NUS AI Sense Maker biến 150.000 tài liệu số thành công cụ nghiên cứu bằng hội thoại

NUS AI Sense Maker là gì?

NUS AI Sense Maker là nền tảng nghiên cứu dạng hội thoại trên web do NUS Libraries và NUS Information Technology (NUS IT) phát triển. Công cụ này được thiết kế để giúp người dùng khám phá, kết nối và truy ngược về nguồn gốc các bộ sưu tập học thuật và di sản đã được số hóa của Đại học Quốc gia Singapore (NUS).

Điểm quan trọng là AI Sense Maker nhằm rút ngắn giai đoạn bắt đầu nghiên cứu, chứ không tự xây dựng lập luận thay người dùng hay thay thế việc đọc kỹ tài liệu gốc.

Khi nào ra mắt và ai được sử dụng?

Nền tảng dự kiến chính thức ra mắt vào ngày 20 tháng 8 năm 2026, thời điểm bắt đầu học kỳ mới. Nhóm người dùng ban đầu gồm sinh viên, giảng viên và cựu sinh viên NUS.

Khác với chatbot tìm kiếm trên internet, AI Sense Maker tập trung vào các bộ sưu tập do NUS quản lý. Vì vậy, câu trả lời của công cụ được giới hạn trong phạm vi nguồn học thuật và di sản đã được đưa vào các kho dữ liệu liên quan.

150.000 tài liệu gồm những gì?

Kho dữ liệu ban đầu kết hợp tài liệu từ hai hệ thống của NUS:

• ScholarBank: kho lưu trữ các công trình nghiên cứu và bài viết học thuật của NUS.
• Digital Gems: bộ sưu tập số hóa các tài liệu quý hiếm và đặc biệt.

Tổng cộng, corpus ban đầu có khoảng 150.000 tài liệu số. Nội dung trải rộng từ kỹ thuật, khoa học sự sống, y học, nhân văn đến tin học, đồng thời bao gồm nhiều tư liệu tập trung vào Đông Nam Á.

Một số ví dụ cho thấy quy mô và độ đa dạng của kho dữ liệu gồm nhật báo tiếng Hoa Lat Pau xuất bản từ năm 1881, bản in đầu tiên năm 1817 của The History of Java do Sir Stamford Raffles viết, các tác phẩm văn học thời Đường và — sau khi được số hóa, tích hợp — các bản nhạc cùng kịch bản gốc của nghệ sĩ Wang Sha.

Với những tài liệu như vậy, việc chỉ nhập vài từ khóa chính xác có thể bỏ sót nhiều hướng tiếp cận. AI Sense Maker được xây dựng để giúp người dùng bắt đầu từ một câu hỏi tự nhiên hơn.

Cách tìm kiếm bằng AI Sense Maker

Người dùng có thể đặt câu hỏi bằng ngôn ngữ đời thường thay vì phải đoán chính xác từ khóa của cơ sở dữ liệu. Nền tảng cung cấp các chế độ tìm kiếm nhanh, lặp và chuyên sâu, cho phép lựa chọn giữa việc định hướng nhanh hoặc đào sâu hơn vào chủ đề.

Một phiên tìm kiếm có thể trả về:

1. Tổng quan có cấu trúc về chủ đề, giúp người dùng hình dung bản đồ ban đầu của vấn đề.
2. Các khái niệm liên quan, nhằm mở rộng hoặc điều chỉnh câu hỏi gốc.
3. Nguồn tham khảo và tài liệu đọc thêm từ các kho của NUS.
4. Trích dẫn dẫn người dùng trở lại tài liệu nền.
5. Knowledge graph — đồ thị tri thức thể hiện mối liên hệ giữa khái niệm, ngành học và nguồn tư liệu.

Chẳng hạn, câu hỏi vì sao một số khu dân cư ở Singapore có cảm giác nóng hơn có thể dẫn đến các yếu tố như mật độ xây dựng, thảm thực vật, vật liệu xây dựng và mặt nước. Knowledge graph sau đó có thể nối những ý tưởng này với sinh thái đô thị, khoa học môi trường, vật lý khí quyển và vi khí hậu.

Nhờ vậy, công cụ có thể đóng vai trò như một lớp định hướng nghiên cứu: giúp người dùng biết nên tìm thêm thuật ngữ nào, tham khảo ngành nào và mở tài liệu nào trước khi đọc sâu.

Knowledge graph có ý nghĩa gì?

Công cụ tìm kiếm truyền thống thường trả về một danh sách tài liệu được xếp hạng. Knowledge graph cung cấp một góc nhìn khác: cho thấy các ý tưởng trong những tài liệu đó liên kết với nhau ra sao.

Đồ thị của AI Sense Maker dựa trên một hệ phân loại được quản lý. Hệ này ban đầu tham khảo Wikidata, sau đó được thu hẹp và tinh chỉnh để phù hợp với các bộ sưu tập của NUS. Việc biên tập này quan trọng vì chất lượng của đồ thị không chỉ phụ thuộc vào mô hình ngôn ngữ, mà còn phụ thuộc vào cách các khái niệm được định nghĩa và kết nối trong kho dữ liệu.

Đối với các đề tài liên ngành, cách trình bày này có thể giúp người dùng phát hiện những thuật ngữ hoặc lĩnh vực lân cận mà họ chưa nghĩ đến khi viết truy vấn đầu tiên. Tuy nhiên, các mối liên hệ được gợi ý chỉ nên được xem là đầu mối để kiểm tra, không phải bằng chứng rằng mọi kết nối đều chính xác về mặt học thuật.

GPT-4.1, RAG và cơ chế giới hạn nguồn

AI Sense Maker sử dụng GPT-4.1 kết hợp với retrieval-augmented generation (RAG), hay phương pháp sinh câu trả lời tăng cường bằng truy xuất. Trong hệ thống RAG, mô hình trước hết tìm các tài liệu phù hợp trong một tập nguồn được xác định, sau đó dựa trên những tài liệu này để tạo câu trả lời.

AI Sense Maker được thiết kế để neo câu trả lời vào các nguồn đã truy xuất từ NUS và đính kèm trích dẫn để người dùng có thể kiểm tra tài liệu gốc. OpenAI mô tả GPT-4.1 là dòng mô hình được cải thiện về khả năng làm theo hướng dẫn và hiểu ngữ cảnh dài.

Các cơ chế giới hạn nguồn cũng khiến nền tảng không được thiết kế để tự tìm kiếm internet công khai rồi tổng hợp câu trả lời. Ranh giới này có thể làm giảm nội dung thiếu căn cứ, nhưng không loại bỏ nhu cầu kiểm tra tài liệu được trích dẫn, đọc nguồn sơ cấp và đánh giá liệu câu trả lời có phản ánh công bằng bằng chứng hay không.

Nói cách khác, việc AI Sense Maker sử dụng GPT-4.1 không đồng nghĩa với việc mọi kết quả nghiên cứu đều không có sai sót. Mô hình và công cụ chỉ hỗ trợ quá trình tìm hiểu; trách nhiệm diễn giải và kiểm chứng vẫn thuộc về người nghiên cứu.

Những hạn chế hiện tại và tính năng sắp có

Phiên bản đầu tiên có một số giới hạn đáng chú ý:

• Công cụ chỉ hỗ trợ các truy vấn riêng lẻ, chưa ghi nhớ ngữ cảnh qua một chuỗi câu hỏi nối tiếp.
• Nó chỉ tìm được những tài liệu đã được số hóa và tích hợp vào các kho NUS liên quan.
• Công cụ có thể giúp xác định nguồn và mối liên hệ, nhưng không thể đánh giá mọi lập luận học thuật hoặc xây dựng luận điểm nghiên cứu cuối cùng thay người dùng.

NUS đang phát triển tính năng ghi nhớ lịch sử trò chuyện để hỗ trợ các cuộc trao đổi nghiên cứu dài hơn, cùng chuyển giọng nói thành văn bản.

Quy trình phù hợp vì thế là dùng AI Sense Maker để mở đầu: đặt câu hỏi, xem bản đồ chủ đề, kiểm tra các trích dẫn, rồi tự đọc, so sánh cách diễn giải và xây dựng phân tích riêng.

Có thể rút ngắn thời gian tìm tài liệu bao nhiêu?

NUS ước tính giai đoạn định hướng và tìm kiếm ban đầu của một dự án nghiên cứu — vốn có thể kéo dài khoảng hai tuần — có thể giảm xuống còn khoảng 30 phút hoặc ít hơn khi sử dụng AI Sense Maker.

Đây là ước tính của tổ chức, chưa phải kết quả năng suất được kiểm chứng độc lập. Kỳ vọng thận trọng hơn là công cụ có thể giúp người dùng giảm thời gian theo đuổi những hướng tìm kiếm kém hiệu quả và nhanh chóng lập được danh sách nguồn ban đầu có trích dẫn.

Lợi ích nhiều khả năng tập trung ở giai đoạn đầu: khoanh vùng đề tài nhanh hơn, có thêm vốn từ để tìm kiếm tiếp và sớm nhìn thấy các kết nối giữa ngành học cũng như bộ sưu tập. Phần đọc hiểu, phê bình nguồn và xây dựng lập luận vẫn là công việc nghiên cứu của con người.