ويأتي ذلك ضمن توسع الجامعة في استخدام الذكاء الاصطناعي في التعليم والبحث، غير أن AI Sense Maker تؤدي وظيفة محددة: البحث داخل مجموعات NUS نفسها، لا العمل كمحرك بحث عام للإنترنت أو كروبوت محادثة مفتوح المصادر.

ماذا ستبحث المنصة؟

يعتمد الإصدار الأول على مستودعين رئيسيين:

• ScholarBank: يضم مخرجات NUS البحثية وأوراقها العلمية.
• Digital Gems: يضم مجموعات نادرة وخاصة جرى تحويلها إلى صيغة رقمية.

ويضم المستودعان معاً نحو 150 ألف مادة رقمية، تغطي مجالات مثل الهندسة وعلوم الحياة والطب والعلوم الإنسانية والحوسبة، إضافة إلى مواد تركز على جنوب شرق آسيا.

وتوضح أمثلة المجموعات سبب أهمية البحث الدلالي، لا البحث بالكلمات المفتاحية وحدها. فمن بين المواد المذكورة صحيفة Lat Pau الصينية الصادرة في سنغافورة عام 1881، والطبعة المطبوعة الأولى من كتاب السير ستامفورد رافلز The History of Java عام 1817، وأعمال أدبية من عهد أسرة تانغ. كما تشمل المواد التي ستضاف بعد رقمنتها وإدراجها في النظام مؤلفات موسيقية ونصوصاً أصلية للفنان وانغ شا.

كيف يعمل البحث؟

يبدأ المستخدم بطرح سؤال بلغة طبيعية، كما لو كان يتحدث إلى باحث أو أمين مكتبة، بدلاً من إدخال قائمة دقيقة من الكلمات المفتاحية. وتوفر المنصة أوضاعاً للبحث السريع والتكراري والمتعمق، بحيث يختار المستخدم بين الحصول على تصور أولي سريع أو إجراء استكشاف أوسع.

بعد ذلك يمكن للنظام تقديم عدة طبقات من المساعدة:

1. ملخص منظم للموضوع يمنح المستخدم خريطة أولية.
2. مفاهيم مرتبطة تساعد على توسيع السؤال أو تضييقه.
3. مراجع وقراءات إضافية مستخرجة من مستودعات NUS.
4. إحالات وتوثيقات تعيد المستخدم إلى المواد الأصلية.
5. رسم بياني معرفي يوضح الصلات بين المفاهيم والتخصصات والمصادر.

فعلى سبيل المثال، قد يقود سؤال عن سبب شعور سكان بعض أحياء سنغافورة بارتفاع الحرارة إلى روابط بين كثافة المباني والغطاء النباتي ومواد البناء والعناصر المائية. ثم قد يربط الرسم هذه الأفكار بمجالات البيئة الحضرية والعلوم البيئية وفيزياء الغلاف الجوي والمناخ المحلي.

وبذلك تعمل المنصة كطبقة لتوجيه البحث: فهي تساعد الطالب على معرفة المصطلحات والتخصصات والمصادر التي تستحق القراءة قبل الانتقال إلى تحليلها بصورة معمقة.

لماذا يهم الرسم البياني المعرفي؟

يعرض البحث التقليدي غالباً قائمة مرتبة من الوثائق. أما الرسم البياني المعرفي فيقدم زاوية مختلفة، إذ يوضح كيف ترتبط الأفكار الواردة في هذه الوثائق بعضها ببعض.

ويستند رسم AI Sense Maker إلى تصنيف معرفي مُدار؛ وقد استُخدمت Wikidata في بناء أساسه الأولي، ثم جرى تضييقه وتنقيحه ليتناسب مع مجموعات NUS. وهذه الخطوة مهمة، لأن فائدة الرسم لا تعتمد على نموذج اللغة وحده، بل أيضاً على كيفية تعريف المفاهيم وربطها ضمن المجموعة التي يجري البحث فيها.

وقد يكون ذلك مفيداً في المشاريع متعددة التخصصات، إذ يكشف مفردات أو مجالات مجاورة لم تكن حاضرة في السؤال الأول. لكن هذه الروابط تظل خيوطاً للبحث وليست دليلاً على أن كل علاقة يقترحها النظام سليمة أكاديمياً.

GPT-4.1 والبحث المدعوم بالاسترجاع

تستخدم المنصة نموذج GPT-4.1 إلى جانب تقنية التوليد المعزز بالاسترجاع (RAG). وفي هذا النوع من الأنظمة، يسترجع النموذج أولاً مواد ذات صلة من مجموعة مصادر محددة، ثم يستخدمها لبناء الإجابة. وقد صُممت AI Sense Maker لتستند ردودها إلى مصادر NUS المسترجعة، مع إرفاق توثيقات تتيح للمستخدم فحص المادة الأصلية.

كما أن ضوابط المنصة مصممة لإبقائها ضمن نطاق المحتوى الأكاديمي للجامعة؛ فهي لا يُفترض أن تبحث في الإنترنت المفتوح لتجميع إجاباتها. وقد يحد هذا النطاق من المخرجات غير المدعومة، لكنه لا يلغي ضرورة التحقق من الوثائق المستشهد بها، وقراءة المصادر الأولية، والتأكد من أن الإجابة تعكس الأدلة بصورة منصفة.

وGPT-4.1 هو النموذج المذكور في التقارير المتعلقة بالمنصة. وتصفه OpenAI بأنه عائلة نماذج تتمتع بتحسينات في اتباع التعليمات وفهم السياقات الطويلة. لكن هذه القدرات العامة لا تعني أن AI Sense Maker ستنتج نتائج بحثية خالية من الأخطاء.

القيود الحالية والتحديثات المنتظرة

يتضمن الإصدار الأول عدداً من القيود المهمة:

• يدعم الاستعلامات المنفردة، ولا يحتفظ بعد بسياق المحادثة عبر سلسلة من أسئلة المتابعة.
• لا يبحث إلا في المواد التي جرى رقمنتها وإدراجها بالفعل في مستودعات NUS ذات الصلة.
• يستطيع المساعدة في العثور على المصادر والروابط، لكنه لا يقيّم كل حجة علمية ولا يصوغ القضية البحثية النهائية نيابة عن المستخدم.

وتعمل الجامعة على تطوير ذاكرة لسجل المحادثة لدعم الحوارات البحثية الأطول، إلى جانب تحويل الصوت إلى نص ضمن التحسينات المخطط لها.

لذلك تبدو أفضل طريقة لاستخدامها واضحة: يبدأ الباحث بالمنصة لاكتشاف الموضوع والمصادر، ثم يفتح الإحالات، ويقارن التفسيرات، ويدقق في المادة الأولية، ويبني تحليله النهائي بصورة مستقلة.

هل تختصر وقت اكتشاف المصادر؟

تقدّر NUS أن مرحلة اكتشاف الموضوع وتكوين تصور أولي للبحث، التي قد تستغرق نحو أسبوعين، يمكن اختصارها إلى قرابة 30 دقيقة أو أقل باستخدام AI Sense Maker.

لكن هذا الرقم تقدير صادر عن المؤسسة، وليس نتيجة إنتاجية جرى التحقق منها بشكل مستقل. أما التوقع الأكثر تحفظاً فهو أن تساعد المنصة في تقليل الوقت الضائع على نتائج بحث ضعيفة، وتسريع إعداد قائمة أولية موثقة بالمصادر.

وعليه، يُرجح أن تظهر الفائدة الأساسية في المراحل الأولى: تحديد نطاق الموضوع بسرعة أكبر، والعثور على مفردات أفضل للبحث اللاحق، واكتشاف الروابط بين التخصصات والمجموعات في وقت مبكر. أما القراءة النقدية وفحص المصادر وبناء الحجة، فتبقى مهام بحثية بشرية لا يمكن اختزالها في إجابة آلية.

ويأتي ذلك ضمن توسع الجامعة في استخدام الذكاء الاصطناعي في التعليم والبحث، غير أن AI Sense Maker تؤدي وظيفة محددة: البحث داخل مجموعات NUS نفسها، لا العمل كمحرك بحث عام للإنترنت أو كروبوت محادثة مفتوح المصادر.

ماذا ستبحث المنصة؟

يعتمد الإصدار الأول على مستودعين رئيسيين:

• ScholarBank: يضم مخرجات NUS البحثية وأوراقها العلمية.
• Digital Gems: يضم مجموعات نادرة وخاصة جرى تحويلها إلى صيغة رقمية.

ويضم المستودعان معاً نحو 150 ألف مادة رقمية، تغطي مجالات مثل الهندسة وعلوم الحياة والطب والعلوم الإنسانية والحوسبة، إضافة إلى مواد تركز على جنوب شرق آسيا.

وتوضح أمثلة المجموعات سبب أهمية البحث الدلالي، لا البحث بالكلمات المفتاحية وحدها. فمن بين المواد المذكورة صحيفة Lat Pau الصينية الصادرة في سنغافورة عام 1881، والطبعة المطبوعة الأولى من كتاب السير ستامفورد رافلز The History of Java عام 1817، وأعمال أدبية من عهد أسرة تانغ. كما تشمل المواد التي ستضاف بعد رقمنتها وإدراجها في النظام مؤلفات موسيقية ونصوصاً أصلية للفنان وانغ شا.

كيف يعمل البحث؟

يبدأ المستخدم بطرح سؤال بلغة طبيعية، كما لو كان يتحدث إلى باحث أو أمين مكتبة، بدلاً من إدخال قائمة دقيقة من الكلمات المفتاحية. وتوفر المنصة أوضاعاً للبحث السريع والتكراري والمتعمق، بحيث يختار المستخدم بين الحصول على تصور أولي سريع أو إجراء استكشاف أوسع.

بعد ذلك يمكن للنظام تقديم عدة طبقات من المساعدة:

1. ملخص منظم للموضوع يمنح المستخدم خريطة أولية.
2. مفاهيم مرتبطة تساعد على توسيع السؤال أو تضييقه.
3. مراجع وقراءات إضافية مستخرجة من مستودعات NUS.
4. إحالات وتوثيقات تعيد المستخدم إلى المواد الأصلية.
5. رسم بياني معرفي يوضح الصلات بين المفاهيم والتخصصات والمصادر.

فعلى سبيل المثال، قد يقود سؤال عن سبب شعور سكان بعض أحياء سنغافورة بارتفاع الحرارة إلى روابط بين كثافة المباني والغطاء النباتي ومواد البناء والعناصر المائية. ثم قد يربط الرسم هذه الأفكار بمجالات البيئة الحضرية والعلوم البيئية وفيزياء الغلاف الجوي والمناخ المحلي.

وبذلك تعمل المنصة كطبقة لتوجيه البحث: فهي تساعد الطالب على معرفة المصطلحات والتخصصات والمصادر التي تستحق القراءة قبل الانتقال إلى تحليلها بصورة معمقة.

لماذا يهم الرسم البياني المعرفي؟

يعرض البحث التقليدي غالباً قائمة مرتبة من الوثائق. أما الرسم البياني المعرفي فيقدم زاوية مختلفة، إذ يوضح كيف ترتبط الأفكار الواردة في هذه الوثائق بعضها ببعض.

ويستند رسم AI Sense Maker إلى تصنيف معرفي مُدار؛ وقد استُخدمت Wikidata في بناء أساسه الأولي، ثم جرى تضييقه وتنقيحه ليتناسب مع مجموعات NUS. وهذه الخطوة مهمة، لأن فائدة الرسم لا تعتمد على نموذج اللغة وحده، بل أيضاً على كيفية تعريف المفاهيم وربطها ضمن المجموعة التي يجري البحث فيها.

وقد يكون ذلك مفيداً في المشاريع متعددة التخصصات، إذ يكشف مفردات أو مجالات مجاورة لم تكن حاضرة في السؤال الأول. لكن هذه الروابط تظل خيوطاً للبحث وليست دليلاً على أن كل علاقة يقترحها النظام سليمة أكاديمياً.

GPT-4.1 والبحث المدعوم بالاسترجاع

تستخدم المنصة نموذج GPT-4.1 إلى جانب تقنية التوليد المعزز بالاسترجاع (RAG). وفي هذا النوع من الأنظمة، يسترجع النموذج أولاً مواد ذات صلة من مجموعة مصادر محددة، ثم يستخدمها لبناء الإجابة. وقد صُممت AI Sense Maker لتستند ردودها إلى مصادر NUS المسترجعة، مع إرفاق توثيقات تتيح للمستخدم فحص المادة الأصلية.

كما أن ضوابط المنصة مصممة لإبقائها ضمن نطاق المحتوى الأكاديمي للجامعة؛ فهي لا يُفترض أن تبحث في الإنترنت المفتوح لتجميع إجاباتها. وقد يحد هذا النطاق من المخرجات غير المدعومة، لكنه لا يلغي ضرورة التحقق من الوثائق المستشهد بها، وقراءة المصادر الأولية، والتأكد من أن الإجابة تعكس الأدلة بصورة منصفة.

وGPT-4.1 هو النموذج المذكور في التقارير المتعلقة بالمنصة. وتصفه OpenAI بأنه عائلة نماذج تتمتع بتحسينات في اتباع التعليمات وفهم السياقات الطويلة. لكن هذه القدرات العامة لا تعني أن AI Sense Maker ستنتج نتائج بحثية خالية من الأخطاء.

القيود الحالية والتحديثات المنتظرة

يتضمن الإصدار الأول عدداً من القيود المهمة:

• يدعم الاستعلامات المنفردة، ولا يحتفظ بعد بسياق المحادثة عبر سلسلة من أسئلة المتابعة.
• لا يبحث إلا في المواد التي جرى رقمنتها وإدراجها بالفعل في مستودعات NUS ذات الصلة.
• يستطيع المساعدة في العثور على المصادر والروابط، لكنه لا يقيّم كل حجة علمية ولا يصوغ القضية البحثية النهائية نيابة عن المستخدم.

وتعمل الجامعة على تطوير ذاكرة لسجل المحادثة لدعم الحوارات البحثية الأطول، إلى جانب تحويل الصوت إلى نص ضمن التحسينات المخطط لها.

لذلك تبدو أفضل طريقة لاستخدامها واضحة: يبدأ الباحث بالمنصة لاكتشاف الموضوع والمصادر، ثم يفتح الإحالات، ويقارن التفسيرات، ويدقق في المادة الأولية، ويبني تحليله النهائي بصورة مستقلة.

هل تختصر وقت اكتشاف المصادر؟

تقدّر NUS أن مرحلة اكتشاف الموضوع وتكوين تصور أولي للبحث، التي قد تستغرق نحو أسبوعين، يمكن اختصارها إلى قرابة 30 دقيقة أو أقل باستخدام AI Sense Maker.

لكن هذا الرقم تقدير صادر عن المؤسسة، وليس نتيجة إنتاجية جرى التحقق منها بشكل مستقل. أما التوقع الأكثر تحفظاً فهو أن تساعد المنصة في تقليل الوقت الضائع على نتائج بحث ضعيفة، وتسريع إعداد قائمة أولية موثقة بالمصادر.

وعليه، يُرجح أن تظهر الفائدة الأساسية في المراحل الأولى: تحديد نطاق الموضوع بسرعة أكبر، والعثور على مفردات أفضل للبحث اللاحق، واكتشاف الروابط بين التخصصات والمجموعات في وقت مبكر. أما القراءة النقدية وفحص المصادر وبناء الحجة، فتبقى مهام بحثية بشرية لا يمكن اختزالها في إجابة آلية.