cy sprawdzi\u0107 samodzielnie.<\/span><\/p>\n Por\u00f3wnanie obu narz\u0119dzi na przyk\u0142adzie<\/b><\/span><\/p>\n Jak sprawuj\u0105 si\u0119 wspomniane narz\u0119dzia, gdy mamy do rozwi\u0105zania konkretny problem? Za\u0142\u00f3\u017cmy, \u017ce chcemy si\u0119 wyszuka\u0107 materia\u0142\u00f3w na temat symulacji \u015bniegu. Wyszukujemy fraz\u0119 <\/span>Snow simulation method<\/span><\/i>.<\/span><\/p>\n Patrz\u0105c na pierwsze wyniki z Google Scholar:<\/span> W kolejnych 9 wynikach tylko 5 by\u0142o na temat, kt\u00f3ry poszukiwali\u015bmy. Daje to 50% trafno\u015bci wyszukiwania. Mo\u017cna zwr\u00f3ci\u0107 uwag\u0119, \u017ce zapytanie nie by\u0142o dok\u0142adne i wszystkie podane artyku\u0142y zawiera\u0142y s\u0142owa kluczowe, ale zobaczmy jak poradzi sobie Elicit<\/span><\/p>\n Na 7 kolejnych wynik\u00f3w, 5 by\u0142o trafnych.\u00a0<\/span>Ponadto ka\u017cdy zwr\u00f3cony artyku\u0142 opatrzony by\u0142 ma\u0142ym streszczeniem abstraktu, napisanym przez AI, kt\u00f3re pozwala w kr\u00f3tkim czasie oceni\u0107 przydatno\u015b\u0107 danego wyniku. Opis ten nawi\u0105zuje do zadanego wyszukiwania, przedstawia kluczowe punkty, cytowania w innych \u017ar\u00f3d\u0142ach i cytuje mo\u017cliw\u0105 krytyk\u0119. Google Scholar nie daje takiej mo\u017cliwo\u015bci i wymaga przej\u015bcia na stron\u0119 publikacji.<\/span><\/p>\n Elicit pozwala r\u00f3wnie\u017c na wyszukiwanie bardziej szczeg\u00f3\u0142owych informacji w samym artykule, takich jak czasopismo, w kt\u00f3rym zosta\u0142 on opublikowany czy g\u0142\u00f3wne odkrycia dokonane w pracy. Na uwag\u0119 zas\u0142uguje fakt, \u017ce mo\u017cna wyci\u0105gn\u0105\u0107 dowoln\u0105 informacj\u0119 o artykule w formie pytania 'What was the …?’, co potencjalnie mo\u017ce pom\u00f3c zaw\u0119zi\u0107 liczb\u0119 artyku\u0142\u00f3w do g\u0142\u0119bszej analizy.<\/p>\n Inne narz\u0119dzia sztucznej inteligencji w pracy naukowej<\/b><\/span><\/p>\n Wyszukiwarki naukowe i bibliograficzne s\u0105 tylko jednym z aspekt\u00f3w, w kt\u00f3rych sztuczna inteligencja wykorzystywana jest w narz\u0119dziach pracy naukowej. Do\u015b\u0107 powszechne jest stosowanie jej r\u00f3wnie\u017c na kolejnych etapach bada\u0144, na przyk\u0142ad podczas analizy i klasyfikacji wynik\u00f3w do\u015bwiadczalnych.<\/span><\/p>\n Czym\u015b nowym jest jednak wykorzystanie AI do postulowania trzeciego, obok znanych obserwacji i symulacji, sposobu poznawania wsze\u015bwiata – modelowania generatywnego. Istota dzia\u0142ania takiego modelu mo\u017ce by\u0107 przedstawiona nast\u0119puj\u0105co (WEB2<\/a>):<\/span><\/p>\n Generative modeling takes sets of data (typically images, but not always) and breaks each of them down into a set of basic, abstract building blocks \u2014 scientists refer to this as the data\u2019s \u201clatent space.\u201d The algorithm manipulates elements of the latent space to see how this affects the original data, and this helps uncover physical processes that are at work in the system.<\/span><\/i><\/p><\/blockquote>\n Astrofizyk Kevin Schawinski u\u017cy\u0142 modelu generatywnego w eksperymencie maj\u0105cym sprawdzi\u0107 zmiany zachodz\u0105ce podczas ewolucji galaktyk na poziomie fizycznym. Istota tego eksperymentu brzmia\u0142a:<\/span><\/p>\n Let\u2019s erase everything we know about astrophysics. To what degree could we rediscover that knowledge, just using the data itself?<\/span><\/i><\/p><\/blockquote>\n Model wykry\u0142 pewne procesy zachodz\u0105ce podczas ewolucji galaktyk, ale nie by\u0142 w stanie odpowiedzie\u0107 na pytanie, jakie zjawiska fizyczne je spowodowa\u0142y – do tego nadal potrzebny by\u0142 cz\u0142owiek. Model generatywny stanowi w pewnym sensie odwrotno\u015b\u0107 symulacji – nie mamy ju\u017c \u2018przepisu\u2019 na to, jak zachowuj\u0105 si\u0119 elementy \u015brodowiska, ale zamiast tego chcemy si\u0119 dowiedzie\u0107, co si\u0119 dzieje w danym systemie wyci\u0105gaj\u0105c informacje tylko z danych.<\/span><\/p>\n Narz\u0119dzia wykorzystuj\u0105ce sztuczn\u0105 inteligencj\u0119 mo\u017cna r\u00f3wnie\u017c traktowa\u0107 jak ci\u0119\u017cko pracuj\u0105cych \u2018asystent\u00f3w\u2019 (WEB2<\/a>). S\u0105 w stanie przeanalizowa\u0107 o wiele wi\u0119kszy zbi\u00f3r danych, ni\u017c ich ludzkie odpowiedniki, zostawiaj\u0105c \u201cciekawsz\u0105\u201d nauk\u0119 prawdziwym naukowcom. Przyk\u0142adem wykorzystania takiego \u2018asystenta\u2019 mo\u017ce by\u0107 losowe testowanie \u0142\u0105czenia r\u00f3\u017cnych zwi\u0105zk\u00f3w chemicznych przez robota, eksperyment przeprowadzony przez Lee Cronin\u2019a. Dzi\u0119ki dost\u0119powi do systemu monitoringu robot uczy\u0142 si\u0119, kt\u00f3re zwi\u0105zki najmocniej ze sob\u0105 reaguj\u0105, tworz\u0105c coraz lepsze kombinacje. Mimo \u017ce eksperyment nie doprowadzi\u0142 do nowych odkry\u0107, Cronin postulowa\u0142, \u017ce podobne rozwi\u0105zania zwi\u0119ksz\u0105 szybko\u015b\u0107 pracy naukowc\u00f3w-chemik\u00f3w nawet o 90%.<\/span><\/p>\n Innym podobnym testem by\u0142a przeprowadzona w Zurichu pr\u00f3ba wywnioskowania praw fizyki z samych danych przez robota AI. Maszyna z powodzeniem odkry\u0142a na nowo heliocentryczny uk\u0142ad s\u0142oneczny, tory ruchu innych planet oraz zasady zachowania energii.<\/span> W pracy <\/span>On scientific understanding with artificial intelligence <\/span><\/i>wymienione zosta\u0142y trzy wymiary, w jakich sztuczna inteligencja mo\u017ce s\u0142u\u017cy\u0107 naukowcom (Krenn et al., 2022)<\/strong>.<\/span><\/p>\n Pierwszy typ narz\u0119dzia, nazwany mikroskopem obliczeniowym, umo\u017cliwia\u0142by badanie obiekt\u00f3w i proces\u00f3w, kt\u00f3rych nie da si\u0119 zwizualizowa\u0107 ani pr\u00f3bkowa\u0107 w inny spos\u00f3b, na przyk\u0142ad ze wzgl\u0119du na skal\u0119 czasow\u0105, w jakiej nale\u017ca\u0142oby przeprowadzi\u0107 eksperyment. Takie komputerowo generowane dane mog\u0142yby by\u0107 generalizowane w innym kontek\u015bcie, prowadz\u0105c do nowych wynik\u00f3w. Symulacje oparte na takich za\u0142o\u017ceniach doprowadzi\u0142y ju\u017c do odkry\u0107 w zakresie chemii i biologii molekularnej.<\/span><\/p>\n Sztuczna inteligencja mo\u017ce si\u0119 r\u00f3wnie\u017c okaza\u0107 \u017ar\u00f3d\u0142em inspiracji dla naukowc\u00f3w, na przyk\u0142ad poprzez wykrywanie wzorc\u00f3w w danych eksperymentalnych. W tej dziedzinie zastosowanie mog\u0105 znale\u017a\u0107 r\u00f3wnie\u017c wspomniane wcze\u015bniej modele j\u0119zykowe, kt\u00f3re poprzez analiz\u0119 artyku\u0142\u00f3w mog\u0105 wyabstrahowywa\u0107 nowe kierunki bada\u0144. Mo\u017ce to stanowi\u0107 w przysz\u0142o\u015bci ciekawe rozszerzenie dzia\u0142ania wyszukiwarek naukowych.<\/span><\/p>\n Najbardziej zaawansowanym narz\u0119dziem, obecnie istniej\u0105cym tylko w sferze spekulacji, mia\u0142by by\u0107 agent zrozumienia (<\/span>agent of understanding<\/span><\/i>), czyli obiekt potrafi\u0105cy w spos\u00f3b autonomiczny pozyskiwa\u0107 zrozumienie naukowe nieznane dot\u0105d cz\u0142owiekowi, oraz mu je przekazywa\u0107.<\/span> Jak sztuczna inteligencja zmienia nauk\u0119?<\/b><\/span><\/p>\n Wp\u0142yw wyszukiwarek naukowych<\/b><\/span><\/p>\n Obecny bezprecedensowy w historii ludzko\u015bci szeroki dost\u0119p do szkolnictwa wy\u017cszego, a co za tym idzie rosn\u0105ca liczba publikacji naukowych czyni pr\u00f3b\u0119 samodzielnego przegl\u0105du publikacji na dany temat zadaniem praktycznie niemo\u017cliwym. Nieocenion\u0105 pomoc okazuj\u0105 tutaj wcze\u015bniej wymienione wyszukiwarki naukowe, takie jak Google Scholar czy Elicit, pozostawiaj\u0105c jednak zauwa\u017calny wp\u0142yw na spos\u00f3b pisania prac naukowych oraz ich cytowalno\u015b\u0107.<\/span><\/p>\n Jednym ze \u017ar\u00f3de\u0142 tego wp\u0142ywu s\u0105 algorytmy pozycjonuj\u0105ce wyniki wyszukiwaniu, co jak wcze\u015bniej wspomniano w przypadku Google Scholar, mo\u017ce powodowa\u0107 marginalizacj\u0119 prac spoza \u2018g\u0142\u00f3wnego nurtu\u2019 w danej dziedzinie i prowadzi\u0107 do bardzo du\u017cego wzrostu cytowa\u0144 dla wysoko pozycjonowanych prac. Poniewa\u017c algorytmy takie opieraj\u0105 si\u0119 najcz\u0119\u015bciej na liczbie cytowa\u0144, mo\u017cna spotka\u0107 si\u0119 z negatywnym zjawiskiem samocytowania (Beel & Gipp, 2009)<\/strong>.<\/span><\/p>\n Udowodniono, \u017ce Google Scholar nie jest odporny na pewien rodzaj spoofingu – ocena prac zwracanych w rezultatach jest powierzchowna, mog\u0105 si\u0119 tam dosta\u0107 prace napisane przez boty albo nieistniej\u0105cych autor\u00f3w (<\/span>Ike Antkare by\u0142 w pewnym momencie swojego (nie)istnienia dwudziestym pierwszym najwy\u017cej cytowanym naukowcem Google Scholar, wyprzedzaj\u0105c nawet Einsteina) (WEB3<\/a>).<\/span><\/p>\n Innym problemem jest brak uwzgl\u0119dniania kolejno\u015bci autor\u00f3w prac. W dobie istnienia ogromnych zespo\u0142\u00f3w badawczych, kiedy nowe odkrycia rzadko s\u0105 dokonywane przez jednostki, a prace naukowe mog\u0105 mie\u0107 nawet ponad 5 tys autor\u00f3w<\/span>, takie rozwi\u0105zanie mo\u017ce si\u0119 okaza\u0107 problematyczne.\u00a0<\/span><\/p>\n Brakuje r\u00f3wnie\u017c rozr\u00f3\u017cnienia rodzaju cytowa\u0144 – tak\u0105 sam\u0105 wag\u0119 b\u0119dzie mie\u0107 cytowanie typu \u2018autor tego artyku\u0142u ca\u0142kowicie si\u0119 pomyli\u0142\u2019 i \u2018ca\u0142\u0105 moj\u0105 prac\u0119 opieram na tym, co zrobi\u0142 ten autor\u2019. Tutaj pomocne mo\u017ce w przysz\u0142o\u015bci okaza\u0107 si\u0119 wykorzystanie sztucznej inteligencji, kt\u00f3ra mog\u0142aby na podstawie tekstu wyci\u0105ga\u0107 kontekst cytatu.<\/span><\/p>\n Dodatkowy problem stanowi faworyzowanie prac pisanych w j\u0119zyku angielskim. W przypadku wyszukiwania prac w kilku j\u0119zykach, Google Scholar podczas zwracania wynik\u00f3w na wy\u017cszych miejscach plasuje prace napisane w j\u0119zyku angielskim (Rovira et al., 2021)<\/strong>. Inne rozwa\u017cane narz\u0119dzie, Elicit, umo\u017cliwia tylko i wy\u0142\u0105cznie wyszukiwanie prac w j\u0119zyku angielskim, przy czym pojawiaj\u0105 si\u0119 sugestie, \u017ce znacznie ni\u017cej pozycjonowane s\u0105 prace autor\u00f3w, dla kt\u00f3rych angielski nie jest ich pierwszym j\u0119zykiem. Mo\u017ce to prowadzi\u0107 do pomijania prac naukowych pisanych w innych j\u0119zykach, niezale\u017cnie od ich warto\u015bci naukowej.<\/span><\/p>\n Czy roboty zast\u0105pi\u0105 naukowc\u00f3w?<\/b><\/span><\/p>\n U\u017cywanie sztucznej inteligencji staje si\u0119 nieod\u0142\u0105czn\u0105 cz\u0119\u015bci\u0105 pracy naukowca r\u00f3wnie\u017c na innych etapach badawczych, przyk\u0142adowo podczas analizy ogromnej ilo\u015bci danych do\u015bwiadczalnych. Dyskusyjna pozostaje jednak kwestia tego, czy sztuczna inteligencja b\u0119dzie w stanie przyczyni\u0107 si\u0119 na poziomie fundamentalnym do pozyskania nowego zrozumienia naukowego.<\/span><\/p>\n Wspomniany wcze\u015bniej model generatywny jest przez niekt\u00f3rych okre\u015blany jako wyrafinowany spos\u00f3b do wyci\u0105gania wzorc\u00f3w z danych, a nie nowy spos\u00f3b poznawania wszech\u015bwiata (WEB2<\/a>).<\/span><\/p>\n Metody sztucznej inteligencji takie jak sieci neuronowe s\u0105 czasami krytykowane za brak transparencji – uzyskujemy odpowied\u017a na pytanie bez jasnego wyja\u015bnienia, sk\u0105d ta odpowied\u017a si\u0119 bierze. Uznaje si\u0119 te\u017c, \u017ce wyniki uzyskiwane za pomoc\u0105 sieci neuronowych powinny by\u0107 dostarczane razem z pewnym zakresem b\u0142\u0119du.<\/span><\/p>\n Cz\u0119sto s\u0142yszanym argumentem jest r\u00f3wnie\u017c aspekt kreatywno\u015bci, kt\u00f3rej na razie nie potrafimy zaprogramowa\u0107. Astroinformatyk Kai Polsterer stwierdzi\u0142, \u017ce:<\/span><\/p>\n Coming up with a theory, with reasoning, I think demands creativity. To be creative, you have to dislike being bored. And I don\u2019t think a computer will ever feel bored.<\/span><\/i><\/p><\/blockquote>\n Potencjalnie, naukowc\u00f3w m\u00f3g\u0142by zast\u0105pi\u0107 wspomniany wcze\u015bniej agent zrozumienia, z tym \u017ce jego istnienie wymaga\u0142oby modelu uczenia maszynowego b\u0119d\u0105cego w stanie przekaza\u0107 now\u0105 wiedz\u0119 cz\u0142owiekowi, na przyk\u0142ad za pomoc\u0105 dyskusji prowadzonej w j\u0119zyku naturalnym za po\u015brednictwem GPT-3. Taki obiekt pozostaje obecnie jedynie w sferze teoretycznej.<\/span><\/p>\n Podsumowanie<\/b><\/span><\/p>\n Nie ulega w\u0105tpliwo\u015bci, \u017ce stosowanie sztucznej inteligencji w pracy naukowej, czy to na etapie wst\u0119pnej analizy dziedziny problemu, czy podczas klasyfikacji i opracowywania danych do\u015bwiadczalnych staje si\u0119 niezb\u0119dne ze wzgl\u0119du na rosn\u0105c\u0105 ilo\u015b\u0107 informacji, niemo\u017cliwej do przetworzenia przez cz\u0142owieka. Wa\u017cna jest jednak \u015bwiadomo\u015b\u0107 ogranicze\u0144 tych narz\u0119dzi, a co za tym idzie odpowiednia weryfikacja uzyskanych za ich pomoc\u0105 wynik\u00f3w.<\/span><\/p>\n![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2023\/03\/google_scholar-300x78.png\")
<\/p>\n![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2023\/03\/elicit-300x110.png\")
<\/p>\n![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2023\/03\/elicit_graph-165x300.png\")
<\/p>\n
\n<\/span><\/p>\n\n
![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2023\/03\/google_search-300x142.png\")
<\/p>\n\n
![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2023\/03\/elicit_search-300x136.png\")
<\/p>\n
\n<\/span><\/p>\n![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2023\/03\/on_scientific-300x231.png\")
<\/p>\n
\n<\/span><\/i><\/p>\n