Az új kutatási kereső működése
A Scholar Labs lényege, hogy MI segítségével feltérképezi a keresési kérdés főbb témáit és kapcsolatait, így emeli ki azokat a tanulmányokat, amelyek szerinte a leghitelesebbek és legrelevánsabbak. Egy agy-számítógép-interfészekről szóló bemutatóban például egy 2024-es áttekintő cikket emelt ki, amely az elektroenkefalográfia-alapú, nem invazív agyi jelfelvétellel és a kulcsfontosságú algoritmusokkal foglalkozott. Az eszköz magyarázatokat is ad arról, hogy mi alapján választotta ki az adott találatokat.
Hagyományos szűrők nélkül
Ezzel szemben a Scholar Labs nem kínálja azokat a klasszikus értékelési lehetőségeket, mint az idézettségi szám vagy a folyóirat impaktfaktora, amelyek alapján a tudományos közösség gyakran rangsorolja a publikációkat. Az idézettség nagyjából a tanulmány népszerűségét jelzi, míg az impaktfaktor a folyóirat szakmai elismertségét mutatja. Például az Applied Sciences folyóirat önbevallása alapján 2,7 az impaktfaktora, míg a Nature esetében ez 65,7. A korábbi Google Scholarban a kutató akár relevancia, akár idézettség alapján is sorba rendezhette a találatokat.
Az MI-n alapuló rangsorolás dilemmái
A Google állítása szerint a Scholar Labs komplexen, a cikk teljes szövege, a publikáció helye, a szerzők és az idézettség kombinációjából próbálja megállapítani egy tanulmány hasznosságát. Mégis, az új verzióban nem lehet leszűkíteni a találatokat a hivatkozási szám vagy az impaktfaktor alapján. A Google szerint ezek a metrikák gyakran nem elég pontosak, különösen az új, gyorsan bővülő kutatási területeken, illetve a multidiszciplináris cikkeknél, így akár fontos tanulmányok is kimaradhatnak.
Vajon elég objektív az algoritmus?
Ezáltal arra lehet következtetni, hogy bár a klasszikus idézettségi és impaktfaktor-adatok csupán durva becslést adnak egy publikáció minőségéről, a tudományos életben mégis gyakran ezek alapján ítélnek. A Vanderbilt Egyetem neurológusa, Matthew Schrag is hangsúlyozza, hogy ezek leginkább a cikk társadalmi kontextusát mutatják, és nem feltétlenül a minőséget tükrözik, még ha az összefüggés remélhetőleg adott is. Mégis, például a PubMed adatbázisban a kutatók előszeretettel szűrik a találatokat a publikáció dátuma, a cikk típusa vagy lektoráltsága szerint. A Scholar Labs lehetőséget ad arra, hogy időintervallumot adjon meg a felhasználó, így valamelyest rugalmas marad.
Álkutatások, hamisított adatok – bízhatunk-e az MI-ben?
Az Alzheimer-kór kutatásában jártas Schrag szerint az MI-alapú kereső akár olyan tanulmányokat is felszínre hozhat, amelyek egyébként elsikkadnának, vagy plusz információkat nyújthat a tanulmány közösségi médiabeli népszerűségéről. Ugyanakkor hangsúlyozza: a komoly döntésekhez a tudósoknak kell átolvasniuk és kritikusan értékelniük a szakirodalmat, nem engedhetik át a végső döntést egy algoritmusnak.
Az MI jövője a tudományos tájékozódásban
A Scholar Labs jelenleg csak egy szűkebb, regisztrált közönség számára elérhető; a Google a felhasználói tapasztalatok beépítését ígéri, és várólistát tart fenn az érdeklődőknek. Összességében kulcsfontosságú marad a tudományos közösség szerepe abban, hogy a valóban jelentős, minőségi tudományos tartalmak emelkedjenek ki a digitális zajból.
Ezáltal arra lehet következtetni, hogy az MI megkönnyítheti a tudományos eligazodást, de a végső, kritikus döntést továbbra is az emberi szakértelemnek kell meghoznia.
