La herramienta forma parte del impulso más amplio de la universidad para integrar la inteligencia artificial en la educación y la investigación, aunque su función es mucho más específica que la de un chatbot generalista: buscar y conectar contenidos de los propios repositorios de NUS, no rastrear toda la web.

Qué documentos puede buscar

El corpus inicial reúne materiales de dos repositorios de NUS:

• ScholarBank, que almacena artículos y otros resultados de investigación de la universidad.
• Digital Gems, que contiene colecciones especiales y fondos históricos digitalizados.

En conjunto, la colección de lanzamiento suma unos 150.000 documentos digitalizados. Incluye materiales de campos como ingeniería, ciencias de la vida, medicina, humanidades e informática, además de contenidos centrados en el Sudeste Asiático.

Entre los ejemplos mencionados aparecen el diario en chino Lat Pau, publicado por primera vez en 1881; la primera edición impresa de 1817 de The History of Java, de Sir Stamford Raffles; obras literarias de la dinastía Tang y, una vez digitalizadas e incorporadas al sistema, composiciones musicales y guiones originales de Wang Sha.

Cómo funciona una búsqueda

En lugar de exigir una lista de palabras clave exactas, AI Sense Maker permite plantear una pregunta con lenguaje cotidiano. El usuario puede elegir entre modos de búsqueda rápida, iterativa o profunda, según necesite una orientación inicial o una exploración más amplia.

La plataforma está diseñada para ofrecer varias capas de información:

1. Un resumen estructurado del tema, que sirve como mapa inicial.
2. Conceptos relacionados, para ampliar o precisar la consulta.
3. Referencias y lecturas recomendadas procedentes de los repositorios de NUS.
4. Citas, que permiten volver a los documentos subyacentes.
5. Un grafo de conocimiento, que visualiza las conexiones entre conceptos, disciplinas y fuentes.

Por ejemplo, una pregunta sobre por qué algunos barrios de Singapur parecen más calurosos podría conectar la densidad de los edificios, la vegetación, los materiales de construcción y las superficies de agua con campos como la ecología urbana, las ciencias ambientales, la física atmosférica y la microclimatología.

En la práctica, esto convierte a AI Sense Maker en una capa de orientación para el comienzo de una investigación: puede ayudar a identificar vocabulario, disciplinas y fuentes relevantes antes de pasar a la lectura detallada.

Qué aporta el grafo de conocimiento

Un buscador tradicional suele devolver una lista ordenada de documentos. Un grafo de conocimiento ofrece otra perspectiva: muestra cómo se relacionan las ideas que aparecen en esas fuentes.

El grafo de AI Sense Maker se apoya en una taxonomía gestionada por NUS. Su diseño partió de Wikidata, pero fue reducido y ajustado para adaptarse a las colecciones de la universidad. Esta selección es importante: la utilidad del grafo no depende únicamente del modelo de lenguaje, sino también de cómo se definen y conectan los conceptos dentro del fondo documental.

En proyectos interdisciplinarios, el sistema podría revelar términos de búsqueda o campos vecinos que el usuario no había contemplado. Aun así, las conexiones sugeridas deben entenderse como pistas para investigar, no como una demostración de que todas las relaciones propuestas sean académicamente válidas.

GPT-4.1, RAG y límites frente a respuestas inventadas

La plataforma utiliza GPT-4.1 junto con la técnica conocida como generación aumentada por recuperación —RAG, por sus siglas en inglés—. En un sistema RAG, el modelo recupera primero información de una colección definida y después utiliza ese material para elaborar la respuesta. AI Sense Maker está diseñado para fundamentar sus resultados en fuentes de NUS y añadir citas que permitan comprobarlas.

Sus mecanismos de control también mantienen el sistema dentro del contenido académico de la universidad: no está pensado para buscar en internet y ensamblar respuestas a partir de páginas públicas. Esta limitación puede reducir los resultados sin respaldo, pero no elimina la necesidad de verificar las citas, interpretar las fuentes primarias y comprobar si la respuesta representa fielmente las pruebas disponibles.

GPT-4.1 es el modelo identificado en la información publicada sobre AI Sense Maker. OpenAI describe esta familia de modelos como mejorada en seguimiento de instrucciones y comprensión de contextos extensos. Esas capacidades generales no constituyen, por sí solas, una garantía de que la herramienta vaya a producir resultados de investigación sin errores.

Limitaciones de la primera versión y próximas funciones

El lanzamiento inicial tendrá varias restricciones importantes:

• Solo admitirá consultas individuales, por lo que todavía no conservará el contexto de una conversación entre preguntas sucesivas.
• Solo podrá buscar material que ya haya sido digitalizado e incorporado a los repositorios correspondientes de NUS.
• Ayudará a localizar fuentes y conexiones, pero no podrá evaluar todos los argumentos académicos ni formular por completo la tesis de una investigación.

NUS está trabajando en dos mejoras previstas: memoria del historial de chat para mantener conversaciones de investigación más largas y transcripción de voz a texto.

Por eso, el flujo de trabajo más adecuado será utilizar AI Sense Maker como punto de partida: formular una pregunta, revisar las fuentes citadas, comparar interpretaciones y construir después el análisis de manera independiente.

¿Podría reducir el tiempo de búsqueda inicial?

NUS calcula que la fase inicial de descubrimiento y orientación de una investigación, que puede durar alrededor de dos semanas, podría reducirse a unos 30 minutos o menos con AI Sense Maker.

Se trata de una estimación institucional, no de un resultado de productividad validado de forma independiente. La expectativa más prudente es que la plataforma reduzca el tiempo dedicado a seguir pistas poco útiles y ayude a reunir antes un conjunto inicial de fuentes con citas.

El beneficio, por tanto, probablemente se concentre en las primeras etapas: delimitar más rápido un tema, encontrar mejores términos para búsquedas posteriores y detectar conexiones entre disciplinas y colecciones. La lectura atenta, la crítica de las fuentes y la construcción del argumento seguirán siendo tareas del investigador.

La herramienta forma parte del impulso más amplio de la universidad para integrar la inteligencia artificial en la educación y la investigación, aunque su función es mucho más específica que la de un chatbot generalista: buscar y conectar contenidos de los propios repositorios de NUS, no rastrear toda la web.

Qué documentos puede buscar

El corpus inicial reúne materiales de dos repositorios de NUS:

• ScholarBank, que almacena artículos y otros resultados de investigación de la universidad.
• Digital Gems, que contiene colecciones especiales y fondos históricos digitalizados.

En conjunto, la colección de lanzamiento suma unos 150.000 documentos digitalizados. Incluye materiales de campos como ingeniería, ciencias de la vida, medicina, humanidades e informática, además de contenidos centrados en el Sudeste Asiático.

Entre los ejemplos mencionados aparecen el diario en chino Lat Pau, publicado por primera vez en 1881; la primera edición impresa de 1817 de The History of Java, de Sir Stamford Raffles; obras literarias de la dinastía Tang y, una vez digitalizadas e incorporadas al sistema, composiciones musicales y guiones originales de Wang Sha.

Cómo funciona una búsqueda

En lugar de exigir una lista de palabras clave exactas, AI Sense Maker permite plantear una pregunta con lenguaje cotidiano. El usuario puede elegir entre modos de búsqueda rápida, iterativa o profunda, según necesite una orientación inicial o una exploración más amplia.

La plataforma está diseñada para ofrecer varias capas de información:

1. Un resumen estructurado del tema, que sirve como mapa inicial.
2. Conceptos relacionados, para ampliar o precisar la consulta.
3. Referencias y lecturas recomendadas procedentes de los repositorios de NUS.
4. Citas, que permiten volver a los documentos subyacentes.
5. Un grafo de conocimiento, que visualiza las conexiones entre conceptos, disciplinas y fuentes.

Por ejemplo, una pregunta sobre por qué algunos barrios de Singapur parecen más calurosos podría conectar la densidad de los edificios, la vegetación, los materiales de construcción y las superficies de agua con campos como la ecología urbana, las ciencias ambientales, la física atmosférica y la microclimatología.

En la práctica, esto convierte a AI Sense Maker en una capa de orientación para el comienzo de una investigación: puede ayudar a identificar vocabulario, disciplinas y fuentes relevantes antes de pasar a la lectura detallada.

Qué aporta el grafo de conocimiento

Un buscador tradicional suele devolver una lista ordenada de documentos. Un grafo de conocimiento ofrece otra perspectiva: muestra cómo se relacionan las ideas que aparecen en esas fuentes.

El grafo de AI Sense Maker se apoya en una taxonomía gestionada por NUS. Su diseño partió de Wikidata, pero fue reducido y ajustado para adaptarse a las colecciones de la universidad. Esta selección es importante: la utilidad del grafo no depende únicamente del modelo de lenguaje, sino también de cómo se definen y conectan los conceptos dentro del fondo documental.

En proyectos interdisciplinarios, el sistema podría revelar términos de búsqueda o campos vecinos que el usuario no había contemplado. Aun así, las conexiones sugeridas deben entenderse como pistas para investigar, no como una demostración de que todas las relaciones propuestas sean académicamente válidas.

GPT-4.1, RAG y límites frente a respuestas inventadas

La plataforma utiliza GPT-4.1 junto con la técnica conocida como generación aumentada por recuperación —RAG, por sus siglas en inglés—. En un sistema RAG, el modelo recupera primero información de una colección definida y después utiliza ese material para elaborar la respuesta. AI Sense Maker está diseñado para fundamentar sus resultados en fuentes de NUS y añadir citas que permitan comprobarlas.

Sus mecanismos de control también mantienen el sistema dentro del contenido académico de la universidad: no está pensado para buscar en internet y ensamblar respuestas a partir de páginas públicas. Esta limitación puede reducir los resultados sin respaldo, pero no elimina la necesidad de verificar las citas, interpretar las fuentes primarias y comprobar si la respuesta representa fielmente las pruebas disponibles.

GPT-4.1 es el modelo identificado en la información publicada sobre AI Sense Maker. OpenAI describe esta familia de modelos como mejorada en seguimiento de instrucciones y comprensión de contextos extensos. Esas capacidades generales no constituyen, por sí solas, una garantía de que la herramienta vaya a producir resultados de investigación sin errores.

Limitaciones de la primera versión y próximas funciones

El lanzamiento inicial tendrá varias restricciones importantes:

• Solo admitirá consultas individuales, por lo que todavía no conservará el contexto de una conversación entre preguntas sucesivas.
• Solo podrá buscar material que ya haya sido digitalizado e incorporado a los repositorios correspondientes de NUS.
• Ayudará a localizar fuentes y conexiones, pero no podrá evaluar todos los argumentos académicos ni formular por completo la tesis de una investigación.

NUS está trabajando en dos mejoras previstas: memoria del historial de chat para mantener conversaciones de investigación más largas y transcripción de voz a texto.

Por eso, el flujo de trabajo más adecuado será utilizar AI Sense Maker como punto de partida: formular una pregunta, revisar las fuentes citadas, comparar interpretaciones y construir después el análisis de manera independiente.

¿Podría reducir el tiempo de búsqueda inicial?

NUS calcula que la fase inicial de descubrimiento y orientación de una investigación, que puede durar alrededor de dos semanas, podría reducirse a unos 30 minutos o menos con AI Sense Maker.

Se trata de una estimación institucional, no de un resultado de productividad validado de forma independiente. La expectativa más prudente es que la plataforma reduzca el tiempo dedicado a seguir pistas poco útiles y ayude a reunir antes un conjunto inicial de fuentes con citas.

El beneficio, por tanto, probablemente se concentre en las primeras etapas: delimitar más rápido un tema, encontrar mejores términos para búsquedas posteriores y detectar conexiones entre disciplinas y colecciones. La lectura atenta, la crítica de las fuentes y la construcción del argumento seguirán siendo tareas del investigador.