Προς την Αυτοματοποιημένη Επιστημονική Συγγραφή

Αυτή τη μέρα, αναζητώντας τις ενότητες Επιστήμης Υπολογιστών στο Arxiv, όπως κάνω τις περισσότερες μερες, ήρθα σε επαφή με một πρόσφατο έγγραφο από το Ομοσπονδιακό Πανεπιστήμιο του Ceara στη Βραζιλία, που προσφέρει ένα νέο πλαίσιο Προcessing Φυσικής Γλώσσας για την αυτοματοποίηση της συνοψίσεως και της εξαγωγής βασικών δεδομένων από επιστημονικές εργασίες.

Καθώς αυτό είναι περίπου ότι κάνω κάθε μέρα, το έγγραφο με έκανε να θυμηθώ ένα σχόλιο σε ένα νήμα συγγραφέων στο Reddit νωρίτερα αυτό το έτος – μια προφητεία που η επιστημονική συγγραφή θα είναι μεταξύ των πρώτων δημοσιογραφικών εργασιών που θα αναληφθούν από τη μηχανική μάθηση.

Ας είμαι σαφής – πείσω ότι ο αυτοματοποιημένος επιστημονικός συγγραφέας έρχεται, και ότι όλες οι προκλήσεις που περιγράφω σε αυτό το άρθρο είτε είναι λύσιμες τώρα, είτε θα λυθούν τελικά. Όπου είναι δυνατό, δίνω παραδείγματα για αυτό. Επιπλέον, δεν ασχολούμαι με το αν τα τρέχοντα ή τα κοντινά μέλλοντα AI για επιστημονική συγγραφή θα μπορέσουν να γράψουν συνεκτικά· με βάση το τρέχοντα επίπεδο ενδιαφέροντος σε αυτόν τον τομέα της NLP, υποθέτω ότι αυτή η πρόκληση θα λυθεί τελικά.

Αντίθετα, ρωτώ αν ένας AI συγγραφέας θα μπορέσει να ταυτοποιήσει σχετικές επιστημονικές ιστορίες σύμφωνα με τις (πολύ διαφορετικές) επιθυμητές αποτελέσματα των εκδοτών.

Δεν πιστεύω ότι είναι επικείμενο· με βάση την αναζήτηση των τίτλων και/ή του κειμένου περίπου 2000 νέων επιστημονικών εργασιών για τη μηχανική μάθηση κάθε εβδομάδα, έχω μια πιο cinική άποψη για το βαθμό στον οποίο οι ακαδημαϊκές υποβολές μπορούν να αναλυθούν αλγοριθμικά, είτε για τους σκοπούς της ακαδημαϊκής indeξing είτε για την επιστημονική δημοσιογραφία. Όπως συνήθως, είναι αυτοί οι άνθρωποι που εμποδίζουν.

Απαιτήσεις για τον Αυτοματοποιημένο Επιστημονικό Συγγραφέα

Ας εξετάσουμε την πρόκληση της αυτοματοποίησης της επιστημονικής αναφοράς για τις τελευταίες ακαδημαϊκές έρευνες. Για να τη διατηρήσουμε δίκαιη, θα περιορίσουμε κυρίως στις κατηγορίες CS του πολύ δημοφιλούς μη-paywalled τομέα Arxiv από το Πανεπιστήμιο Cornell, που έχει τουλάχιστον μερικά συστηματικά, προτυποποιημένα χαρακτηριστικά που μπορούν να συνδεθούν σε μια πηγή εξαγωγής δεδομένων.

Ας υποθέσουμε επίσης ότι η εργασία που διεξάγεται, όπως και το νέο έγγραφο από τη Βραζιλία, είναι να επαναλάβουμε τους τίτλους, τις περιλήψεις, τα μεταδεδομένα και (αν δικαιολογηθεί) το σώμα του κειμένου των νέων επιστημονικών εργασιών αναζητώντας σταθερές, αξιόπιστες παραμέτρους, tokens και δράσιμα, μειώσιμα domaine πληροφορίες.

Αυτό είναι, μετά όλα, το principio στο οποίο βασίζονται τα πολύ επιτυχημένα νέα πλαίσια που κερδίζουν έδαφος στις περιοχές της αναφοράς σεισμών, αθλητικών γραφείων, οικονομικής δημοσιογραφίας και υγείας, και μια λογική αφετηρία για τον AI-εξοπλισμένο επιστημονικό δημοσιογράφο.

Η ροή εργασιών της νέας βραζιλιάνικης προσφοράς. Το PDF της επιστημονικής εργασίας μετατρέπεται σε UTF-8 plain text (αν και αυτό θα αφαιρέσει πλάγιες ενώσεις που μπορεί να έχουν σημασιολογική σημασία), και τα τμήματα του άρθρου επισημαίνονται και εξάγονται πριν να περάσουν για φιλτράρισμα κειμένου. Το αποσυναρμολογημένο κείμενο σπάει σε προτάσεις ως data-frames, και τα data-frames συγχωνεύονται πριν από την αναγνώριση token, και τη δημιουργία δύο doc-token πινάκων Πηγή: https://arxiv.org/ftp/arxiv/papers/2107/2107.14638.pdf

Συμπλέκοντας το Πρότυπο

Ένα ενθαρρυντικό στρώμα συμμόρφωσης και κανονικοποίησης είναι ότι το Arxiv επιβάλλει ένα khá καλά-εφαρμοσμένο πρότυπο για τις υποβολές, και παρέχει λεπτομερείς οδηγίες για τους συγγραφείς. Έτσι, τα έγγραφα γενικά συμμορφώνονται με τα τμήματα του πρωτοκόλλου που ισχύουν για το έργο που περιγράφεται.

Έτσι, το σύστημα προ-επεξεργασίας AI για τον πιθανό αυτοματοποιημένο επιστημονικό συγγραφέα μπορεί γενικά να αντιμετωπίζει τέτοιους τομείς ως υπο-τομείς: περίληψη, εισαγωγή, σχετιζόμενη/προηγούμενη εργασία, μεθοδολογία/δεδομένα, αποτελέσματα/ευρήματα, μελέτες αφαίρεσης, συζήτηση, συμπέρασμα.

Ωστόσο, στην πράξη, κάποιοι από αυτούς τους τομείς μπορεί να λείπουν, να έχουν μετονομαστεί, ή να περιέχουν περιεχόμενο που, αυστηρά, ανήκει σε άλλον τομέα. Επιπλέον, οι συγγραφείς θα περιλαμβάνουν φυσικά επικεφαλίδες και υπο-επικεφαλίδες που δεν συμμορφώνονται με το πρότυπο. Έτσι, θα πέσει στον NLP/NLU να αναγνωρίσει σχετικό τομέα-σχετικό περιεχόμενο από το контέκστ.

Πηγαίνοντας για Τρόμο

Μια ιεραρχία επικεφαλίδων είναι ένας εύκολος τρόπος για τα συστήματα NLP να αρχικά κατηγοριοποιήσουν μπλοκ περιεχομένου. Πολλές υποβολές στο Arxiv εξάγονται από το Microsoft Word (όπως φαίνεται στα mishandled Arxiv PDFs που αφήνουν ‘Microsoft Word’ στη σελίδα τίτλου – δείτε την εικόνα παρακάτω). Αν χρησιμοποιήσετε σωστές επικεφαλίδες σε Word, μια εξαγωγή σε PDF θα τις αναδημιουργήσει ως ιεραρχικές επικεφαλίδες που είναι χρήσιμες για τις διαδικασίες εξαγωγής δεδομένων μιας μηχανής αναφορέα.

Ωστόσο, αυτό υποθέτει ότι οι συγγραφείς χρησιμοποιούν πραγματικά τέτοιες λειτουργίες στο Word, ή άλλα πλαίσια δημιουργίας εγγράφων, όπως TeX και παράγωγα (σπάνια παρέχονται ως εγγενείς εναλλακτικές μορφές σε υποβολές Arxiv, με τις περισσότερες προσφερόμενες περιορισμένες σε PDF και, περιστασιακά, το ακόμη πιο αδιαφανές PostScript).

Βάσει ετών ανάγνωσης εγγράφων Arxiv, έχω σημειώσει ότι η μεγάλη πλειοψηφία τους δεν περιέχει κανένα ερμηνεύσιμο δομικό μετα-δεδομένο, με τον τίτλο που αναφέρεται στο reader (δηλ. ένα web browser ή ένα PDF reader) ως τον πλήρη τίτλο (συμπεριλαμβανομένης της επέκτασης), του εγγράφου selbst.

Σε αυτή την περίπτωση, η σεμασιολογική ερμηνευσιμότητα του εγγράφου είναι περιορισμένη, και ένα σύστημα AI-επιστημονικού συγγραφέα θα χρειαστεί να συνδέσει προγραμματικά το έγγραφο με τα σχετικά μετα-δεδομένα στο domaine Arxiv. Η σύμβαση Arxiv ορίζει ότι τα βασικά μετα-δεδομένα εισάγονται επίσης πλευρικά σε μεγάλη γκρίζα τύπο στη σελίδα 1 ενός υποβεβλημένου PDF (δείτε την εικόνα παρακάτω). Λυπάμαι – όχι τουλάχιστον因为 αυτό είναι το μόνο αξιόπιστο μέρος που μπορείτε να βρείτε μια ημερομηνία δημοσίευσης ή αριθμό έκδοσης – συχνά εξαιρείται.

Πολλοί συγγραφείς είτε δεν χρησιμοποιούν κανένα στυλ, είτε μόνο το H1 (υψηλότερη επικεφαλίδα/τίτλο) στυλ, αφήνοντας τον NLU να εξάγει επικεφαλίδες είτε από το контέκστ (πιθανότατα δεν είναι τόσο δύσκολο), ή με την ανάλυση του αριθμού αναφοράς που αποτελεί τον τίτλο στη διαδρομή εγγράφου (δηλ. https://arxiv.org/pdf/2110.00168.pdf) και να επωφεληθεί από διαδικτυακά (αντί για τοπικά) μετα-δεδομένα για την υποβολή.

Αν και το δεύτερο δεν θα λύσει τις λείπουσες επικεφαλίδες, θα καθορίσει τουλάχιστον σε ποιο τομέα της Επιστήμης Υπολογιστών η υποβολή ισχύει, και θα παρέχει πληροφορίες ημερομηνίας και έκδοσης.

Κολημένο Κείμενο σε Επιστροφές Παράγραφων

Με PDF και postscript τις πιο συχνές διαθέσιμες μορφές Arxiv που υποβάλλονται από τους συγγραφείς, το σύστημα NLP θα χρειαστεί μια διαδικασία για να χωρίσει τα τέλη γραμμής από τα λέξεις από την αρχή της επόμενης γραμμής που συνδέονται με αυτά κάτω από τις προεπιλεγμένες μεθόδους βελτιστοποίησης του PDF.

Η απο-σύνδεση (και απο-υφενισμός) λέξεων μπορεί να επιτευχθεί σε Perl και πολλές άλλες απλές αναδρομικές διαδικασίες, αν και μια πρόσβαση βασισμένη σε Python μπορεί να είναι λιγότερο χρονοβόρα και πιο προσαρμοσμένη σε ένα πλαίσιο ML. Η Adobe, ο δημιουργός του προτύπου PDF, έχει επίσης αναπτύξει ένα σύστημα μετατροπής AI-ενεργοποιημένο που ονομάζεται Λειτουργία Υγρού, ικανό να ‘ανασυντάξει’ ψημένα κείμενο σε PDF, αν και η διάθεσή του πέρα από τον χώρο κινητών έχει αποδειχθεί αργή.

Κακή Αγγλική

Η αγγλική γλώσσα παραμένει το παγκόσμιο επιστημονικό πρότυπο για την υποβολή επιστημονικών εργασιών, ακόμη και αν αυτό είναι αμφισβητούμενο. Έτσι, ενδιαφέρουσες και νέες επιστημονικές εργασίες μπορεί να περιέχουν απαράδεκτα πρότυπα αγγλικής, από μη-αγγλόφωνους ερευνητές. Αν η δεξιοτεχνία της αγγλικής γλώσσας περιλαμβάνεται ως μετρική αξίας όταν ένα σύστημα μηχανικής μάθησης αξιολογεί το έργο, τότε όχι μόνο θα χαθούν καλές ιστορίες, αλλά και η pedantic χαμηλότερη-αξία έξοδος θα αξιολογηθεί υψηλότερα απλά因为 λέει πολύ λίγα πολύ καλά.

Τα συστήματα NLP που είναι ανελαστικά σε αυτό το ζήτημα είναι πιθανό να αντιμετωπίσουν ένα επιπλέον στρώμα εμποδίων στην εξαγωγή δεδομένων, εκτός αν στις πιο αυστηρές και παραμετροποιημένες επιστήμες, όπως η χημεία και η θεωρητική φυσική, όπου τα γραφήματα και τα διαγράμματα συμμορφώνονται πιο ομοιόμορφα σε παγκόσμιες επιστημονικές κοινότητες. Αν και τα έγγραφα της μηχανικής μάθησης συχνά περιέχουν τύποις, αυτά μπορεί να μην αντιπροσωπεύουν την οριστική αξία της υποβολής στην απουσία της πλήρως καθορισμένης επιστημονικής συναίνεσης για μεθοδολογία που απολαμβάνουν οι παλαιότερες επιστήμες.

Επιλογή: Καθορισμός Απαιτήσεων Κοινότητας

Θα επιστρέψουμε στα πολλά προβλήματα της αποσύνθεσης εκκεντρικών επιστημονικών εγγράφων σε διακριτά σημεία δεδομένων σύντομα. Τώρα, ας εξετάσουμε το κοινό μας και τους στόχους μας,既然 αυτά θα είναι απαραίτητα για να βοηθήσουν τον AI συγγραφέα να διεισδύσει χιλιάδες εργασίες την εβδομάδα. Η πρόβλεψη της επιτυχίας των πιθανών ειδήσεων είναι ήδη ενεργός τομέας στη μηχανική μάθηση.

Για παράδειγμα, αν το υψηλό όγκο ‘επιστημονικού траφικού’ είναι το μόνο αντικειμενικό σε ένα website όπου η επιστημονική συγγραφή είναι μόνο ένα πλάνο μιας ευρύτερης δημοσιογραφικής προσφοράς (όπως είναι η περίπτωση με το τμήμα επιστήμης του Daily Mail), ένα AI μπορεί να απαιτείται να καθορίσει τα υψηλότερα-κερδοφόρα θέματα σε όρους траφικού, και να βελτιστοποιήσει την επιλογή του προς αυτή την κατεύθυνση. Αυτή η διαδικασία θα προτιμήσει πιθανότατα (σχετικά) χαμηλά-κρεμαστά φρούτα όπως ρομπότ, δρομών, βαθιά ψεύδη, ιδιωτικότητα και αδυναμίες ασφαλείας.

Σε συνδυασμό με την τρέχουσα κατάσταση της τέχνης στα συστήματα συστάσεων, αυτή η υψηλού επιπέδου συγκομιδή είναι πιθανό να οδηγήσει σε ‘φίλτρο φυσαλίδας’ ζητήματα για τον AI συγγραφέα, καθώς το αλγόριθμο δίνει αυξημένη προσοχή σε μια σειρά από πιο αμφίβολες επιστημονικές εργασίες που διαθέτουν ‘επιθύμητα’ υψηλής συχνότητας λέξεις-κλειδιά και φράσεις σε αυτά τα θέματα (ξανά,因为 υπάρχει χρήμα να κερδηθεί σε αυτά, τόσο σε όρους траφικού για τα μέσα ενημέρωσης, όσο και σε χρηματοδότηση για ακαδημαϊκούς τομείς), ενώ αγνοούν κάποια από τα πολύ πιο γράψιμα ‘Πασχαλινά αυγά’ (δείτε παρακάτω) που μπορούν να βρεθούν σε πολλές από τις λιγότερο συχνές γωνίες του Arxiv.

Ένα και Έτοιμο!

Καλό επιστημονικό είδος μπορεί να έρθει από περίεργες και απροσδόκητες πηγές, και από προηγουμένως άγονες περιοχές και θέματα. Για να confound τον AI συγγραφέα, που ήλπιζε να δημιουργήσει einen παραγωγικό δείκτη ‘γόνιμων’ πηγών ειδήσεων, η πηγή μιας off-beat ‘hit’ (όπως ένας διακομιστής Discord, ένα ακαδημαϊκό ερευνητικό τμήμα ή ένα τεχνολογικό startup) θα ποτέ δεν θα παράγει πάλι δραστικό υλικό, ενώ συνεχίζει να εξορύσσει einen θόρυβο και υψηλό-όγκου ροή πληροφοριών χαμηλότερης αξίας.

Τι μπορεί να συναγάγει ένας επαναλαμβανόμενος αρχιτεκτονικός μηχανικής μάθησης από αυτό; Ότι οι πολλοί χιλιάδες προηγούμενοι ‘outlier’ πηγές ειδήσεων που είχε εξαιρέσει θα πρέπει τώρα να προτεραιότητα (ακόμη και αν αυτό θα δημιουργήσει einen ungovernable σήμα-θόρυβο αναλογία, λαμβάνοντας υπόψη τον υψηλό όγκο εγγράφων που κυκλοφορούν κάθε χρόνο)? Ότι το θέμα selbst αξίζει μια ενεργοποίηση στρώματος περισσότερο από την πηγή ειδήσεων από όπου προήλθε (ο οποίος, σε περίπτωση ενός δημοφιλούς θέματος, είναι μια περιττή δράση)..?

Περισσότερο χρήσιμο, το σύστημα μπορεί να μάθει ότι πρέπει να κινηθεί προς τα πάνω ή προς τα κάτω στην ιεραρχία της διαστατικότητας των δεδομένων αναζητώντας μοτίβα – αν υπάρχουν πραγματικά – που συνιστούν αυτό που ο late δημοσιογράφος παππούς μου ονόμασε ‘μύτη για ειδήσεις’, και να ορίσει το χαρακτηριστικό ειδησεογραφικό ως einen itinerant και αφηρημένο ποιότητα που δεν μπορεί να προβλεφθεί ακριβώς με βάση την προέλευση μόνο, και που μπορεί να αναμενθεί να μεταλλάσσεται καθημερινά.

Ταυτοποίηση Αποτυχίας Υπόθεσης

Λόγω πιέσεων ποσοστού, ακαδημαϊκά τμήματα μπορεί να δημοσιεύσουν εργασίες όπου η κεντρική υπόθεση έχει αποτύχει πλήρως (ή σχεδόν πλήρως) σε δοκιμές, ακόμη και αν οι μέθοδοι και τα ευρήματα του έργου είναι ακόμη αξιοπρόσεκτα.

Τέτοιες απογοητεύσεις είναι συχνά μη σηματοδοτημένες στις περιλήψεις· στις χειρότερες περιπτώσεις, οι ανατρεπόμενες υποθέσεις είναι αναγνωρίσιμες μόνο με την ανάγνωση των γραфикών αποτελεσμάτων. Αυτό όχι μόνο απαιτεί την εύρεση μιας λεπτομερούς κατανόησης της μεθοδολογίας από τις highly-επιλεγμένες και περιορισμένες πληροφορίες που μπορεί να παρέχει το έγγραφο, αλλά θα απαιτούσε επίσης ικανές αλγόριθμους ερμηνείας γραфикών που μπορούν να ερμηνεύσουν ουσιαστικά όλα, από ένα πιε-τσαρτ σε ένα σκέδαστρο-διάγραμμα, σε контέκστ.

Ένα σύστημα NLP που βασίζεται στις περιλήψεις αλλά δεν μπορεί να ερμηνεύσει τα γραφήματα και τα πίνακες μπορεί να ενθουσιαστεί πολύ για μια νέα εργασία, στην αρχική ανάγνωση. Δυστυχώς, προηγούμενα παραδείγματα ‘κρυμμένης αποτυχίας’ σε ακαδημαϊκές εργασίες είναι (για τους σκοπούς της εκπαίδευσης) δύσκολο να γενικευτούν σε μοτίβα, поскольку αυτό το ‘ακαδημαϊκό έγκλημα’ είναι κυρίως ένα της παραλείψεως ή της υπο-τονισμού, και συνεπώς ελusive.

Σε μια ακραία περίπτωση, ο AI συγγραφέας μας μπορεί να χρειαστεί να εντοπίσει και να ελέγξει δεδομένα αποθετηρίου (δηλ. από το GitHub), ή να αναλύσει οποιαδήποτε διαθέσιμα συμπληρωματικά υλικά, για να κατανοήσει τι σημαίνουν τα αποτελέσματα σε σχέση με τους στόχους των συγγραφέων. Έτσι, ένα σύστημα μηχανικής μάθησης θα χρειαστεί να διασχίσει τα πολλαπλά ανυπόδητα πηγές και μορφές που εμπλέκονται σε αυτό, καθιστώντας την αυτοματοποίηση των διαδικασιών επαλήθευσης ένα bit από μια αρχιτεκτονική πρόκληση.

‘Λευκή Κουτί’ Σενάρια

Μερικές από τις πιο αμφίβολες αξιώσεις που γίνονται σε έγγραφα ασφαλείας AI αποδεικνύονται να απαιτούν εξαιρετικές και πολύ απίθανες επίπεδα πρόσβασης στο πηγαίο κώδικα ή την υποδομή πηγής – ‘λευκά κουτί’ επιθέσεις. Ενώ αυτό είναι χρήσιμο για την εξαγωγή προηγουμένως άγνωστων ιδιοτήτων στις αρχιτεκτονικές των συστημάτων AI, σχεδόν ποτέ δεν αντιπροσωπεύει einen πραγματικά εκμεταλλεύσιμο επιφάνεια επίθεσης. Έτσι, ο AI συγγραφέας θα χρειαστεί einen ικανό ανιχνευτή βλακείας για να αποσυνθέσει αξιώσεις γύρω από την ασφάλεια σε πιθανοότητες για αποτελεσματική ανάπτυξη.

Ο αυτοματοποιημένος επιστημονικός συγγραφέας θα χρειαστεί μια ικανή NLU ρουτίνα για να απομονώσει ‘λευκά κουτί’ αναφορές σε einen σημαντικό контέκστ (δηλ. να διακρίνει αναφορές από κεντρικές επιπτώσεις για το έγγραφο), και την ικανότητα να συναγάγει ‘λευκά κουτί’ μεθοδολογία σε περιπτώσεις όπου η φράση δεν εμφανίζεται ποτέ στο έγγραφο.

Άλλα ‘Gotchas’

Άλλες θέσεις όπου η ακαταλληλότητα και η αποτυχία της υπόθεσης μπορούν να τελειώσουν khá κρυμμένες είναι στις μελέτες αφαίρεσης, οι οποίες συστηματικά αφαιρούν κρίσιμα στοιχεία μιας νέας формούλας ή μεθόδου για να δουν αν τα αποτελέσματα επηρεάζονται αρνητικά, ή αν μια ‘κεντρική’ ανακάλυψη είναι ανθεκτική. Στην πράξη, έγγραφα που περιλαμβάνουν μελέτες αφαίρεσης είναι συνήθως khá βέβαια για τα ευρήματά τους, αν και μια προσεκτική ανάγνωση μπορεί συχνά να ανακαλύψει einen ‘μπλόφα’. Στην έρευνα AI, αυτή η ‘μπλόφα’ συχνά ισοδυναμεί με υπερ-προσαρμογή, όπου ένα σύστημα μηχανικής μάθησης εκτελείται θαυμάσια στο αρχικό έρευνα δεδομένων, αλλά αποτυγχάνει να γενικευθεί σε νέα δεδομένα, ή να λειτουργεί υπό άλλες μη-αναπαραγώγιμες περιορισμοί.

Μια άλλη χρήσιμη επικεφαλίδα για πιθανή συστηματική εξαγωγή είναι Περιορισμοί. Αυτή είναι η πρώτη επικεφαλίδα που κάθε επιστημονικός συγγραφέας (AI ή άνθρωπος) πρέπει να πηδήξει,既然 αυτή μπορεί να περιέχει πληροφορίες που ακυρώνουν την υπόθεση του εγγράφου ολόκληρη, και το πήδημα προς τα εμπρός σε αυτό μπορεί να σώσει χαμένες ώρες εργασίας (τουλάχιστον, για τον άνθρωπο). Μια χειρότερη περίπτωση εδώ είναι ότι ένα έγγραφο έχει πραγματικά einen Περιορισμοί τομέα, αλλά τα ‘συμβιβαστικά’ γεγονότα περιλαμβάνονται αλλού στο έργο, και όχι εδώ (ή είναι υπο-τονισμένα εδώ).

Επόμενο είναι Προηγούμενη Εργασία. Αυτό συμβαίνει νωρίς στο πρότυπο Arxiv, και συχνά αποκαλύπτει ότι η τρέχουσα εργασία αντιπροσωπεύει μόνο μια μικρή πρόοδο σε ένα πολύ πιο καινοτόμο έργο, συνήθως από τα προηγούμενα 12-18 μήνες. Σε αυτό το στάδιο, ο AI συγγραφέας θα χρειαστεί την ικανότητα να καθορίσει αν η προηγούμενη εργασία απέκτησε έλξη· είναι ακόμη μια ιστορία εδώ; Η προηγούμενη εργασία απέτυχε να περάσει από την公共 chú ý στην ώρα της δημοσίευσης; Ή η νέα εργασία είναι απλά ένα perfunctory postscript σε ένα καλά-καλυμμένο προηγούμενο έργο;

Αξιολόγηση Επανα-χαρακτηρισμών και ‘Νέας’

Εκτός από την διόρθωση σφαλμάτων σε einer προηγούμενη έκδοση, πολύ συχνά η V.2 ενός εγγράφου αντιπροσωπεύει λίγο περισσότερο από τους συγγραφείς που διεκδικούν την προσοχή που δεν έλαβαν όταν η V.1 δημοσιεύθηκε. Συχνά, ωστόσο, ένα έγγραφο πραγματικά αξίζει eine δεύτερη ευκαιρία, поскольку η προσοχή των μέσων μπορεί να είχε απομακρυνθεί αλλού την ώρα της αρχικής δημοσίευσης, ή το έργο ήταν αποκρυμμένο από υψηλό траφικό υποβολών σε περιόδους συνεδρίων και συμποσίων (όπως το φθινόπωρο και το τέλος του χειμώνα).

Μια χρήσιμη λειτουργία στο Arxiv για να διακρίνει eine επανα-χαρακτηρισμό είναι το [Ενημερωμένο] ετικέτα που προστίθεται στους τίτλους των υποβολών. Το εσωτερικό ‘σύστημα συστάσεων’ του AI συγγραφέα θα πρέπει να εξετάσει προσεκτικά αν [Ενημερωμένο]==’Παίχτηκε, ιδιαίτερα既然 μπορεί να αξιολογήσει την επανα-θερμαινόμενη εργασία πολύ γρήγορα από einen hard-pressed επιστημονικό δημοσιογράφο. Σε αυτή τη σχέση, έχει einen αξιοσημείωτο πλεονέκτημα έναντι των ανθρώπων, χάρη σε eine ονοματολογία που πιθανότατα θα επιβιώσει, τουλάχιστον στο Arxiv.

Το Arxiv παρέχει επίσης πληροφορίες στη σελίδα περίληψης σχετικά με το αν το έγγραφο έχει αναγνωριστεί ως έχοντα ‘σημαντική διασταύρωση’ κειμένου με ένα άλλο έγγραφο (συχνά από τους ίδιους συγγραφείς), και αυτό μπορεί επίσης να αναλυθεί σε einen ‘απλό/επανα-χαρακτηρισμό’ κατάσταση από ένα σύστημα AI συγγραφέα στην απουσία του [Ενημερωμένο] ετικέτας.

Καθορισμός Διάχυσης

Όπως και οι περισσότεροι δημοσιογράφοι, ο προβλεπόμενος AI συγγραφέας μας ψάχνει για αναφερόμενες ή υπο-αναφερόμενες ειδήσεις, για να προσθέσει αξία στη ροή περιεχομένου που υποστηρίζει. Σε meisten περιπτώσεις, η ανα-αναφορά επιστημονικών προόδων που εμφανίστηκαν पहलίτερα σε μεγάλα μέσα ενημέρωσης όπως το TechCrunch, το The Verge και το EurekaAlert et al είναι άσκοπη,既然 αυτά τα μεγάλα πλατφόρμες υποστηρίζουν το περιεχόμενό τους με εξαντλητικές μηχανές δημοσιότητας, που ουσιαστικά εγγυώνται medya-κάλυψη για το έγγραφο.

Έτσι, ο AI συγγραφέας μας πρέπει να καθορίσει αν η ιστορία είναι αρκετά νέα για να αξίζει να την ακολουθήσει.

Ο ευκολότερος τρόπος, σε θεωρία, θα ήταν να αναγνωρίσει πρόσφατες εισερχόμενες συνδέσεις προς τις βασικές σελίδες ερευνών (περίληψη, PDF, ακαδημαϊκό τμήμα ιστοσελίδας ειδήσεων, κ.λπ.). Γενικά, πλαίσια που μπορούν να παρέχουν ενημερωμένες πληροφορίες εισερχόμενων συνδέσεων δεν είναι ανοιχτά ή χαμηλού κόστους, αλλά μεγάλοι εκδότες θα μπορούσαν να αντέξουν το κόστος SaaS ως μέρος ενός πλαισίου αξιολόγησης ενημερότητας.

Υποθέτοντας τέτοια πρόσβαση, ο AI συγγραφέας μας αντιμετωπίζει το πρόβλημα ότι ένας μεγάλος αριθμός επιστημονικών αναφορών δεν αναφέρει τα έγγραφα που γράφουν, ακόμη και σε περιπτώσεις όπου αυτή η πληροφορία είναι ελεύθερα διαθέσιμη.毕竟, ένα μέσο хочет δευτερεύουσες αναφορές να συνδέονται με αυτό, και όχι με την πηγή.

Έτσι, ο AI συγγραφέας μας θα χρειαστεί να εξάγει δραστικές λέξεις-κλειδιά από ένα έγγραφο και να εκτελέσει χρονικά-περιορισμένες αναζητήσεις για να καθορίσει πού, αν υπάρχει, η ιστορία έχει ήδη σπάσει – και τότε να αξιολογήσει αν οποιαδήποτε προηγούμενη διάχυση μπορεί να αγνοηθεί, ή αν η ιστορία είναι played out.

Πολλές φορές, τα έγγραφα παρέχουν συμπληρωματικό υλικό βίντεο στο YouTube, όπου η ‘μετρητής προβολών’ μπορεί να χρησιμεύσει ως δείκτης διάχυσης. Επιπλέον, ο AI μας μπορεί να εξάγει εικόνες από το έγγραφο και να εκτελέσει συστηματικές εικόνα-βασισμένες αναζητήσεις, για να καθορίσει αν, πού και πότε οποιαδήποτε από τις εικόνες έχουν επανα-δημοσιευθεί.

Πασχαλινά Αυγά

Μερικές φορές, ένα ‘σухό’ έγγραφο αποκαλύπτει ευρήματα που έχουν βαθιά και νέες ειδήσεις-επιπτώσεις, αλλά που είναι υπο-τονισμένα (ή ακόμη και αγνοημένα ή απορριφθέντα) από τους συγγραφείς, και θα αποκαλυφθούν μόνο με την ανάγνωση του ολόκληρου εγγράφου και την εκτέλεση των μαθηματικών.

Σπάνια, πιστεύω, αυτό συμβαίνει因为 οι συγγραφείς είναι πολύ πιο ενδιαφερόμενοι με την υποδοχή στην ακαδημία παρά με το γενικό κοινό, vielleicht因为 πιστεύουν (όχι πάντα λανθασμένα) ότι οι κεντρικές έννοιες που εμπλέκονται απλά δεν μπορούν να απλοποιηθούν αρκετά για γενική κατανάλωση, παρά τις συχνά υπερβολικές προσπάθειες των τμημάτων PR των ιδρυμάτων τους.

Αλλά περίπου τόσο συχνά, οι συγγραφείς μπορεί να αγνοήσουν ή να μην δουν τις επιπτώσεις του έργου τους, λειτουργώντας επίσημα υπό ‘επιστημονική απόσταση’. Μερικές φορές αυτά τα ‘Πασχαλινά αυγά’ δεν είναι θετικά δείκτες για το έργο, όπως αναφέρθηκε παραπάνω, και μπορεί να είναι κρυμμένα σε σύνθετα πίνακες ευρημάτων.

Πέρα από το Arxiv

Θα πρέπει να ληφθεί υπόψη ότι η παραμετροποίηση εγγράφων για την Επιστήμη Υπολογιστών σε διακριτά tokens και οντότητες θα είναι πολύ πιο εύκολη σε einen domaine όπως το Arxiv, που παρέχει eine σειρά από συνεπείς και προτυποποιημένα ‘γάντζους’ για ανάλυση, και δεν απαιτεί συνδέσεις για την περισσότερη λειτουργικότητα.

Δεν όλα τα επιστημονικά δημοσιεύματα είναι ανοιχτά, και παραμένει να δούμε αν ο AI συγγραφέας μας θα μπορεί ή θα θέλει να αποφύγει τους τοίχους πληρωμής μέσω Sci-Hub· να χρησιμοποιήσει ιστοσελίδες αρχειοθέτησης για να αποφύγει τους τοίχους πληρωμής· και αν είναι πρακτικό να κατασκευάσει παρόμοια αρχιτεκτονικά domaine-ανάλυσης για eine ποικιλία άλλων επιστημονικών πλατφορμών δημοσίευσης, πολλές από τις οποίες είναι δομικά ανθεκτικές σε συστηματική διείσδυση.

Θα πρέπει επίσης να ληφθεί υπόψη ότι ακόμη και το Arxiv έχει περιορισμούς ρυθμού που είναι πιθανό να επιβραδύνουν τις διαδικασίες αξιολόγησης ειδήσεων του AI συγγραφέα σε einen πιο ‘ανθρώπινο’ ρυθμό.

Ο ‘Κοινωνικός’ AI Επιστημονικός Συγγραφέας

Πέρα από τον ανοιχτό και προσιτό domaine του Arxiv και παρόμοιων ‘ανοιχτών’ επιστημονικών πλατφορμών δημοσίευσης, ακόμη και η απόκτηση πρόσβασης σε einen ενδιαφέρον νέο έγγραφο μπορεί να είναι eine πρόκληση, που εμπλέκει την εύρεση eines καναλιού επικοινωνίας για einen συγγραφέα και την προσέγγιση τους για να ζητήσετε να διαβάσετε το έργο, και ακόμη να αποκτήσετε παραθέσεις (όταν η πίεση του χρόνου δεν είναι ένας κυρίαρχος παράγοντας – eine σπάνια περίπτωση για ανθρώπινους επιστημονικούς δημοσιογράφους αυτές τις μέρες).

Αυτό μπορεί να απαιτήσει την αυτοματοποιημένη διέλευση επιστημονικών domaine και τη δημιουργία λογαριασμών (χρειάζεστε να είστε συνδεδεμένοι για να αποκαλύψετε τη διεύθυνση email του συγγραφέα ενός εγγράφου, ακόμη και στο Arxiv). Η περισσότερη ώρα, το LinkedIn είναι ο ταχύτερος τρόπος για να λάβετε μια απάντηση, αλλά τα συστήματα AI είναι τώρα απαγορευμένα από το να επικοινωνούν με μέλη.

Όσον αφορά το πώς οι ερευνητές θα λάβουν email αιτήσεις από einen AI συγγραφέα – ναι, όπως και στον κόσμο της δημοσιογραφίας, είναι πιθανό ότι θα phụ thuộc από την επιρροή του μέσου. Αν ένας πιθανός AI-συγγραφέας από Wired επικοινωνούσε με einen συγγραφέα που ήταν渴 να διαδώσει το έργο του, είναι λογικό να υποθέσουμε ότι μπορεί να μην συναντήσει μια εχθρική απάντηση.

Στις περισσότερες περιπτώσεις, μπορείτε να φανταστείτε ότι ο συγγραφέας θα ελπίζει ότι αυτές οι ημι-αυτοματοποιημένες ανταλλαγές θα μπορούσαν τελικά να καλέσουν einen άνθρωπο στο λούπ, αλλά δεν είναι πέρα από το πεδίο της πιθανότητας ότι η συνέχεια VOIP-συνεντεύξεις θα μπορούσαν να διευκολυνθούν από einen AI, τουλάχιστον όταν η βιωσιμότητα του άρθρου προβλέπεται να είναι κάτω από einen bestimmten κατώτατο όριο, και όταν η δημοσίευση έχει αρκετή τρακτέρ για να τραβήξει ανθρώπινη συμμετοχή σε eine συνομιλία με einen ‘AI-ερευνητή’.

Ταυτοποίηση Ειδήσεων με AI

Πολλοί από τους αρχές και τις προκλήσεις που περιγράφονται εδώ ισχύουν για το δυνατό της αυτοματοποίησης σε άλλους τομείς της δημοσιογραφίας, και, όπως πάντα, η ταυτοποίηση ενός πιθανό ιστορίας είναι η κεντρική πρόκληση. Οι περισσότεροι ανθρώπινοι δημοσιογράφοι θα παραδεχθούν ότι η πραγματική γραφή της ιστορίας είναι μόνο το 10% της εργασίας, και ότι όταν το πληκτρολόγιο χτυπά, η εργασία είναι hầu hết ολοκληρωμένη.

Η κύρια πρόκληση, τότε, είναι να αναπτύξουμε συστήματα AI που μπορούν να αναγνωρίσουν, να ερευνήσουν και να πιστοποιήσουν eine ιστορία, με βάση τις πολλές arcana της ειδησεογραφίας, και να διασχίσουν eine μεγάλη ποικιλία πλατφορμών που είναι ήδη σκληρές έναντι της διείσδυσης, ανθρώπινες ή άλλες.

Στην περίπτωση της επιστημονικής αναφοράς, οι συγγραφείς νέων εγγράφων έχουν einen τόσο βαθύ αυτο-υπηρετικό πρόγραμμα όσο και οποιαδήποτε άλλη πιθανή πρωταρχική πηγή μιας ιστορίας, και η αποσύνθεση της εξόδου τους θα απαιτήσει την ενσωμάτωση προηγούμενης γνώσης για sociologischen, ψυχολογικών και οικονομικών κινήτρων. Έτσι, ένας πιθανός αυτοματοποιημένος επιστημονικός συγγραφέας θα χρειαστεί περισσότερα από τις αναγωγικές ρουτίνες NLP για να καθορίσει πού είναι η ειδήσεις σήμερα, trừ την περίπτωση που το domaine ειδήσεων είναι ιδιαίτερα στρωμένο, όπως είναι η περίπτωση με τις μετοχές, τις στατιστικές πανδημίας, τα αθλητικά αποτελέσματα, τη σεισμική δραστηριότητα και άλλες καθαρά στατιστικές πηγές ειδήσεων.