W odróżnieniu od ogólnodostępnych chatbotów internetowych narzędzie ma koncentrować się na zasobach samego uniwersytetu. To ważne rozróżnienie: AI Sense Maker nie ma przeszukiwać całego internetu i tworzyć odpowiedzi na podstawie przypadkowych stron, lecz pomagać użytkownikom poruszać się po określonym zbiorze akademickim.

Jakie materiały obejmuje wyszukiwarka?

Początkowy korpus łączy zasoby dwóch repozytoriów NUS:

• ScholarBank – repozytorium publikacji naukowych i wyników badań NUS,
• Digital Gems – cyfrowe zbiory rzadkich i specjalnych materiałów.

Łącznie chodzi o około 150 tys. zdigitalizowanych obiektów. Zbiory obejmują między innymi inżynierię, nauki o życiu, medycynę, humanistykę i informatykę, a także materiały poświęcone Azji Południowo-Wschodniej.

Wśród przykładów wymienianych w związku z korpusem znajdują się chińskojęzyczny dziennik Lat Pau, wydawany od 1881 r., pierwsze drukowane wydanie The History of Java sir Stamforda Rafflesa z 1817 r., utwory literackie z czasów dynastii Tang oraz — po zdigitalizowaniu i dodaniu do systemu — oryginalne kompozycje muzyczne i scenariusze Wanga Sha.

Jak działa wyszukiwanie w AI Sense Maker?

Użytkownik wpisuje pytanie w codziennym języku, zamiast konstruować listę precyzyjnych słów kluczowych. Platforma ma oferować szybki, iteracyjny i pogłębiony tryb wyszukiwania, dzięki czemu można wybrać zarówno krótkie rozeznanie w temacie, jak i szerszą eksplorację.

Wyniki mają obejmować kilka warstw:

1. Uporządkowany przegląd tematu, który daje wstępną mapę zagadnienia.
2. Powiązane pojęcia, pomagające poszerzyć lub doprecyzować pytanie.
3. Odnośniki i propozycje dalszej lektury z repozytoriów NUS.
4. Cytowania prowadzące do materiałów źródłowych.
5. Graf wiedzy, pokazujący związki między pojęciami, dyscyplinami i źródłami.

Przykładowe pytanie o to, dlaczego niektóre dzielnice Singapuru są odczuwalnie cieplejsze, może skierować użytkownika ku takim zagadnieniom jak gęstość zabudowy, roślinność, materiały budowlane i zbiorniki wodne. Następnie graf może połączyć te pojęcia z ekologią miejską, naukami o środowisku, fizyką atmosfery i mikroklimatologią.

W praktyce platforma ma pełnić funkcję warstwy orientacyjnej. Może pomóc ustalić, jakich terminów szukać, jakie dziedziny są istotne i od których źródeł rozpocząć lekturę.

Graf wiedzy zamiast samej listy wyników

Klasyczna wyszukiwarka zwykle prezentuje uporządkowaną listę dokumentów. Graf wiedzy pokazuje dodatkowo, jak idee z tych dokumentów mogą być ze sobą powiązane.

Graf AI Sense Maker opiera się na zarządzanej taksonomii. Początkowo wykorzystano w niej informacje z Wikidanych, a następnie zawężono ją i dopasowano do zbiorów NUS. Takie uporządkowanie ma znaczenie, ponieważ przydatność grafu zależy nie tylko od modelu językowego, ale również od tego, jak zdefiniowano pojęcia i relacje w konkretnym korpusie.

W projektach interdyscyplinarnych rozwiązanie może ujawnić terminy oraz sąsiednie dziedziny, których użytkownik nie uwzględnił w pierwszym zapytaniu. Sugerowane połączenia należy jednak traktować jako tropy do sprawdzenia, a nie jako dowód, że każda wskazana relacja jest naukowo trafna.

GPT-4.1, RAG i ograniczenie źródeł

Platforma korzysta z GPT-4.1 oraz technologii retrieval-augmented generation (RAG), czyli generowania wspomaganego wyszukiwaniem. W takim systemie model najpierw znajduje odpowiednie materiały w określonym zbiorze, a dopiero później wykorzystuje je do przygotowania odpowiedzi. AI Sense Maker ma opierać wyniki na wyszukanych źródłach NUS i dołączać cytowania, aby użytkownik mógł samodzielnie sprawdzić materiał wyjściowy.

Zastosowane zabezpieczenia mają utrzymywać platformę w granicach treści akademickich NUS. Narzędzie nie jest przeznaczone do przeszukiwania publicznego internetu w celu samodzielnego kompletowania odpowiedzi. Takie ograniczenie może zmniejszać ryzyko nieuzasadnionych treści, ale nie eliminuje potrzeby weryfikowania dokumentów, interpretowania źródeł pierwotnych i sprawdzania, czy odpowiedź rzeczywiście odpowiada dowodom.

GPT-4.1 to model wskazywany w doniesieniach dotyczących AI Sense Maker. OpenAI opisuje tę rodzinę modeli jako ulepszoną między innymi pod względem wykonywania instrukcji i rozumienia długiego kontekstu. Nie oznacza to jednak niezależnego potwierdzenia, że wyniki platformy będą wolne od błędów.

Ograniczenia pierwszej wersji i planowane funkcje

Pierwsze wydanie ma kilka istotnych ograniczeń:

• obsługuje pojedyncze zapytania, więc nie zachowuje jeszcze kontekstu całej serii pytań uzupełniających;
• przeszukuje tylko materiały, które zostały już zdigitalizowane i włączone do odpowiednich repozytoriów NUS;
• może pomagać w znajdowaniu źródeł i połączeń między tematami, ale nie oceni każdego argumentu naukowego ani nie stworzy za użytkownika ostatecznej tezy badawczej.

NUS pracuje nad pamięcią historii czatu, która ma umożliwić dłuższe rozmowy badawcze, oraz nad transkrypcją mowy na tekst.

Najbezpieczniejszy sposób korzystania z platformy jest więc etapowy: rozpocząć od AI Sense Maker, otworzyć wskazane cytowania, porównać interpretacje, a końcową analizę opracować samodzielnie.

Czy narzędzie skróci czas rozpoczęcia badań?

NUS szacuje, że początkowy etap rozpoznania tematu i wyszukiwania materiałów, który może zajmować około dwóch tygodni, dzięki AI Sense Maker da się skrócić do około 30 minut lub mniej.

To szacunek instytucjonalny, a nie niezależnie potwierdzony wynik produktywności. Ostrożniejszy wniosek jest taki, że platforma może ograniczyć czas tracony na nietrafione wyszukiwania i szybciej pomóc zbudować początkowy, oparty na cytowaniach zestaw źródeł.

Największa potencjalna korzyść pojawia się zatem na początku pracy: szybsze zawężenie tematu, lepszy dobór terminów do kolejnych wyszukiwań oraz wcześniejsze dostrzeżenie związków między dziedzinami i kolekcjami. Czytanie, krytyczna ocena źródeł i budowanie argumentacji nadal pozostają zadaniem badacza.

W odróżnieniu od ogólnodostępnych chatbotów internetowych narzędzie ma koncentrować się na zasobach samego uniwersytetu. To ważne rozróżnienie: AI Sense Maker nie ma przeszukiwać całego internetu i tworzyć odpowiedzi na podstawie przypadkowych stron, lecz pomagać użytkownikom poruszać się po określonym zbiorze akademickim.

Jakie materiały obejmuje wyszukiwarka?

Początkowy korpus łączy zasoby dwóch repozytoriów NUS:

• ScholarBank – repozytorium publikacji naukowych i wyników badań NUS,
• Digital Gems – cyfrowe zbiory rzadkich i specjalnych materiałów.

Łącznie chodzi o około 150 tys. zdigitalizowanych obiektów. Zbiory obejmują między innymi inżynierię, nauki o życiu, medycynę, humanistykę i informatykę, a także materiały poświęcone Azji Południowo-Wschodniej.

Wśród przykładów wymienianych w związku z korpusem znajdują się chińskojęzyczny dziennik Lat Pau, wydawany od 1881 r., pierwsze drukowane wydanie The History of Java sir Stamforda Rafflesa z 1817 r., utwory literackie z czasów dynastii Tang oraz — po zdigitalizowaniu i dodaniu do systemu — oryginalne kompozycje muzyczne i scenariusze Wanga Sha.

Jak działa wyszukiwanie w AI Sense Maker?

Użytkownik wpisuje pytanie w codziennym języku, zamiast konstruować listę precyzyjnych słów kluczowych. Platforma ma oferować szybki, iteracyjny i pogłębiony tryb wyszukiwania, dzięki czemu można wybrać zarówno krótkie rozeznanie w temacie, jak i szerszą eksplorację.

Wyniki mają obejmować kilka warstw:

1. Uporządkowany przegląd tematu, który daje wstępną mapę zagadnienia.
2. Powiązane pojęcia, pomagające poszerzyć lub doprecyzować pytanie.
3. Odnośniki i propozycje dalszej lektury z repozytoriów NUS.
4. Cytowania prowadzące do materiałów źródłowych.
5. Graf wiedzy, pokazujący związki między pojęciami, dyscyplinami i źródłami.

Przykładowe pytanie o to, dlaczego niektóre dzielnice Singapuru są odczuwalnie cieplejsze, może skierować użytkownika ku takim zagadnieniom jak gęstość zabudowy, roślinność, materiały budowlane i zbiorniki wodne. Następnie graf może połączyć te pojęcia z ekologią miejską, naukami o środowisku, fizyką atmosfery i mikroklimatologią.

W praktyce platforma ma pełnić funkcję warstwy orientacyjnej. Może pomóc ustalić, jakich terminów szukać, jakie dziedziny są istotne i od których źródeł rozpocząć lekturę.

Graf wiedzy zamiast samej listy wyników

Klasyczna wyszukiwarka zwykle prezentuje uporządkowaną listę dokumentów. Graf wiedzy pokazuje dodatkowo, jak idee z tych dokumentów mogą być ze sobą powiązane.

Graf AI Sense Maker opiera się na zarządzanej taksonomii. Początkowo wykorzystano w niej informacje z Wikidanych, a następnie zawężono ją i dopasowano do zbiorów NUS. Takie uporządkowanie ma znaczenie, ponieważ przydatność grafu zależy nie tylko od modelu językowego, ale również od tego, jak zdefiniowano pojęcia i relacje w konkretnym korpusie.

W projektach interdyscyplinarnych rozwiązanie może ujawnić terminy oraz sąsiednie dziedziny, których użytkownik nie uwzględnił w pierwszym zapytaniu. Sugerowane połączenia należy jednak traktować jako tropy do sprawdzenia, a nie jako dowód, że każda wskazana relacja jest naukowo trafna.

GPT-4.1, RAG i ograniczenie źródeł

Platforma korzysta z GPT-4.1 oraz technologii retrieval-augmented generation (RAG), czyli generowania wspomaganego wyszukiwaniem. W takim systemie model najpierw znajduje odpowiednie materiały w określonym zbiorze, a dopiero później wykorzystuje je do przygotowania odpowiedzi. AI Sense Maker ma opierać wyniki na wyszukanych źródłach NUS i dołączać cytowania, aby użytkownik mógł samodzielnie sprawdzić materiał wyjściowy.

Zastosowane zabezpieczenia mają utrzymywać platformę w granicach treści akademickich NUS. Narzędzie nie jest przeznaczone do przeszukiwania publicznego internetu w celu samodzielnego kompletowania odpowiedzi. Takie ograniczenie może zmniejszać ryzyko nieuzasadnionych treści, ale nie eliminuje potrzeby weryfikowania dokumentów, interpretowania źródeł pierwotnych i sprawdzania, czy odpowiedź rzeczywiście odpowiada dowodom.

GPT-4.1 to model wskazywany w doniesieniach dotyczących AI Sense Maker. OpenAI opisuje tę rodzinę modeli jako ulepszoną między innymi pod względem wykonywania instrukcji i rozumienia długiego kontekstu. Nie oznacza to jednak niezależnego potwierdzenia, że wyniki platformy będą wolne od błędów.

Ograniczenia pierwszej wersji i planowane funkcje

Pierwsze wydanie ma kilka istotnych ograniczeń:

• obsługuje pojedyncze zapytania, więc nie zachowuje jeszcze kontekstu całej serii pytań uzupełniających;
• przeszukuje tylko materiały, które zostały już zdigitalizowane i włączone do odpowiednich repozytoriów NUS;
• może pomagać w znajdowaniu źródeł i połączeń między tematami, ale nie oceni każdego argumentu naukowego ani nie stworzy za użytkownika ostatecznej tezy badawczej.

NUS pracuje nad pamięcią historii czatu, która ma umożliwić dłuższe rozmowy badawcze, oraz nad transkrypcją mowy na tekst.

Najbezpieczniejszy sposób korzystania z platformy jest więc etapowy: rozpocząć od AI Sense Maker, otworzyć wskazane cytowania, porównać interpretacje, a końcową analizę opracować samodzielnie.

Czy narzędzie skróci czas rozpoczęcia badań?

NUS szacuje, że początkowy etap rozpoznania tematu i wyszukiwania materiałów, który może zajmować około dwóch tygodni, dzięki AI Sense Maker da się skrócić do około 30 minut lub mniej.

To szacunek instytucjonalny, a nie niezależnie potwierdzony wynik produktywności. Ostrożniejszy wniosek jest taki, że platforma może ograniczyć czas tracony na nietrafione wyszukiwania i szybciej pomóc zbudować początkowy, oparty na cytowaniach zestaw źródeł.

Największa potencjalna korzyść pojawia się zatem na początku pracy: szybsze zawężenie tematu, lepszy dobór terminów do kolejnych wyszukiwań oraz wcześniejsze dostrzeżenie związków między dziedzinami i kolekcjami. Czytanie, krytyczna ocena źródeł i budowanie argumentacji nadal pozostają zadaniem badacza.