Damit ist die Plattform Teil der umfassenderen KI-Strategie der Universität. Ihr Zweck ist jedoch deutlich spezieller als der eines allgemeinen Chatbots: AI Sense Maker soll in den eigenen Beständen der NUS recherchieren, statt Antworten aus dem offenen Internet zusammenzustellen.

Welche Quellen durchsucht werden

Die erste Version greift auf zwei zentrale NUS-Repositorien zurück:

• ScholarBank enthält Forschungsergebnisse und wissenschaftliche Arbeiten der Universität.
• Digital Gems umfasst digitalisierte seltene und besondere Sammlungen.

Zusammen bilden sie zum Start einen Bestand von rund 150.000 digitalisierten Objekten. Darunter befinden sich Materialien aus Bereichen wie Ingenieurwissenschaften, Biowissenschaften, Medizin, Geisteswissenschaften und Informatik sowie regional ausgerichtete Sammlungen zu Südostasien.

Die Bandbreite zeigt, warum eine herkömmliche Stichwortsuche nicht immer ausreichen muss. Zum Bestand gehören unter anderem Singapurs chinesischsprachige Tageszeitung Lat Pau aus dem Jahr 1881, die erste gedruckte Ausgabe von Sir Stamford Raffles’ The History of Java von 1817 und literarische Werke aus der Tang-Dynastie. Nach der Digitalisierung und Aufnahme in das System sollen außerdem Wang Shas originale Musikkompositionen und Drehbücher durchsuchbar werden.

So funktioniert eine Suche

Statt eine lange Liste exakter Datenbankbegriffe einzugeben, kann der Nutzer eine Frage in Alltagssprache formulieren. AI Sense Maker bietet verschiedene Suchmodi an – von einer schnellen Orientierung bis zu einer ausführlicheren Untersuchung.

Eine Anfrage kann mehrere Ebenen von Ergebnissen liefern:

1. Einen strukturierten Themenüberblick, der das Thema zunächst einordnet.
2. Verwandte Konzepte, mit denen sich die Suche erweitern oder präzisieren lässt.
3. Quellen und weiterführende Literatur aus den NUS-Repositorien.
4. Zitate und Verweise, über die sich die zugrunde liegenden Dokumente aufrufen lassen.
5. Einen Wissensgraphen, der Beziehungen zwischen Begriffen, Fachgebieten und Quellen sichtbar macht.

Eine Frage dazu, warum sich manche Stadtviertel in Singapur heißer anfühlen als andere, könnte beispielsweise Verbindungen zwischen Bebauungsdichte, Vegetation, Baumaterialien und Wasserflächen aufzeigen. Der Wissensgraph kann diese Aspekte anschließend mit Stadtökologie, Umweltwissenschaften, Atmosphärenphysik und Mikroklimatologie verknüpfen.

Der praktische Nutzen liegt damit vor allem in der Orientierungsphase einer Recherche: Nutzer können schneller erkennen, welche Begriffe, Fachrichtungen und Quellen für ein Thema relevant sein könnten, bevor sie die Originalmaterialien genau lesen.

Was der Wissensgraph leistet

Eine klassische Suchmaschine liefert meist eine sortierte Dokumentenliste. Ein Wissensgraph setzt einen anderen Schwerpunkt: Er zeigt, wie die in den Dokumenten vorkommenden Ideen miteinander verbunden sind.

Der Graph von AI Sense Maker basiert auf einer gepflegten Taxonomie. Als Ausgangspunkt diente zunächst Wikidata; anschließend wurde die Struktur für die NUS-Bestände eingegrenzt und angepasst. Diese redaktionelle Auswahl ist entscheidend, denn die Qualität eines Wissensgraphen hängt nicht nur vom Sprachmodell ab. Ebenso wichtig ist, wie Begriffe definiert und innerhalb der jeweiligen Sammlung miteinander verknüpft werden.

Für interdisziplinäre Projekte kann das neue Suchwege eröffnen. Ein Nutzer entdeckt möglicherweise Fachbegriffe oder angrenzende Forschungsfelder, die in der ursprünglichen Frage noch nicht vorkamen. Die vorgeschlagenen Verbindungen sind allerdings Rechercheansätze und kein wissenschaftlicher Beweis. Jede Quelle und jede Schlussfolgerung muss weiterhin selbst geprüft werden.

GPT-4.1, RAG und begrenzte Quellenbasis

Technisch kombiniert die Plattform GPT-4.1 von OpenAI mit Retrieval-Augmented Generation (RAG). Bei diesem Verfahren ruft das System zunächst passende Inhalte aus einer festgelegten Quelle ab und nutzt diese anschließend, um eine Antwort zu formulieren. AI Sense Maker soll seine Antworten auf den abgerufenen NUS-Materialien aufbauen und mit Zitaten versehen, damit Nutzer die Originalquellen kontrollieren können.

Zusätzliche Schutzmechanismen sollen den Fokus auf die akademischen Inhalte der Universität beschränken. Die Plattform ist nicht dafür gedacht, das öffentliche Internet zu durchsuchen und daraus Antworten zusammenzustellen. Diese Begrenzung kann unbelegte Ausgaben reduzieren, beseitigt aber nicht die Notwendigkeit, zitierte Dokumente zu überprüfen, Primärquellen zu interpretieren und die Darstellung der Belege kritisch zu hinterfragen.

In der Berichterstattung zu AI Sense Maker wird GPT-4.1 als verwendetes Modell genannt. OpenAI beschreibt GPT-4.1 unter anderem als Modellfamilie mit Verbesserungen beim Befolgen von Anweisungen und beim Verarbeiten langer Kontextinhalte. Diese allgemeinen Fähigkeiten bedeuten jedoch nicht, dass AI Sense Maker automatisch fehlerfreie Forschungsergebnisse liefert.

Grenzen der ersten Version

Zum Start sind mehrere Einschränkungen zu beachten:

• Die Plattform unterstützt zunächst Einzelanfragen. Sie speichert den Gesprächskontext über mehrere Folgefragen hinweg noch nicht.
• Durchsuchbar ist nur Material, das bereits digitalisiert und in die entsprechenden NUS-Repositorien aufgenommen wurde.
• AI Sense Maker kann Quellen und Zusammenhänge auffinden, aber nicht jedes wissenschaftliche Argument bewerten oder die endgültige Argumentation für eine Forschungsarbeit entwickeln.

Als spätere Erweiterungen sind ein gespeicherter Chatverlauf für längere Recherchegespräche sowie eine Transkription von Sprache in Text geplant.

Für Nutzer ergibt sich daraus ein klarer Arbeitsablauf: AI Sense Maker kann als Einstieg dienen. Danach sollten die zitierten Quellen geöffnet, unterschiedliche Deutungen verglichen und die eigene Analyse unabhängig entwickelt werden.

Wird die Recherche dadurch wirklich schneller?

Die NUS schätzt, dass sich die erste Phase – also die Orientierung und Suche nach geeigneten Ausgangspunkten – von etwa zwei Wochen auf ungefähr 30 Minuten oder weniger verkürzen könnte.

Dabei handelt es sich um eine institutionelle Schätzung und nicht um ein unabhängig bestätigtes Produktivitätsergebnis. Plausibler ist zunächst die Erwartung, dass AI Sense Maker Zeit bei wenig ergiebigen Suchspuren spart und schneller eine erste, zitierte Quellenauswahl bereitstellt.

Der größte Vorteil dürfte daher am Anfang einer Arbeit liegen: bei der Eingrenzung eines Themas, der Suche nach passender Terminologie und dem Erkennen fachübergreifender Verbindungen. Die eigentliche Lektüre, Quellenkritik und Entwicklung einer belastbaren wissenschaftlichen Argumentation bleiben weiterhin Aufgabe des Menschen.

Damit ist die Plattform Teil der umfassenderen KI-Strategie der Universität. Ihr Zweck ist jedoch deutlich spezieller als der eines allgemeinen Chatbots: AI Sense Maker soll in den eigenen Beständen der NUS recherchieren, statt Antworten aus dem offenen Internet zusammenzustellen.

Welche Quellen durchsucht werden

Die erste Version greift auf zwei zentrale NUS-Repositorien zurück:

• ScholarBank enthält Forschungsergebnisse und wissenschaftliche Arbeiten der Universität.
• Digital Gems umfasst digitalisierte seltene und besondere Sammlungen.

Zusammen bilden sie zum Start einen Bestand von rund 150.000 digitalisierten Objekten. Darunter befinden sich Materialien aus Bereichen wie Ingenieurwissenschaften, Biowissenschaften, Medizin, Geisteswissenschaften und Informatik sowie regional ausgerichtete Sammlungen zu Südostasien.

Die Bandbreite zeigt, warum eine herkömmliche Stichwortsuche nicht immer ausreichen muss. Zum Bestand gehören unter anderem Singapurs chinesischsprachige Tageszeitung Lat Pau aus dem Jahr 1881, die erste gedruckte Ausgabe von Sir Stamford Raffles’ The History of Java von 1817 und literarische Werke aus der Tang-Dynastie. Nach der Digitalisierung und Aufnahme in das System sollen außerdem Wang Shas originale Musikkompositionen und Drehbücher durchsuchbar werden.

So funktioniert eine Suche

Statt eine lange Liste exakter Datenbankbegriffe einzugeben, kann der Nutzer eine Frage in Alltagssprache formulieren. AI Sense Maker bietet verschiedene Suchmodi an – von einer schnellen Orientierung bis zu einer ausführlicheren Untersuchung.

Eine Anfrage kann mehrere Ebenen von Ergebnissen liefern:

1. Einen strukturierten Themenüberblick, der das Thema zunächst einordnet.
2. Verwandte Konzepte, mit denen sich die Suche erweitern oder präzisieren lässt.
3. Quellen und weiterführende Literatur aus den NUS-Repositorien.
4. Zitate und Verweise, über die sich die zugrunde liegenden Dokumente aufrufen lassen.
5. Einen Wissensgraphen, der Beziehungen zwischen Begriffen, Fachgebieten und Quellen sichtbar macht.

Eine Frage dazu, warum sich manche Stadtviertel in Singapur heißer anfühlen als andere, könnte beispielsweise Verbindungen zwischen Bebauungsdichte, Vegetation, Baumaterialien und Wasserflächen aufzeigen. Der Wissensgraph kann diese Aspekte anschließend mit Stadtökologie, Umweltwissenschaften, Atmosphärenphysik und Mikroklimatologie verknüpfen.

Der praktische Nutzen liegt damit vor allem in der Orientierungsphase einer Recherche: Nutzer können schneller erkennen, welche Begriffe, Fachrichtungen und Quellen für ein Thema relevant sein könnten, bevor sie die Originalmaterialien genau lesen.

Was der Wissensgraph leistet

Eine klassische Suchmaschine liefert meist eine sortierte Dokumentenliste. Ein Wissensgraph setzt einen anderen Schwerpunkt: Er zeigt, wie die in den Dokumenten vorkommenden Ideen miteinander verbunden sind.

Der Graph von AI Sense Maker basiert auf einer gepflegten Taxonomie. Als Ausgangspunkt diente zunächst Wikidata; anschließend wurde die Struktur für die NUS-Bestände eingegrenzt und angepasst. Diese redaktionelle Auswahl ist entscheidend, denn die Qualität eines Wissensgraphen hängt nicht nur vom Sprachmodell ab. Ebenso wichtig ist, wie Begriffe definiert und innerhalb der jeweiligen Sammlung miteinander verknüpft werden.

Für interdisziplinäre Projekte kann das neue Suchwege eröffnen. Ein Nutzer entdeckt möglicherweise Fachbegriffe oder angrenzende Forschungsfelder, die in der ursprünglichen Frage noch nicht vorkamen. Die vorgeschlagenen Verbindungen sind allerdings Rechercheansätze und kein wissenschaftlicher Beweis. Jede Quelle und jede Schlussfolgerung muss weiterhin selbst geprüft werden.

GPT-4.1, RAG und begrenzte Quellenbasis

Technisch kombiniert die Plattform GPT-4.1 von OpenAI mit Retrieval-Augmented Generation (RAG). Bei diesem Verfahren ruft das System zunächst passende Inhalte aus einer festgelegten Quelle ab und nutzt diese anschließend, um eine Antwort zu formulieren. AI Sense Maker soll seine Antworten auf den abgerufenen NUS-Materialien aufbauen und mit Zitaten versehen, damit Nutzer die Originalquellen kontrollieren können.

Zusätzliche Schutzmechanismen sollen den Fokus auf die akademischen Inhalte der Universität beschränken. Die Plattform ist nicht dafür gedacht, das öffentliche Internet zu durchsuchen und daraus Antworten zusammenzustellen. Diese Begrenzung kann unbelegte Ausgaben reduzieren, beseitigt aber nicht die Notwendigkeit, zitierte Dokumente zu überprüfen, Primärquellen zu interpretieren und die Darstellung der Belege kritisch zu hinterfragen.

In der Berichterstattung zu AI Sense Maker wird GPT-4.1 als verwendetes Modell genannt. OpenAI beschreibt GPT-4.1 unter anderem als Modellfamilie mit Verbesserungen beim Befolgen von Anweisungen und beim Verarbeiten langer Kontextinhalte. Diese allgemeinen Fähigkeiten bedeuten jedoch nicht, dass AI Sense Maker automatisch fehlerfreie Forschungsergebnisse liefert.

Grenzen der ersten Version

Zum Start sind mehrere Einschränkungen zu beachten:

• Die Plattform unterstützt zunächst Einzelanfragen. Sie speichert den Gesprächskontext über mehrere Folgefragen hinweg noch nicht.
• Durchsuchbar ist nur Material, das bereits digitalisiert und in die entsprechenden NUS-Repositorien aufgenommen wurde.
• AI Sense Maker kann Quellen und Zusammenhänge auffinden, aber nicht jedes wissenschaftliche Argument bewerten oder die endgültige Argumentation für eine Forschungsarbeit entwickeln.

Als spätere Erweiterungen sind ein gespeicherter Chatverlauf für längere Recherchegespräche sowie eine Transkription von Sprache in Text geplant.

Für Nutzer ergibt sich daraus ein klarer Arbeitsablauf: AI Sense Maker kann als Einstieg dienen. Danach sollten die zitierten Quellen geöffnet, unterschiedliche Deutungen verglichen und die eigene Analyse unabhängig entwickelt werden.

Wird die Recherche dadurch wirklich schneller?

Die NUS schätzt, dass sich die erste Phase – also die Orientierung und Suche nach geeigneten Ausgangspunkten – von etwa zwei Wochen auf ungefähr 30 Minuten oder weniger verkürzen könnte.

Dabei handelt es sich um eine institutionelle Schätzung und nicht um ein unabhängig bestätigtes Produktivitätsergebnis. Plausibler ist zunächst die Erwartung, dass AI Sense Maker Zeit bei wenig ergiebigen Suchspuren spart und schneller eine erste, zitierte Quellenauswahl bereitstellt.

Der größte Vorteil dürfte daher am Anfang einer Arbeit liegen: bei der Eingrenzung eines Themas, der Suche nach passender Terminologie und dem Erkennen fachübergreifender Verbindungen. Die eigentliche Lektüre, Quellenkritik und Entwicklung einer belastbaren wissenschaftlichen Argumentation bleiben weiterhin Aufgabe des Menschen.