Sådan vil NUS AI Sense Maker gøre forskningssøgning lettere

Tilsammen udgør materialet omkring 150.000 digitaliserede enheder. Samlingerne dækker blandt andet ingeniørvidenskab, biovidenskab, medicin, humaniora og datalogi samt regionalt orienteret materiale om Sydøstasien.

Eksemplerne viser, hvorfor en traditionel søgning med præcise nøgleord ikke altid er tilstrækkelig. Materialet omfatter blandt andet Singapores kinesisksprogede dagblad Lat Pau fra 1881, den første trykte udgave fra 1817 af Sir Stamford Raffles’ The History of Java og litterære værker fra Tang-dynastiet. Når materialet er digitaliseret og lagt ind i systemet, skal det også kunne omfatte Wang Shas originale musikkompositioner og manuskripter.

Sådan fungerer en søgning

Brugeren kan stille et spørgsmål i almindeligt sprog i stedet for at formulere en liste med eksakte databaseord. Platformen tilbyder hurtige, iterative og mere dybdegående søgninger, så man kan vælge mellem et hurtigt overblik og en bredere undersøgelse.

Et svar er designet til at indeholde flere lag:

1. Et struktureret overblik over emnet, som giver en første forståelse af området.
2. Relaterede begreber, der kan udvide eller præcisere spørgsmålet.
3. Referencer og forslag til videre læsning fra NUS’ arkiver.
4. Kildehenvisninger, der leder tilbage til det underliggende materiale.
5. Et vidensdiagram, som viser forbindelser mellem begreber, fagområder og kilder.

Et spørgsmål om, hvorfor nogle kvarterer i Singapore føles varmere end andre, kan for eksempel føre til forbindelser mellem bebyggelsestæthed, vegetation, byggematerialer og vandområder. Vidensdiagrammet kan derefter koble emnerne til byøkologi, miljøvidenskab, atmosfærisk fysik og mikroklimatologi.

Det gør platformen særligt relevant som et orienteringsværktøj. Den kan hjælpe en studerende med at opdage vigtige søgeord, fagområder og kilder, før arbejdet med den egentlige læsning og analyse begynder.

Hvad tilfører vidensdiagrammet?

En traditionel søgemaskine viser typisk en sorteret liste over dokumenter. Et vidensdiagram forsøger i stedet at vise, hvordan idéerne i dokumenterne hænger sammen.

Diagrammet i AI Sense Maker bygger på en kontrolleret taksonomi – altså et system til at definere og organisere begreber. Taksonomien blev oprindeligt inspireret af Wikidata, men er efterfølgende blevet afgrænset og tilpasset NUS’ egne samlinger.

Det er vigtigt, fordi et diagrams værdi ikke kun afhænger af sprogmodellen. Den afhænger også af, hvordan begreberne er defineret, og hvilke forbindelser der er etableret mellem dem i den samling, der søges i.

For tværfaglige projekter kan det gøre det lettere at finde beslægtede fagområder og et relevant ordforråd, som brugeren ikke selv havde tænkt på i den første søgning. Forbindelserne bør dog ses som spor til videre undersøgelse – ikke som bevis for, at enhver foreslået sammenhæng er fagligt holdbar.

GPT-4.1, RAG og begrænsninger for kilderne

AI Sense Maker bruger OpenAI’s GPT-4.1 sammen med retrieval-augmented generation, ofte forkortet RAG. I et RAG-system hentes relevant materiale først fra en afgrænset samling, hvorefter modellen bruger materialet til at formulere et svar. AI Sense Maker er udviklet til at forankre svarene i NUS’ kilder og vedhæfte henvisninger, så brugerne kan kontrollere dem.

Platformen er desuden designet med sikkerhedsforanstaltninger, der holder den fokuseret på universitetets akademiske indhold. Den skal ikke søge på det åbne internet for at sammensætte sine svar. Den afgrænsning kan mindske risikoen for udokumenterede oplysninger, men den fjerner ikke behovet for at kontrollere de citerede dokumenter, fortolke primærkilder og vurdere, om svaret gengiver materialet rimeligt.

GPT-4.1 er den model, der er nævnt i omtalen af AI Sense Maker. OpenAI beskriver GPT-4.1-familien som forbedret inden for blandt andet instruktioner og forståelse af lange tekster. Det er dog ikke det samme som uafhængig dokumentation for, at AI Sense Maker vil levere fejlfri forskningsresultater.

Hvad kan platformen endnu ikke?

Den første version har flere tydelige begrænsninger:

• Den understøtter enkeltstående forespørgsler og husker derfor endnu ikke konteksten gennem en længere række opfølgende spørgsmål.
• Den kan kun søge i materiale, der allerede er digitaliseret og indarbejdet i de relevante NUS-arkiver.
• Den kan hjælpe med at finde kilder og forbindelser, men kan ikke vurdere alle akademiske argumenter eller formulere brugerens endelige forskningskonklusion.

NUS arbejder på hukommelse af chathistorik, så længere researchforløb kan fortsætte i samme samtale, samt tale-til-tekst, der skal gøre det muligt at stille spørgsmål med stemmen.

Den mest oplagte arbejdsform er derfor at bruge AI Sense Maker som første trin: Få hjælp til at afgrænse et emne, åbn derefter de citerede kilder, sammenlign fortolkningerne, og opbyg den endelige analyse selv.

Kan det spare forskere for tid?

NUS vurderer, at den første fase af research – hvor man afgrænser emnet og finder de rigtige indgange – ofte kan tage omkring to uger, men måske kan reduceres til cirka 30 minutter eller mindre med AI Sense Maker.

Det tal er et institutionelt estimat og ikke et uafhængigt valideret produktivitetsresultat. En mere forsigtig forventning er, at platformen kan mindske tiden brugt på irrelevante søgespor og hurtigere give brugeren en første, kildehenvist samling af materiale.

Den sandsynlige gevinst ligger derfor især i begyndelsen af projektet: hurtigere afgrænsning af emnet, bedre søgeord, større synlighed omkring forbindelser på tværs af fag og tidligere adgang til relevante samlinger. Kildekritik, læsning og opbygningen af selve argumentet er fortsat menneskets arbejde.