„Dirbtinio intelekto įrankiai didina tyrėjų produktyvumą, tačiau kai kurie nerimauja dėl didėjančio pasitikėjimo jais poveikio.
Mokslininkai vis dažniau savo darbe naudoja dirbtinį intelektą (DI). Daugelis teigia, kad šie įrankiai taupo jiems laiką ir pinigus, tačiau kiti pastebėjo neigiamą tokių įrankių poveikį tyrimams.
Leidyklos „Wiley“ spalio mėnesį paskelbtoje daugiau nei 2400 tyrėjų apklausoje 62 % respondentų teigė, kad naudoja DI su tyrimais ar publikavimu susijusioms užduotims atlikti – 2024 m., kai apklausoje dalyvavo 1043 respondentai, tokių respondentų buvo 45 %.
Jaunosios karjeros mokslininkai ir fizinių mokslų tyrėjai dažniausiai savo darbe naudojo DI įrankius ir buvo labiau linkę anksčiau naudoti DI nei vėlesnės karjeros tyrėjai arba humanitarinių mokslų, matematikos ar statistikos srityse dirbantys tyrėjai.
Tyrėjai naudoja DI įrankius, kad padėtų rašyti, redaguoti ir versti.
Jie taip pat naudoja juos klaidoms ar šališkumui savo raštuose aptikti ir dideliems tyrimų kiekiams apibendrinti.
Imtyje Iš 2059 respondentų 85 % teigė, kad dirbtinis intelektas padėjo padidinti efektyvumą, 77 % – kad padėjo padidinti atliekamų darbų kiekį, o 73 % – kad pagerino jų darbo kokybę.
Matthew Bailes, astrofizikas iš Swinburne technologijos universiteto Melburne, Australijoje, teigia, kad dirbtinio intelekto įrankiai yra populiarūs tarp astronomų, nes padeda jiems apdoroti didžiulius duomenų rinkinius. Jo komanda jau maždaug dešimtmetį naudoja dirbtinį intelektą neutroninių žvaigždžių parašams savo duomenyse identifikuoti. „Kai turi 10 000 kandidatų, patogu tiesiog viską peržiūrėti per kelias sekundes, o ne rankiniu būdu viską peržiūrėti.“
Jo komanda taip pat kuria virtualią Visatos simuliaciją. Projekte naudojama generatyvinio dirbtinio intelekto modelio „Claude“, kurį sukūrė „Anthropic“ San Franciske, Kalifornijoje, papildinio versija, skirta duomenims rodyti kartu su vizualizacijomis. Bailesas tikisi jį naudoti kaip „bendradarbį mokytoją“. Jis galėtų parodyti kamuolinio spiečiaus – tūkstančių ar milijonų žvaigždžių kolekcijos – simuliaciją grafikų fone, rodančių, kiek juodųjų skylių ar neutroninių žvaigždžių išsivysto laikui bėgant. „Švietimo galimybės ten yra fenomenalios“, – priduria jis.
Produktyvumo didinimas
DI taip pat daro įtaką mokslininkų rezultatams ir jų karjerai. 2024 m. „arXiv“ paskelbtame išankstiniame leidinyje1 teigiama, kad mokslininkai, kurie naudojo DI, paskelbė daugiau straipsnių, turėjo daugiau citavimų ir tapo komandos vadovais ketveriais metais anksčiau nei tie, kurie nenaudojo DI.
Tyrėjai naudojo didelį kalbos modelį, kad nustatytų daugiau nei milijoną DI paremtų straipsnių tarp 67,9 mln. tyrimų, paskelbtų šešiose srityse nuo 1980 iki 2024 m. Autoriai pažymi, kad „DI pagreitina darbą nusistovėjusiose, duomenimis turtingose srityse“. Tai rodo, kad nors DI gali padidinti produktyvumą atskirų mokslininkų, tai gali sumažinti mokslinę įvairovę, sako jie.
Daugelis tyrėjų nerimauja dėl kitokio žalingo DI poveikio moksliniams tyrimams. Hobokene, Naujajame Džersyje, įsikūrusios „Wiley“ atlikta apklausa parodė, kad 87 % žmonių nerimavo dėl DI klaidų, vadinamų haliucinacijomis, taip pat dėl duomenų saugumo, etikos ir skaidrumo stokos mokymo srityje. Praėjusių metų apklausoje šis skaičius siekė 81 %.
Nigelis Hitchinas, matematikas iš Oksfordo universiteto (Jungtinė Karalystė), mano, kad didžiausias DI naudojimo tyrimuose pavojus yra tas, kad žmonės mano, jog DI modeliai yra teisingi. „Tai taip pat gali sukelti tinginystę bendruomenėje“, – priduria jis, nes technologija nepadeda žmonėms suprasti, kodėl atsakymas yra teisingas ar neteisingas.
Bailesas matė, kaip studentai ir kiti tyrėjai naudoja didelius kalbos modelius, tokius kaip „ChatGPT“, norėdami rašyti kodą savo programinei įrangai, nesuprasdami, kaip kodas veikia. Vienu atveju jo komandos pateiktame publikavimui straipsnyje buvo klaida, kurią sukėlė kodas, kurį studentas paprašė parašyti „ChatGPT“ ir pats neišbandė.
Bailesas teigia, kad svarbu išmokyti studentus patikrinti atsakymus, padedant jiems tai padaryti. išsiugdyti intuiciją, koks galėtų būti atsakymas. „Turime entuziastingai jį priimti, bet į rezultatus žiūrėti su tokiu skepticizmu, su kokiu turėtume žiūrėti į visus mokslinius rezultatus, kai jie pateikiami“, – priduria jis.“ [1]
1. Nature 649, 272-273 (2026) By Rachel Fieldhouse
Komentarų nėra:
Rašyti komentarą