تسهیل اشتراک‌گذاری داده‌های علمی با ورود هوش مصنوعی به علم باز

به گزارش گروه دانشگاه خبرگزاری دانشجو؛ دهه‌ی گذشته به وضوح نشان داد که تبادل آزاد اطلاعات می‌تواند پیشرفت علمی را شتاب بخشد. به ویژه، در دوران شیوع کووید۱۹، اشتراک‌گذاری گسترده‌ی نتایج اولیه، داده‌ها و پروتکل‌ها نقش مهمی در تسریع توسعه‌ی واکسن‌ها و درمان‌های مؤثر ایفا کرد.

این تجربه، لحظه‌ای کلیدی برای علم باز بود و در عمل نشان داد که دسترسی به مجموعه‌ای متنوع از خروجی‌های پژوهشی فراتر از تنها مقاله‌ی نهایی چگونه می‌تواند محرک کشفیات بزرگ باشد.

با وجود این پیشرفت‌ها، موانع زیادی همچنان پابرجاست. نبود راهنمایی‌های یکپارچه برای اشتراک‌گذاری داده‌ها و وجود سیاست‌های متداخل، پژوهشگران را در انتخاب زمان، مکان و نحوه‌ی انتشار نتایجشان سردرگم کرده است. افزون بر این، در بسیاری از محافل دانشگاهی، اشتراک‌گذاری داده، کد و پروتکل‌های دقیق هنوز به اندازه‌ی انتشار مقالات علمی مورد تقدیر قرار نمی‌گیرد.

هوش مصنوعی به کمک علم باز می‌آید

فناوری‌های نوظهور به ویژه ابزار‌های مبتنی بر هوش مصنوعی تولیدی، می‌توانند این چالش‌ها را برطرف کنند. این ابزار‌ها با تسهیل تولید فراداده، شناسایی الزامات نادیده گرفته شده و پیشنهاد بهترین شیوه‌های کاری، به پژوهشگران اجازه می‌دهند بر کشف علمی تمرکز کنند نه بر مستندسازی.

شرکت Springer Nature اخیراً طی یک مطالعه‌ی آزمایشی، از نویسندگان خواست پیش از پذیرش نهایی مقالات، دلایل عدم انتشار داده‌های خود را توضیح دهند. این اقدام ساده باعث افزایش نرخ اشتراک‌گذاری داده‌ها از ۵۱٪ به ۸۷٪ شد. با این حال، اجرای گسترده‌ی چنین سیاست‌هایی به صورت دستی دشوار است و اینجاست که هوش مصنوعی می‌تواند با خودکارسازی فرایندها، نقش‌آفرینی کند.

در یک پروژه‌ی آزمایشی دیگر، Springer Nature در حال بررسی این موضوع است که آیا هوش مصنوعی می‌تواند داده‌های ارزشمند مدفون در مقالات را شناسایی کرده و به نسخه‌های داده‌محور قابل انتشار تبدیل کند. در این فرآیند، نویسندگان فرصت بازبینی و اصلاح پیش‌نویس‌ها را دارند تا دقت علمی و استاندارد‌های پژوهشی حفظ شود.

تغییر فرهنگ پژوهشی با کمک فناوری

کارشناسان معتقدند که تنها ابزار‌های فناورانه کافی نیستند. باید سازوکار‌هایی طراحی شود که همه‌ی مراحل چرخه‌ی عمر پژوهش از داده‌ها و کد‌ها گرفته تا پروتکل‌ها به رسمیت شناخته شده و مورد ارزیابی قرار گیرند.

تحلیل‌های مبتنی بر هوش مصنوعی می‌توانند نشان دهند که چگونه داده‌ها و کد‌های به اشتراک گذاشته شده، بر پژوهش‌های بعدی تاثیر می‌گذارند. این امر می‌تواند ارزش‌آفرینی این بخش‌های حیاتی پژوهش را در تصمیمات ارتقاء شغلی دانشگاهی و اعطای بودجه‌ها بازتاب دهد.

چشم‌اندازی برای آینده‌ی علم باز

در نهایت، وقتی اشتراک‌گذاری داده‌ها و مستندسازی با استفاده از ابزار‌های هوشمند ساده‌تر و کمتر وقت‌گیر شود، پذیرش علم باز در میان پژوهشگران افزایش خواهد یافت. این تغییر نه تنها پژوهشگران، بلکه سیاست‌گذاران، مالی‌دهندگان و عموم جامعه را از مزایای بیشتری برخوردار می‌کند و زمینه را برای شفافیت، نوآوری و کشفیات علمی گسترده‌تر فراهم می‌سازد.