NUS AI Sense Maker 8月20日登場：如何搜尋15萬件數位研究與珍藏資料

這些內容不只限於近代學術論文，還包括許多以傳統關鍵字搜尋不易發現的歷史文獻，例如1881年創刊的新加坡中文日報《叻報》（Lat Pau）、1817年首次印刷出版的斯坦福・萊佛士爵士《爪哇史》（The History of Java）、唐代文學作品，以及在完成數位化並納入系統後，王莎的原創樂曲與劇本。

使用者要怎樣搜尋？

使用者可以像與人對話一樣，以日常語言提出問題，不必先掌握資料庫的精確關鍵字。平台提供快速、反覆整理及深入搜尋等模式，讓使用者按需要選擇快速了解主題，或進一步擴大搜尋範圍。

一次查詢可能產生以下幾層結果：

1. 主題概覽：先整理問題涉及的主要方向，協助使用者建立基本框架。
2. 相關概念：找出可延伸或修正原問題的詞彙與觀念。
3. 參考資料與延伸閱讀：從NUS的兩個資料庫中整理相關來源。
4. 引用連結：將回答中的資訊連回底層資料，方便使用者查核。
5. 知識圖譜：以視覺化方式呈現概念、學科與來源之間的關係。

例如，使用者若詢問「為甚麼新加坡部分住宅區感覺更熱」，系統可能把建築密度、植被、建築材料及水景等因素連結起來，再延伸至都市生態學、環境科學、大氣物理學及微氣候學。

因此，AI Sense Maker最適合用作研究的「導航層」：先幫助使用者摸清方向、認識相關術語與學科，再回到原始資料進行細讀和分析。

知識圖譜有甚麼作用？

傳統搜尋通常會列出按相關度排序的文件；知識圖譜則提供另一種視角，顯示文件中的概念如何彼此連接。

AI Sense Maker的圖譜建基於一套經管理的分類架構。這套分類最初參考Wikidata，之後再按照NUS館藏的特性縮減與調整。 換言之，圖譜的價值不只取決於語言模型，也取決於平台如何定義概念，以及如何在特定館藏內建立關聯。

對跨學科研究而言，這種設計或能揭示使用者一開始沒有想到的研究術語或鄰近領域。不過，圖譜顯示的關聯只是後續查證的線索，不能直接視為已獲學術證明的結論。

GPT-4.1與RAG如何協助查找資料？

平台使用OpenAI的 GPT-4.1，並結合檢索增強生成（retrieval-augmented generation，簡稱 RAG）。在RAG架構下，系統會先從指定資料庫中找出相關內容，再根據這些內容組織回答。AI Sense Maker的設計，是讓回答以NUS資料為基礎，並附上引用，方便使用者返回原始文件檢視。

平台亦設有來源限制，不會搜尋公開網路來拼湊答案。這個邊界有助減少缺乏根據的輸出，但並不代表結果必然沒有錯誤。使用者仍須閱讀被引用的文件、理解原始材料，並判斷回答是否準確反映證據。

目前報道所指的平台模型是GPT-4.1。OpenAI表示，GPT-4.1系列在遵循指令及理解長篇內容方面有所改進。 不過，模型本身的功能提升，不等於AI Sense Maker能保證產出零錯誤的研究結果。

首個版本有哪些限制？

AI Sense Maker初期版本仍有幾項明顯限制：

• 目前只支援單次查詢，尚未能在多輪追問之間保留完整對話脈絡。
• 系統只能搜尋已完成數位化，並已加入相關NUS資料庫的內容。
• 它可以協助找出資料與概念關聯，但不能代替研究者評估所有學術論點，也不能替使用者建立最終的研究論證。

NUS正計劃加入聊天歷史記憶，以支援較長的研究對話，並開發語音轉文字功能。

較理想的使用方式，是先把平台當成資料探索工具：利用它縮小主題範圍、整理關鍵詞和找到引用來源，再自行打開原始文件，比較不同觀點，完成資料批判與論證。

能否把兩週的資料摸索縮短至30分鐘？

NUS估計，研究初期的資料發掘與方向整理通常約需 兩週，使用AI Sense Maker後，時間可能縮短至約 30分鐘或更短。

但這是校方提出的估算，並不是經獨立驗證的生產力研究結果。較穩妥的理解是，平台有機會減少使用者花在低效搜尋與不相關線索上的時間，並更快整理出一批附有引用的初步資料。

換句話說，AI Sense Maker最可能帶來的效益集中在研究前段：更快界定主題、掌握後續搜尋所需的詞彙，以及提早看見不同學科和館藏之間的聯繫。至於閱讀、考證資料及建立論點，仍然是研究者不能跳過的工作。