NUSでは教育や研究へのAI活用を広げていますが、AI Sense Makerの役割は一般的な検索チャットボットとは異なります。インターネット全体から答えを作るのではなく、NUSのコレクションを調べ、研究の方向性をつかむためのツールです。

約15万件の資料を検索

開始時点では、NUSの2つのリポジトリに収められた資料を対象にします。

• ScholarBank：NUSの研究成果や論文を収録
• Digital Gems：デジタル化された希少資料・特別コレクションを収録

両方を合わせた初期コーパスは、約15万件のデジタル化資料です。工学、生命科学、医学、人文学、コンピューティングなど幅広い分野に加え、東南アジアに焦点を当てた資料も含まれます。

収録資料の例としては、1881年創刊のシンガポール初の中国語日刊紙『Lat Pau』、サー・スタンフォード・ラッフルズの『The History of Java』初版本（1817年）、唐代の文学作品などが挙げられています。さらに、デジタル化と登録が完了すれば、王莎（Wang Sha）の自筆の楽曲や台本も対象になる予定です。

こうした資料は、単純なキーワード検索だけでは見落としやすい関連性を含んでいます。AI Sense Makerは、質問の意味を読み取り、資料群の中から手がかりをまとめて提示することを目指します。

自然な言葉で質問すると何が返ってくるのか

利用者は、データベース用の正確な検索語を並べる代わりに、普段使う言葉で質問できます。検索方法には、素早く概要をつかむモードや、より反復的・深掘り型の検索モードが用意されています。

回答には主に次の要素が含まれます。

1. テーマの概要：調べたい分野の全体像を整理
2. 関連概念：元の質問を広げたり、絞り込んだりする手がかり
3. 参考文献と追加読書：NUSのリポジトリから関連資料を提示
4. 引用：回答の根拠となる元資料へ誘導
5. ナレッジグラフ：概念、分野、資料のつながりを可視化

たとえば「シンガポールの一部の住宅地はなぜ暑く感じられるのか」と尋ねると、建物の密度、植生、建築資材、水辺の設備などが関連づけられる可能性があります。さらに、都市生態学、環境科学、大気物理学、微気候学といった分野との接点も示されます。

つまり、AI Sense Makerの強みは、いきなり答えを確定することではありません。どの用語を使い、どの分野を調べ、どの資料を精読すべきかを、研究の初期段階で見渡しやすくする点にあります。

ナレッジグラフが研究に役立つ理由

従来の検索は、関連度順に文書の一覧を返すのが一般的です。一方、ナレッジグラフは、資料内の概念が互いにどう結びついているかを別の角度から示します。

AI Sense Makerのグラフは、管理された分類体系（タクソノミー）をもとに構築されています。この体系は当初、Wikidataの情報を参考にしつつ、NUSのコレクションに合わせて範囲を絞り、内容を調整したものです。

この編集作業は重要です。グラフの有用性は言語モデルの性能だけでなく、概念をどう定義し、どの関係を同じコレクション内で結びつけるかにも左右されるためです。

異なる分野をまたぐ研究では、最初の質問には含めていなかった専門用語や隣接分野を発見できるかもしれません。ただし、グラフに表示された関係が、そのまま学術的な証明になるわけではありません。あくまで調査の手がかりとして確認する必要があります。

GPT-4.1とRAG、インターネット検索を制限する仕組み

AI Sense Makerは、OpenAIのGPT-4.1と、**検索拡張生成（retrieval-augmented generation、RAG）**を組み合わせています。RAGでは、まず指定された資料群から関連情報を検索し、その内容をもとにモデルが回答を組み立てます。AI Sense Makerは、NUSの資料に回答を接地させ、利用者が根拠を確認できるよう引用を付ける設計です。

また、回答を作るために公開インターネット全体を検索しないよう、情報源の範囲をNUSの学術コンテンツに限定するガードレールも設けられています。この制限は根拠のない出力を減らす可能性がありますが、引用先の文書を自分で読み、一次資料を解釈し、回答が証拠を適切に表しているか確認する作業まで不要にするものではありません。

なお、AI Sense Makerについて報じられているモデルはGPT-4.1です。OpenAIはGPT-4.1について、指示への追従や長い文脈の理解を改善したモデル群だと説明しています。 ただし、モデル自体の一般的な性能向上は、AI Sense Makerが誤りのない研究結果を出すことの独立した証拠ではありません。

現時点の限界と今後の機能

初期版には、いくつか明確な制約があります。

• 単発の質問が中心で、複数回の追加質問をまたいで会話の文脈を保持する機能はまだありません。
• すでにデジタル化され、対象リポジトリに登録された資料しか検索できません。
• 資料や関連概念を見つける支援はできますが、すべての学術的主張を評価したり、利用者に代わって最終的な研究上の結論を組み立てたりすることはできません。

NUSは今後、長い研究対話に対応するためのチャット履歴の記憶や、音声からテキストへの文字起こしを拡張機能として開発しています。

現状では、AI Sense Makerで検索の出発点を作り、表示された引用先を開いて資料を読み比べ、最終的な分析を自分で組み立てるという使い方が適しています。

研究の初期調査を2週間から30分に短縮できるのか

NUSは、研究の初期段階にあたる資料探しとテーマの方向づけに通常約2週間かかるところを、AI Sense Makerによっておよそ30分以下に短縮できる可能性があると見積もっています。

ただし、これは大学側の見積もりであり、独立した生産性検証の結果ではありません。より慎重に言えば、見込みのある資料に早く到達し、検索の手がかりにならない候補を減らし、引用付きの出発点を短時間で作る助けになると考えられます。

期待される効果は、研究プロセスの前半に集中しています。テーマの範囲を素早く定めること、次の検索に使える語彙を増やすこと、分野横断的なつながりを早い段階で把握することには役立つでしょう。一方で、精読、出典批判、解釈、論証の構築は、引き続き研究者自身が担う作業です。

NUSでは教育や研究へのAI活用を広げていますが、AI Sense Makerの役割は一般的な検索チャットボットとは異なります。インターネット全体から答えを作るのではなく、NUSのコレクションを調べ、研究の方向性をつかむためのツールです。

約15万件の資料を検索

開始時点では、NUSの2つのリポジトリに収められた資料を対象にします。

• ScholarBank：NUSの研究成果や論文を収録
• Digital Gems：デジタル化された希少資料・特別コレクションを収録

両方を合わせた初期コーパスは、約15万件のデジタル化資料です。工学、生命科学、医学、人文学、コンピューティングなど幅広い分野に加え、東南アジアに焦点を当てた資料も含まれます。

収録資料の例としては、1881年創刊のシンガポール初の中国語日刊紙『Lat Pau』、サー・スタンフォード・ラッフルズの『The History of Java』初版本（1817年）、唐代の文学作品などが挙げられています。さらに、デジタル化と登録が完了すれば、王莎（Wang Sha）の自筆の楽曲や台本も対象になる予定です。

こうした資料は、単純なキーワード検索だけでは見落としやすい関連性を含んでいます。AI Sense Makerは、質問の意味を読み取り、資料群の中から手がかりをまとめて提示することを目指します。

自然な言葉で質問すると何が返ってくるのか

利用者は、データベース用の正確な検索語を並べる代わりに、普段使う言葉で質問できます。検索方法には、素早く概要をつかむモードや、より反復的・深掘り型の検索モードが用意されています。

回答には主に次の要素が含まれます。

1. テーマの概要：調べたい分野の全体像を整理
2. 関連概念：元の質問を広げたり、絞り込んだりする手がかり
3. 参考文献と追加読書：NUSのリポジトリから関連資料を提示
4. 引用：回答の根拠となる元資料へ誘導
5. ナレッジグラフ：概念、分野、資料のつながりを可視化

たとえば「シンガポールの一部の住宅地はなぜ暑く感じられるのか」と尋ねると、建物の密度、植生、建築資材、水辺の設備などが関連づけられる可能性があります。さらに、都市生態学、環境科学、大気物理学、微気候学といった分野との接点も示されます。

つまり、AI Sense Makerの強みは、いきなり答えを確定することではありません。どの用語を使い、どの分野を調べ、どの資料を精読すべきかを、研究の初期段階で見渡しやすくする点にあります。

ナレッジグラフが研究に役立つ理由

従来の検索は、関連度順に文書の一覧を返すのが一般的です。一方、ナレッジグラフは、資料内の概念が互いにどう結びついているかを別の角度から示します。

AI Sense Makerのグラフは、管理された分類体系（タクソノミー）をもとに構築されています。この体系は当初、Wikidataの情報を参考にしつつ、NUSのコレクションに合わせて範囲を絞り、内容を調整したものです。

この編集作業は重要です。グラフの有用性は言語モデルの性能だけでなく、概念をどう定義し、どの関係を同じコレクション内で結びつけるかにも左右されるためです。

異なる分野をまたぐ研究では、最初の質問には含めていなかった専門用語や隣接分野を発見できるかもしれません。ただし、グラフに表示された関係が、そのまま学術的な証明になるわけではありません。あくまで調査の手がかりとして確認する必要があります。

GPT-4.1とRAG、インターネット検索を制限する仕組み

AI Sense Makerは、OpenAIのGPT-4.1と、**検索拡張生成（retrieval-augmented generation、RAG）**を組み合わせています。RAGでは、まず指定された資料群から関連情報を検索し、その内容をもとにモデルが回答を組み立てます。AI Sense Makerは、NUSの資料に回答を接地させ、利用者が根拠を確認できるよう引用を付ける設計です。

また、回答を作るために公開インターネット全体を検索しないよう、情報源の範囲をNUSの学術コンテンツに限定するガードレールも設けられています。この制限は根拠のない出力を減らす可能性がありますが、引用先の文書を自分で読み、一次資料を解釈し、回答が証拠を適切に表しているか確認する作業まで不要にするものではありません。

なお、AI Sense Makerについて報じられているモデルはGPT-4.1です。OpenAIはGPT-4.1について、指示への追従や長い文脈の理解を改善したモデル群だと説明しています。 ただし、モデル自体の一般的な性能向上は、AI Sense Makerが誤りのない研究結果を出すことの独立した証拠ではありません。

現時点の限界と今後の機能

初期版には、いくつか明確な制約があります。

• 単発の質問が中心で、複数回の追加質問をまたいで会話の文脈を保持する機能はまだありません。
• すでにデジタル化され、対象リポジトリに登録された資料しか検索できません。
• 資料や関連概念を見つける支援はできますが、すべての学術的主張を評価したり、利用者に代わって最終的な研究上の結論を組み立てたりすることはできません。

NUSは今後、長い研究対話に対応するためのチャット履歴の記憶や、音声からテキストへの文字起こしを拡張機能として開発しています。

現状では、AI Sense Makerで検索の出発点を作り、表示された引用先を開いて資料を読み比べ、最終的な分析を自分で組み立てるという使い方が適しています。

研究の初期調査を2週間から30分に短縮できるのか

NUSは、研究の初期段階にあたる資料探しとテーマの方向づけに通常約2週間かかるところを、AI Sense Makerによっておよそ30分以下に短縮できる可能性があると見積もっています。

ただし、これは大学側の見積もりであり、独立した生産性検証の結果ではありません。より慎重に言えば、見込みのある資料に早く到達し、検索の手がかりにならない候補を減らし、引用付きの出発点を短時間で作る助けになると考えられます。

期待される効果は、研究プロセスの前半に集中しています。テーマの範囲を素早く定めること、次の検索に使える語彙を増やすこと、分野横断的なつながりを早い段階で把握することには役立つでしょう。一方で、精読、出典批判、解釈、論証の構築は、引き続き研究者自身が担う作業です。