Työkalu liittyy NUS:n laajempaan pyrkimykseen lisätä tekoälyn käyttöä opetuksessa ja tutkimuksessa. Sen tehtävä on kuitenkin rajattu: se auttaa käyttäjiä suunnistamaan NUS:n omissa kokoelmissa eikä toimi yleisenä internetin hakukoneena tai keskustelubottina.

Mitä aineistoja se hakee?

Julkaisuversion aineisto koostuu kahdesta NUS:n tietovarannosta:

• ScholarBankista, johon on koottu NUS:n tutkimusjulkaisuja ja tutkimustöitä
• Digital Gemsistä, joka sisältää digitoituja harvinaisia ja erityiskokoelmia

Yhdessä nämä muodostavat noin 150 000 digitoidun aineiston kokonaisuuden. Mukana on materiaalia muun muassa tekniikan, biotieteiden, lääketieteen, humanististen tieteiden ja tietojenkäsittelyn aloilta sekä Kaakkois-Aasiaan keskittyvistä kokoelmista.

Kokoelman laajuus käy ilmi esimerkeistä. Haettavissa on muun muassa Singaporen ensimmäisiin kiinankielisiin päivälehtiin kuuluva vuonna 1881 perustettu Lat Pau, Sir Stamford Rafflesin The History of Java -teoksen ensimmäinen painettu laitos vuodelta 1817 sekä Tang-dynastian kirjallisia teoksia. Kokoelmaan on tarkoitus sisällyttää digitoinnin ja järjestelmään viemisen jälkeen myös Wang Shan alkuperäisiä sävellyksiä ja käsikirjoituksia.

Näin haku toimii

Käyttäjä kirjoittaa kysymyksen tavallisella kielellä sen sijaan, että hänen pitäisi osata käyttää tarkkoja tietokantahakusanoja. Alusta tarjoaa nopean, iteratiivisen ja syvällisemmän hakutilan, joten käyttäjä voi valita nopean yleiskuvan tai laajemman selvityksen.

Hakutulos voi sisältää useita tasoja:

1. Jäsennellyn yhteenvedon aiheesta, joka antaa ensimmäisen kokonaiskuvan.
2. Aiheeseen liittyviä käsitteitä, joiden avulla kysymystä voi laajentaa tai täsmentää.
3. Lähteitä ja jatkolukemista NUS:n tietovarannoista.
4. Viitteitä, joiden kautta käyttäjä pääsee tarkistamaan alkuperäisen aineiston.
5. Tietograafin, joka havainnollistaa käsitteiden, tieteenalojen ja lähteiden välisiä yhteyksiä.

Esimerkiksi kysymys siitä, miksi jotkin Singaporen asuinalueet tuntuvat muita kuumemmilta, voi johdattaa rakennustiheyteen, kasvillisuuteen, rakennusmateriaaleihin ja vesielementteihin. Tietograafi voi yhdistää nämä aiheet kaupunkiekologiaan, ympäristötieteeseen, ilmakehän fysiikkaan ja mikroilmastotutkimukseen.

Käytännössä AI Sense Maker toimii siis ennen kaikkea tutkimuksen suunnistustyökaluna. Se voi auttaa opiskelijaa tunnistamaan olennaisia hakutermejä, tieteenaloja ja lähteitä ennen kuin hän ryhtyy lukemaan aineistoa tarkemmin.

Miksi tietograafi on tärkeä?

Perinteinen haku tuottaa yleensä järjestetyn listan asiakirjoja. Tietograafi tarjoaa toisenlaisen näkymän: se näyttää, miten asiakirjoissa esiintyvät ideat ja käsitteet liittyvät toisiinsa.

AI Sense Makerin graafi perustuu hallittuun käsitetaksonomiaan. Sen lähtökohtana on käytetty Wikidataa, mutta käsitteitä on rajattu ja muokattu NUS:n kokoelmia varten. Tällä on merkitystä, sillä graafin hyödyllisyys ei riipu ainoastaan kielimallista. Yhtä tärkeää on se, miten käsitteet määritellään ja miten niiden väliset yhteydet rakennetaan juuri kyseisessä aineistossa.

Monitieteisessä tutkimuksessa graafi voi paljastaa sanastoa tai lähialoja, joita käyttäjä ei olisi sisällyttänyt ensimmäiseen hakuunsa. Ehdotetut yhteydet ovat kuitenkin tutkimisen lähtökohtia, eivät todiste siitä, että jokainen järjestelmän esittämä suhde olisi tieteellisesti pätevä.

GPT-4.1, RAG ja lähteisiin rajatut suojaukset

Alusta käyttää OpenAI:n GPT-4.1-mallia sekä retrieval-augmented generation -menetelmää eli RAG-hakua. RAG-järjestelmä hakee ensin olennaista materiaalia ennalta määritellystä lähdekokoelmasta ja muodostaa sen jälkeen vastauksen tämän aineiston pohjalta. AI Sense Maker on suunniteltu perustamaan vastauksensa NUS:n haettuihin lähteisiin ja liittämään niihin viitteet, jotta käyttäjä voi tarkistaa aineiston itse.

Suojaukset on suunniteltu pitämään työkalu keskittyneenä yliopiston tieteelliseen sisältöön: alustan ei ole tarkoitus etsiä julkisesta internetistä aineistoa vastauksen rakentamista varten. Rajattu lähdepohja voi vähentää perusteettomia vastauksia, mutta se ei poista tarvetta tarkistaa viitatut asiakirjat, tulkita alkuperäislähteitä ja arvioida, vastaako yhteenveto näyttöä oikeudenmukaisesti.

AI Sense Makeria koskevissa tiedoissa mainitaan GPT-4.1. OpenAI kuvaa GPT-4.1-malliperhettä mallistoksi, jonka ohjeiden noudattamista ja pitkän asiayhteyden ymmärtämistä on parannettu. Nämä yleiset ominaisuudet eivät kuitenkaan ole itsenäinen osoitus siitä, että AI Sense Maker tuottaisi aina virheettömiä tutkimustuloksia.

Mitkä ovat nykyiset rajoitukset?

Ensimmäiseen julkaisuun liittyy useita rajoituksia:

• Se tukee yksittäisiä hakuja, eikä se vielä säilytä keskustelun kontekstia peräkkäisten jatkokysymysten välillä.
• Se voi hakea vain aineistoja, jotka on jo digitoitu ja viety osaksi NUS:n tietovarantoja.
• Se voi auttaa lähteiden ja yhteyksien löytämisessä, mutta se ei arvioi jokaista tieteellistä väitettä eikä muodosta käyttäjän puolesta lopullista tutkimusargumenttia.

NUS kehittää jatkossa keskusteluhistorian muistia, joka mahdollistaisi pidemmät tutkimuskeskustelut, sekä puheesta tekstiksi -toimintoa.

Näiden rajoitusten vuoksi toimivin työskentelytapa on käyttää AI Sense Makeria tutkimuksen aloituspisteenä: tutustua sen ehdottamiin lähteisiin, verrata tulkintoja ja rakentaa lopullinen analyysi itsenäisesti.

Voiko työkalu lyhentää tutkimuksen aloittamiseen kuluvaa aikaa?

NUS arvioi, että tutkimuksen ensimmäinen tiedonhaku- ja perehtymisvaihe, johon voi kulua noin kaksi viikkoa, voitaisiin AI Sense Makerin avulla lyhentää noin 30 minuuttiin tai sen alle.

Kyseessä on yliopiston oma arvio, ei riippumattomasti vahvistettu tuottavuustulos. Varovaisempi johtopäätös on, että työkalu voi vähentää heikkoihin hakutuloksiin kuluvaa aikaa ja auttaa kokoamaan ensimmäisen lähteistetyn aineistopohjan nopeammin.

Hyöty painottuu siis tutkimusprosessin alkuun: aiheen rajaaminen voi nopeutua, jatkohakuja varten voi löytyä parempi sanasto ja eri alojen väliset yhteydet voivat tulla näkyviin aiemmin. Lähteiden lukeminen, niiden luotettavuuden arviointi ja perustellun argumentin rakentaminen jäävät edelleen tutkijan tehtäviksi.

Työkalu liittyy NUS:n laajempaan pyrkimykseen lisätä tekoälyn käyttöä opetuksessa ja tutkimuksessa. Sen tehtävä on kuitenkin rajattu: se auttaa käyttäjiä suunnistamaan NUS:n omissa kokoelmissa eikä toimi yleisenä internetin hakukoneena tai keskustelubottina.

Mitä aineistoja se hakee?

Julkaisuversion aineisto koostuu kahdesta NUS:n tietovarannosta:

• ScholarBankista, johon on koottu NUS:n tutkimusjulkaisuja ja tutkimustöitä
• Digital Gemsistä, joka sisältää digitoituja harvinaisia ja erityiskokoelmia

Yhdessä nämä muodostavat noin 150 000 digitoidun aineiston kokonaisuuden. Mukana on materiaalia muun muassa tekniikan, biotieteiden, lääketieteen, humanististen tieteiden ja tietojenkäsittelyn aloilta sekä Kaakkois-Aasiaan keskittyvistä kokoelmista.

Kokoelman laajuus käy ilmi esimerkeistä. Haettavissa on muun muassa Singaporen ensimmäisiin kiinankielisiin päivälehtiin kuuluva vuonna 1881 perustettu Lat Pau, Sir Stamford Rafflesin The History of Java -teoksen ensimmäinen painettu laitos vuodelta 1817 sekä Tang-dynastian kirjallisia teoksia. Kokoelmaan on tarkoitus sisällyttää digitoinnin ja järjestelmään viemisen jälkeen myös Wang Shan alkuperäisiä sävellyksiä ja käsikirjoituksia.

Näin haku toimii

Käyttäjä kirjoittaa kysymyksen tavallisella kielellä sen sijaan, että hänen pitäisi osata käyttää tarkkoja tietokantahakusanoja. Alusta tarjoaa nopean, iteratiivisen ja syvällisemmän hakutilan, joten käyttäjä voi valita nopean yleiskuvan tai laajemman selvityksen.

Hakutulos voi sisältää useita tasoja:

1. Jäsennellyn yhteenvedon aiheesta, joka antaa ensimmäisen kokonaiskuvan.
2. Aiheeseen liittyviä käsitteitä, joiden avulla kysymystä voi laajentaa tai täsmentää.
3. Lähteitä ja jatkolukemista NUS:n tietovarannoista.
4. Viitteitä, joiden kautta käyttäjä pääsee tarkistamaan alkuperäisen aineiston.
5. Tietograafin, joka havainnollistaa käsitteiden, tieteenalojen ja lähteiden välisiä yhteyksiä.

Esimerkiksi kysymys siitä, miksi jotkin Singaporen asuinalueet tuntuvat muita kuumemmilta, voi johdattaa rakennustiheyteen, kasvillisuuteen, rakennusmateriaaleihin ja vesielementteihin. Tietograafi voi yhdistää nämä aiheet kaupunkiekologiaan, ympäristötieteeseen, ilmakehän fysiikkaan ja mikroilmastotutkimukseen.

Käytännössä AI Sense Maker toimii siis ennen kaikkea tutkimuksen suunnistustyökaluna. Se voi auttaa opiskelijaa tunnistamaan olennaisia hakutermejä, tieteenaloja ja lähteitä ennen kuin hän ryhtyy lukemaan aineistoa tarkemmin.

Miksi tietograafi on tärkeä?

Perinteinen haku tuottaa yleensä järjestetyn listan asiakirjoja. Tietograafi tarjoaa toisenlaisen näkymän: se näyttää, miten asiakirjoissa esiintyvät ideat ja käsitteet liittyvät toisiinsa.

AI Sense Makerin graafi perustuu hallittuun käsitetaksonomiaan. Sen lähtökohtana on käytetty Wikidataa, mutta käsitteitä on rajattu ja muokattu NUS:n kokoelmia varten. Tällä on merkitystä, sillä graafin hyödyllisyys ei riipu ainoastaan kielimallista. Yhtä tärkeää on se, miten käsitteet määritellään ja miten niiden väliset yhteydet rakennetaan juuri kyseisessä aineistossa.

Monitieteisessä tutkimuksessa graafi voi paljastaa sanastoa tai lähialoja, joita käyttäjä ei olisi sisällyttänyt ensimmäiseen hakuunsa. Ehdotetut yhteydet ovat kuitenkin tutkimisen lähtökohtia, eivät todiste siitä, että jokainen järjestelmän esittämä suhde olisi tieteellisesti pätevä.

GPT-4.1, RAG ja lähteisiin rajatut suojaukset

Alusta käyttää OpenAI:n GPT-4.1-mallia sekä retrieval-augmented generation -menetelmää eli RAG-hakua. RAG-järjestelmä hakee ensin olennaista materiaalia ennalta määritellystä lähdekokoelmasta ja muodostaa sen jälkeen vastauksen tämän aineiston pohjalta. AI Sense Maker on suunniteltu perustamaan vastauksensa NUS:n haettuihin lähteisiin ja liittämään niihin viitteet, jotta käyttäjä voi tarkistaa aineiston itse.

Suojaukset on suunniteltu pitämään työkalu keskittyneenä yliopiston tieteelliseen sisältöön: alustan ei ole tarkoitus etsiä julkisesta internetistä aineistoa vastauksen rakentamista varten. Rajattu lähdepohja voi vähentää perusteettomia vastauksia, mutta se ei poista tarvetta tarkistaa viitatut asiakirjat, tulkita alkuperäislähteitä ja arvioida, vastaako yhteenveto näyttöä oikeudenmukaisesti.

AI Sense Makeria koskevissa tiedoissa mainitaan GPT-4.1. OpenAI kuvaa GPT-4.1-malliperhettä mallistoksi, jonka ohjeiden noudattamista ja pitkän asiayhteyden ymmärtämistä on parannettu. Nämä yleiset ominaisuudet eivät kuitenkaan ole itsenäinen osoitus siitä, että AI Sense Maker tuottaisi aina virheettömiä tutkimustuloksia.

Mitkä ovat nykyiset rajoitukset?

Ensimmäiseen julkaisuun liittyy useita rajoituksia:

• Se tukee yksittäisiä hakuja, eikä se vielä säilytä keskustelun kontekstia peräkkäisten jatkokysymysten välillä.
• Se voi hakea vain aineistoja, jotka on jo digitoitu ja viety osaksi NUS:n tietovarantoja.
• Se voi auttaa lähteiden ja yhteyksien löytämisessä, mutta se ei arvioi jokaista tieteellistä väitettä eikä muodosta käyttäjän puolesta lopullista tutkimusargumenttia.

NUS kehittää jatkossa keskusteluhistorian muistia, joka mahdollistaisi pidemmät tutkimuskeskustelut, sekä puheesta tekstiksi -toimintoa.

Näiden rajoitusten vuoksi toimivin työskentelytapa on käyttää AI Sense Makeria tutkimuksen aloituspisteenä: tutustua sen ehdottamiin lähteisiin, verrata tulkintoja ja rakentaa lopullinen analyysi itsenäisesti.

Voiko työkalu lyhentää tutkimuksen aloittamiseen kuluvaa aikaa?

NUS arvioi, että tutkimuksen ensimmäinen tiedonhaku- ja perehtymisvaihe, johon voi kulua noin kaksi viikkoa, voitaisiin AI Sense Makerin avulla lyhentää noin 30 minuuttiin tai sen alle.

Kyseessä on yliopiston oma arvio, ei riippumattomasti vahvistettu tuottavuustulos. Varovaisempi johtopäätös on, että työkalu voi vähentää heikkoihin hakutuloksiin kuluvaa aikaa ja auttaa kokoamaan ensimmäisen lähteistetyn aineistopohjan nopeammin.

Hyöty painottuu siis tutkimusprosessin alkuun: aiheen rajaaminen voi nopeutua, jatkohakuja varten voi löytyä parempi sanasto ja eri alojen väliset yhteydet voivat tulla näkyviin aiemmin. Lähteiden lukeminen, niiden luotettavuuden arviointi ja perustellun argumentin rakentaminen jäävät edelleen tutkijan tehtäviksi.