NUS AI Sense Maker ska göra 150 000 digitaliserade källor sökbara med vanlig svenska

NUS AI Sense Maker är en webbaserad, samtalsbaserad forskningsplattform som utvecklats av NUS Libraries och NUS IT. Målet är att göra universitetets digitaliserade forsknings- och kulturarvssamlingar lättare att hitta, koppla samman och spåra tillbaka till originalkällorna. Verktyget ska ge forskningen en snabbare start – inte skriva användarens argument eller ersätta noggrann läsning av källorna.

När lanseras AI Sense Maker och vem får använda det?

AI Sense Maker ska enligt plan lanseras den 20 augusti 2026, i samband med starten på den nya terminen. Den första åtkomsten är avsedd för NUS-studenter, lärare och alumner.

Lanseringen sker samtidigt som National University of Singapore breddar användningen av AI inom utbildning och forskning. AI Sense Maker har dock ett mer avgränsat uppdrag än en vanlig AI-chattbot: det ska hjälpa användare att navigera i NUS:s egna samlingar, inte söka fritt på hela internet.

Vilket material kan verktyget söka i?

Den första versionen bygger på material från två NUS-arkiv:

• ScholarBank, som innehåller NUS:s forskningspublikationer och akademiska arbeten
• Digital Gems, som innehåller digitaliserade sällsynta och särskilda samlingar

Tillsammans omfattar lanseringsmaterialet omkring 150 000 digitaliserade objekt. Samlingarna täcker bland annat teknik, biovetenskap, medicin, humaniora och datavetenskap, liksom regionalt inriktat material om Sydostasien.

Exemplen visar varför en vanlig sökruta med exakta nyckelord inte alltid räcker. Användare kan hitta material som Singapores första kinesiskspråkiga dagstidning Lat Pau från 1881, den första tryckta upplagan från 1817 av Sir Stamford Raffles The History of Java, litterära verk från Tangdynastin och – när materialet har digitaliserats och lagts in – Wang Shas originalkompositioner och manus.

Så fungerar en sökning

Användaren börjar med en fråga formulerad på vardagligt språk i stället för en lista med exakta databasord. Plattformen erbjuder snabba, iterativa och mer djupgående söklägen, så att användaren kan välja mellan en snabb överblick och en bredare genomgång.

Systemet är utformat för att ge flera lager av stöd:

1. En strukturerad ämnesöversikt som ger en första karta över området.
2. Relaterade begrepp som kan bredda eller precisera frågan.
3. Referenser och vidare läsning från NUS:s arkiv.
4. Källhänvisningar som leder tillbaka till det underliggande materialet.
5. En kunskapsgraf som visar samband mellan begrepp, ämnesområden och källor.

En fråga om varför vissa bostadsområden i Singapore upplevs som varmare kan exempelvis leda till samband mellan bebyggelsens täthet, växtlighet, byggmaterial och vatteninslag. Kunskapsgrafen kan sedan koppla dessa idéer till stads ekologi, miljövetenskap, atmosfärfysik och mikroklimatologi.

Det gör plattformen särskilt användbar i forskningens orienteringsfas. Den kan hjälpa en student att upptäcka relevanta sökord, ämnesområden och källor innan det är dags att läsa materialet närmare.

Därför är kunskapsgrafen viktig

En traditionell sökning ger ofta en rangordnad lista med dokument. En kunskapsgraf erbjuder en annan vy genom att visa hur idéerna i dokumenten hänger ihop.

AI Sense Makers graf bygger på en förvaltad taxonomi – ett system för hur begrepp definieras och kopplas samman. Taxonomin tog ursprungligen avstamp i Wikidata, men har därefter avgränsats och anpassats till NUS:s samlingar.

Det är viktigt eftersom en graf inte bara blir bättre av en avancerad språkmodell. Den beror också på hur begreppen har valts ut och organiserats i den samling som söks igenom.

För tvärvetenskapliga projekt kan detta göra det lättare att upptäcka närliggande forskningsfält eller ett fackspråk som användaren inte tänkte på i den första frågan. Sambanden ska dock ses som uppslag för vidare granskning – inte som bevis för att varje föreslagen koppling är vetenskapligt hållbar.

GPT-4.1, RAG och begränsningar mot osäkra svar

Plattformen använder OpenAI:s GPT-4.1 tillsammans med retrieval-augmented generation, vanligtvis förkortat RAG. I ett RAG-system hämtar modellen först relevant material från en bestämd källsamling och använder sedan materialet för att formulera ett svar. AI Sense Maker är utformat för att förankra svaren i hämtade NUS-källor och lägga till hänvisningar som användaren kan kontrollera.

Verktygets begränsningar är också tänkta att hålla svaren nära universitetets akademiska innehåll. Plattformen ska inte söka på det öppna internet för att sätta samman sina svar. En sådan avgränsning kan minska risken för obestyrkta uppgifter, men den tar inte bort behovet av att kontrollera de citerade dokumenten, tolka primärmaterial och bedöma om svaret återger evidensen rättvist.

GPT-4.1 är den modell som nämns i rapporteringen om AI Sense Maker. OpenAI beskriver GPT-4.1 som en modellfamilj med förbättrad följsamhet till instruktioner och bättre förståelse av mycket långa sammanhang. Det ska inte tolkas som oberoende bevis för att AI Sense Maker kommer att ge felfria forskningsresultat.

Begränsningar i första versionen och planerade uppdateringar

Den första utgåvan har flera tydliga begränsningar:

• Den stöder enskilda frågor, och minns därför ännu inte sammanhanget genom en serie följdfrågor.
• Den kan bara söka i material som redan har digitaliserats och lagts in i de aktuella NUS-arkiven.
• Den kan hjälpa till att hitta källor och samband, men kan inte bedöma varje vetenskapligt argument eller formulera användarens slutliga forskningsanalys.

NUS utvecklar minne för chatthistorik för längre forskningssamtal samt tal-till-text-transkribering som planerade funktioner.

Begränsningarna pekar också ut ett rimligt arbetssätt: använd AI Sense Maker för att upptäcka ämnen och källor, öppna sedan de citerade originalen, jämför tolkningar och bygg den slutliga analysen självständigt.

Kan verktyget korta forskningens startsträcka?

NUS uppskattar att forskningens första fas – att hitta material och orientera sig i ämnet – kan ta omkring två veckor i dag, men minska till ungefär 30 minuter eller mindre med AI Sense Maker.

Det är ett mål eller en institutionell uppskattning, inte ett oberoende verifierat produktivitetsresultat. Den mer försiktiga slutsatsen är att plattformen kan minska tiden som går åt till irrelevanta sökspår och hjälpa användaren att snabbare bygga en första, källhänvisad samling material.

Den största möjliga vinsten ligger därför tidigt i processen: snabbare avgränsning av ämnet, bättre sökord för nästa steg och tidigare synlighet i kopplingar mellan olika ämnesområden och samlingar. Läsning, källkritik och själva argumentationen är fortfarande mänskligt forskningsarbete.