Kohti automaattista tieteellistä kirjoittamista

Tänä aamuna, kun kävin läpi tietotekniikan osioita Arxivissa, kuten teen useimmiten, törmäsin äskettäin julkaistuun tutkimukseen Federal University of Cearan yliopistosta Brasiliasta, jossa esiteltiin uusi luonnollisen kielen prosessointirunko tieteellisten artikkeleiden tiivistämiseen ja keskeisten tietojen poistamiseen.

Koska tämä on suunnilleen sama, mitä teen joka päivä, tutkimus toi mieleeni kommentin Redditin kirjoittajien ketjussa aiemmin tänä vuonna – ennusteen, jonka mukaan tieteellinen kirjoittaminen on yksi ensimmäisistä journalistisista tehtävistä, jotka otetaan haltuun koneoppimisella.

Haluan olla selvä – uskon absoluuttisesti, että automaattinen tieteellinen kirjoittaja on tulossa, ja että kaikki haasteet, joita mainitsen tässä artikkelissa, voidaan ratkaista joko nyt tai myöhemmin. Kun mahdollista, annan esimerkkejä tästä. Lisäksi en käsittele sitä, voivatko nykyiset tai lähitulevaisuuden tieteelliset kirjoittamisen AI-järjestelmät kirjoittaa johdonmukaisesti; perustuen nykyiseen kiinnostukseen tässä NLP:n osa-alueessa, oletan, että tämä haaste ratkeaa lopulta.

Sen sijaan kysyn, pystyykö tieteellinen kirjoittaja AI tunnistamaan merkittäviä tieteellisiä tarinoita yhteydessä julkaisijoiden (hyvin vaihteleviin) toivottuihin lopputuloksiin.

En usko, että se on lähellä; perustuen siihen, että käyn läpi noin 2000 uuden tieteellisen artikkelin otsikkoja ja/oraakkelia koneoppimisesta joka viikko, minulla on paljon kyynisempi näkemys siitä, kuinka akateemisia julkaisuja voidaan algoritmien avulla purkaa, joko akateemisen indeksoinnin tai tieteellisen journalistiikan tarkoituksiin. Niin kuin yleensä, ne ihmiset ovat esteenä.

Automaattisen tieteellisen kirjoittajan vaatimukset

Tarkastelkaamme haastetta tieteellisen raportoinnin automatisoinnissa viimeisimmän akateemisen tutkimuksen osalta. Jotta se olisi reilua, rajoitamme sen pääosin CS-luokkiin Cornellin yliopiston erittäin suositun Arxiv-alueen, jolla on useita järjestelmällisiä ja mallipohjaisia ominaisuuksia, jotka voidaan liittää tietojen poistoputkeen.

Oletetaan myös, että tehtävä, kuten uuden tutkimuksen tapauksessa Brasiliasta, on iteroida tieteellisten artikkeleiden otsikoiden, tiivistelmien, metatietojen ja (jos perusteltua) runko-sisällön läpi etsimässä vakioita, luotettavia parametreja, tokeneja ja toimintakykyisiä, vähennettäviä alueen tietoja.

Tämä on nimittäin periaate, jolla uudet kehykset saavuttavat menestystä maanjäristysraportoinnissa, urheilukirjoittamisessa, taloudellisessa journalistiikassa ja terveydenhuollossa, ja se on kohtuullinen lähtökohta AI-voimaiselle tieteelliselle journalistille.

Uuden brasilialaisen tarjoaman työnkulku. PDF-tieteellinen artikkeli muunnetaan UTF-8-tekstiksi (vaikka tämä poistaa kursivoidut korostukset, joilla voi olla semanttista merkitystä), ja artikkelin osat on merkitty ja poistettu ennen kuin ne ohjataan tekstisuodattimien läpi. Hajotettu teksti on jaettu lauseisiin tietorakenteina, ja tietorakenteet yhdistetty ennen tokenin tunnistamista ja kahden asiakirja-token-matriisin luomista Lähde: https://arxiv.org/ftp/arxiv/papers/2107/2107.14638.pdf

Mallin monimutkaisuus

Yksi rohkaiseva kerros yhdenmukaisuutta ja sääntöjä on, että Arxiv pakottaa melko hyvin voimassa olevan mallin julkaisuille, ja tarjoaa yksityiskohtaiset ohjeet julkaisijoille. Siksi artikkelit yleensä noudattavat mallia, joka koskee työtä, josta on kyse.

Näin ollen AI-esikäsittelyjärjestelmä tulevaisuudessa automaattiselle tieteelliselle kirjoittajalle voi yleensä käsitellä näitä osioita ala-alueina: tiivistelmä, johdanto, liittyvät/aiemmat työt, menetelmät/data, tulokset/löydökset, poistotutkimukset, keskustelu, johtopäätös.

Kuitenkin käytännössä joitakin näistä osioista saattaa puuttua, uudelleennimetty tai sisältää sisältöä, joka kuuluu tiukasti ottaen toiseen osioon. Lisäksi kirjoittajat sisällyttävät luonnollisesti otsikkoja ja alaotsikkoja, jotka eivät noudata mallia. Siksi se kuuluu NLP/NLU:lle tunnistaa asiaankuuluvaa osioon liittyvää sisältöä asiayhteydestä.

Otsikko-ongelma

Otsikkojärjestelmä on helppo tapa NLP-järjestelmille aluksi luokitella sisällön lohkoja. Monet Arxiv-julkaisut on viety Microsoft Wordista (kuten Arxivin PDF-tiedostojen väärinkäsittely osoittaa – ks. alla oleva kuva). Jos käytät osa-otsikkoja Wordissa, PDF-muunnos luo niistä hierarkkisia otsikkoja, jotka ovat hyödyllisiä datan poistoprosesseille koneelliselle raportoijalle.

Kuitenkin tämä olettaa, että kirjoittajat käyttävät todella näitä ominaisuuksia Wordissa tai muissa asiakirjamuodostuskehyksissä, kuten TeX ja sen johdannaiset (harvoin tarjotaan Arxiv-julkaisuissa vaihtoehtoisena muotona PDF:n ja toisinaan PostScriptin lisäksi).

Vuosien varrella olen huomannut, että valtaosa Arxiv-artikkeleista ei sisällä minkäänlaista tulkittavaa rakenteellista metatietoa, ja otsikko ilmoitetaan lukijassa (ts. verkkoselaimessa tai PDF-lukijassa) koko asiakirjan otsikkona (mukaan lukien laajennus).

Tässä tapauksessa artikkelin semanttinen tulkittavuus on rajoitettu, ja AI-pohjainen tieteellinen kirjoittaja järjestelmän on ohjelmoitava uudelleen linkittämään se siihen liittyvään metatietoon Arxiv-alueella. Arxiv-käytäntö määrää, että perustiedot on myös sijoitettu sivusuunnassa suurilla harmailla kirjaimilla sivun 1 alussa (ks. alla oleva kuva). Valitettavasti – ei vähiten siksi, että se on ainoa luotettava paikka, jossa voit löytää julkaisupäivämäärän tai versiokoodin – se on usein poistettu.

Monet kirjoittajat eivät käytä lainkaan tyylejä tai käyttävät vain H1-tyyliä (korkein otsikko/otsikko), jättäen NLU:n jälleen poistamaan otsikot joko asiayhteydestä (luultavasti ei niin vaikea) tai koodaamalla viittausnumeron, joka muodostaa otsikon asiakirjan polussa (ts. https://arxiv.org/pdf/2110.00168.pdf) ja hyödyntämällä verkko-perusteisia (ei paikallisia) metatietoja julkaisulle.

Vaikka jälkimmäinen ei ratkaise puuttuvia otsikkoja, se vähintään määrittää, mihin osioon tietotekniikkaa julkaisu kuuluu, ja tarjoaa päivämäärä- ja versiotiedot.

Liimattu teksti rivin paluussa

PDF- ja PostScript-tiedostojen ollessa yleisimmin saatavilla Arxiv-muodossa, NLP-järjestelmän on oltava rutiini, joka erottaa rivin lopun sanat seuraavan rivin alun sanoista, jotka kiinnittyvät niihin PDF-muodon valitettavan oletusoptimointimenetelmän vuoksi.

Sanojen dekonkatenointi (ja de-hyfenointi) voidaan suorittaa Perlissä ja monissa muissa yksinkertaisissa rekursiivisissa rutiineissa, vaikka Python-pohjainen lähestymistapa saattaa olla vähemmän aikaa vievä ja soveltuva ML-kehykseen. Adobe, PDF-muodon kehittäjä, on myös kehittänyt AI-käyttöisen muunnosjärjestelmän nimeltä Liquid Mode, joka pystyy “uudelleenvirtaamaan” PDF-tiedostojen kiinni polttimet, vaikka sen julkaisu mobiilialustoille on ollut hitaampaa.

Heikko englanti

Englanti on edelleen tieteellisen julkaisemisen globaali standardi, vaikka tämä on kiistanalainen. Siksi mielenkiintoiset ja uutisarvoiset artikkelit sisältävät toisinaan hämmästyttävän huonon englannin ei-englanninkielisiltä tutkijoilta. Jos taitava englannin kielen käyttö sisällytetään arvon mittana, kun konejärjestelmä arvioi työtä, niin hyvät tarinat usein häviävät, ja pedantit, alempiarvoiset tulokset arvioidaan korkeammaksi vain siksi, että ne sanovat hyvin vähän hyvin.

NLP-järjestelmät, jotka ovat joustamattomia tässä suhteessa, ovat todennäköisesti kohdanneet lisää esteitä datan poistossa, paitsi kaikkein jähmeimmissä ja parametreissä tieteissä, kuten kemiassa ja teoreettisessa fysiikassa, joissa kaaviot ja taulukot ovat yleisemmin yhdenmukaisia globaalissa tieteellisessä yhteisössä. Vaikka koneoppimisen tutkimukset usein sisältävät kaavoja, ne eivät välttämättä edusta tutkimuksen määräävää arvoa, sillä vanhemmat tieteet nauttivat vakiintuneen konsensuksen metodologiasta.

Valinta: Määrittäminen yleisön vaatimuksista

Palaamme monien epätavallisten tieteellisten artikkeleiden hajoittamiseen erillisiin tietopisteisiin myöhemmin. Nyt tarkastellaan yleisöämme ja tavoitteitamme, sillä ne ovat olennaisia auttamaan tieteellistä kirjoittaja AI:ta siivilöimässä tuhansia artikkeleita viikossa. Uutisten onnistumisen ennustaminen on jo aktiivinen ala koneoppimisessa.

Esimerkiksi, jos korkea volyymi “tiede-liikenne” on ainoa tavoite verkkosivustolla, jossa tieteellinen kirjoittaminen on vain yksi osa laajempaa journalistista tarjontaa (kuten UK:n Daily Mail tieteellisessä osiossa), AI voi olla velvollinen määrittämään korkeimmat tulot aiheittain liikenteen mukaan ja optimoida valintansa sen mukaan. Tämä prosessi todennäköisesti priorisoi (suhteellisen) helppoja aiheita, kuten roboteja, drooneja, syvänvalokuvia, luottamuksellisuutta ja tietoturvaongelmia.

Nykyisen tilan mukaan tämä korkean tason korjaus johtaa todennäköisesti ‘suodatin kupla’-ongelmiin tieteelliselle kirjoittaja AI:lle, koska algoritmi antaa lisääntynyttä huomiota useille epäilyttäville tieteellisille artikkeleille, jotka sisältävät “toivottuja” korkeataajuisia avainsanoja ja fraaseja näillä aiheilla (jälleen kerran, koska siinä on rahaa, sekä liikenteessä uutissivustoille että rahoituksessa akateemisille osastoille), kun taas se jättää huomiotta joitakin paljon kirjoitettavampia “pääsiäismunia” (ks. alla), jotka voidaan löytää monista vähemmän käydyistä Arxivin kulmista.

Yksi ja valmis!

Hyvä tieteellinen uutistarina voi tulla epätavallisista ja odottamattomista paikoista ja aiemmin hedelmättömistä aiheista ja aiheista. Tämä hämmästyttää meidän tieteellistä kirjoittaja AI:ta, joka toivoi luovansa tuottavan indeksin “hedelmällisistä” uutislähteistä, koska uutisen lähde (kuten Discord-palvelin, akateeminen tutkimusosasto tai teknologia-alan startup) usein ei koskaan tuota toimivaan materiaalia uudelleen, vaan jatkaa tuottamista suurta ja meluisaa tietovirtaa vähäisemmän arvon.

Mitä voisi iteraatiivinen koneoppimisarkkitehtuuri päätellä tästä? Että monet tuhannet aiemmat “poikkeama” -uutislähteet, joita se aiemmin tunnisti ja poisti, on nyt priorisoitava (vaikka tekemällä niin luodaan hallitsematon signaali-ääni-suhde, ottaen huomioon suuren määrän julkaisuja joka vuosi)? Että aihe itsessään on arvokkaampi kuin uutislähde, josta se tuli (joka tapauksessa suositussa aiheessa on turha toiminto)..?

Enemmän hyödyllistä on, että järjestelmä oppii, että se on liikuttava ylös tai alas tietojen hierarkiassa etsimässä malleja – jos niitä on oikeasti – jotka muodostavat ominaisuuden uutisarvo abstraktina ja siirtymänä laaduna, jota ei voida tarkasti ennustaa alkuperän perusteella, ja jota voidaan odottaa muuttuvan päivittäin.

Hypoteesin epäonnistumisen tunnistaminen

Akateemisten osastojen kiireen vuoksi julkaistaan toisinaan töitä, joissa keskeinen hypoteesi on epäonnistunut täysin (tai lähes täysin) testauksessa, vaikka projektin menetelmät ja löydökset ovat silti jonkin verran kiinnostavia omassa oikeudessaan.

Tällaiset pettymykset eivät usein ole merkitty tiivistelmissä; pahimmassa tapauksessa, kumottuja hypoteeseja voidaan havaita vain lukemalla tuloksia kaavioista. Tämä edellyttää, että paperi antaa tarkan ymmärryksen metodologiasta, ja älykkäitä kaavioita tulkitsijoita, jotka voivat tulkita kaiken, alkaen piirakkakaavioista, hajaantumis- ja pölypilviin, asiayhteydessä.

AI-pohjainen järjestelmä, joka luottaa tiivistelmiin, mutta ei voi tulkita kaavioita ja taulukoita, saattaa aluksi olla hyvin innoissaan uudesta tutkimuksesta. Valitettavasti aiemmat esimerkit “piilotetusta epäonnistumisesta” akateemisissa artikkeleissa ovat (koulutusmielessä) vaikeasti yleistettävissä, koska tämä “akateeminen rikos” on pääasiassa joko puutetta tai alihuomioita, ja siten vaikeasti havaittavissa.

Koneoppimisjärjestelmä saattaa joutua etsimään ja testaamaan repositorio-dataa (ts. GitHubista) tai parsaamaan saatavilla olevaa lisämateriaalia, jotta ymmärretään, mitä tulokset merkitsevät kirjoittajien tavoitteiden kannalta. Siksi koneoppimisjärjestelmä on monien kartoittamattomien lähteiden ja muotojen arkkitehtoninen haaste.

‘Valkoinen laatikko’ -skenaariot

Jotkut äärimmäiset väitteet, jotka tehdään AI-keskittyvissä turvallisuustutkimuksissa, vaativat poikkeuksellisia ja erittäin epätodennäköisiä pääsytasoa lähdekoodiin tai lähdekoneistoon – ‘valkoinen laatikko’ -hyökkäykset. Vaikka tämä on hyödyllistä extrapoloidessa aiemmin tuntemattomia ominaisuuksia AI-järjestelmien arkkitehtuureissa, se ei lähes koskaan edusta realistisesti hyökkäyksen pintaa. Siksi tieteellinen kirjoittaja AI tarvitsee kykenevän “paskadetektorin” puremaan turvallisuuden väitteitä todennäköisyyksiin tehokkaaseen käyttöön.

Automaattinen tieteellinen kirjoittaja tarvitsee kykenevän NLU-rutiinin erottamaan “valkoinen laatikko” -maininnat merkityksellisestä asiayhteydestä (ts. erottamaan maininnat ydinasioista paperiin), ja pystyä johtamaan “valkoinen laatikko” -menetelmää tapauksissa, joissa fraasia ei mainita paperissa.

Muu “hässäkkä

Muita paikkoja, joissa epätodennäköisyys ja hypoteesin epäonnistuminen voivat olla hyvin piilossa, ovat poistotutkimukset, jotka poistavat systemaattisesti avainosia uudesta kaavasta tai menetelmästä, jotta voidaan nähdä, vaikuttavatko tulokset negatiivisesti tai onko “ydin” löytö kestävä. Käytännössä artikkeleissa, jotka sisältävät poistotutkimuksia, on yleensä luottavaisia löydöksistään, vaikka huolellinen lukeminen voi usein paljastaa “huijauksen”. Koneoppimistutkimuksissa tämä huijaus usein vastaa ylioppimista, jossa koneoppimisjärjestelmä suoriutuu mainiosti alkuperäisistä tutkimusdatasta, mutta ei yleisty uusiin tietoihin tai toimii muiden ei-uudelleenluettavissa olosuhteissa.

Toinen hyödyllinen otsikko mahdollista systemaattista poistoa varten on Rajoitukset. Tämä on ensimmäinen osio, jonka kukaan tieteellinen kirjoittaja (AI tai ihminen) tulisi hypätä, koska se voi sisältää tietoja, jotka mitätöivät koko artikkelin hypoteesin, ja sieltä eteenpäin hypätä voi säästää kadonneita tunteja työtä (ainakin ihmisille). Pahin tapaus tässä on, että artikkeli todella sisältää Rajoitukset -osion, mutta “kompromettavat” faktat sisällytetään muualla työssä eivätkä täällä (tai ne vähennetään täällä).

Seuraava on Aiempi työ. Tämä tapahtuu varhain Arxiv-mallissa, ja usein paljastaa, että nykyinen artikkeli edustaa vain vähäistä edistystä paljon innovatiivisemmasta hankkeesta, yleensä edellisten 12-18 kuukauden aikana. Tässä vaiheessa AI-kirjoittaja tarvitsee kykenevän määrittämään, onko aiempi työ saavuttanut jalansijaa; onko siellä vielä tarina? Oliko aiempi työ ansainnut huomiota julkaisun aikana? Vai onko uusi artikkeli vain perfunctorinen jälkikirjoitus hyvin kattavalle aiemmalle hankkeelle?

Reto- ja “tuoreuden” arviointi

V.2: n artikkelista on usein vain vähän enemmän kuin kirjoittajat, jotka kilpailevat huomiosta, jonka he eivät saaneet, kun V.1 julkaistiin. Usein kuitenkin artikkeli ansaitsee toisen mahdollisuuden, koska median huomio saattaa olla ohjattu muualle julkaisun aikana, tai työ on ollut piilossa suuren liikenteen aikana (kuten syksy ja myöhäinen talvi).

Yksi hyödyllinen ominaisuus Arxivissa on erottaa uudelleenjulkaisu [PÄIVITETTY] -merkintä, jota on liitetty julkaisun otsikkoon. AI-kirjoittajan sisäinen “suositteleva järjestelmä” on huolellisesti harkittava, onko [PÄIVITETTY] = “peli poikki”, erityisesti koska se (oletettavasti) arvioi uudelleenlämmitetyn artikkelin nopeammin kuin kiireinen tieteellinen hakkeri. Tässä suhteessa se on selkeä etu ihmisille, ansiosta nimeämiskäytäntöä, joka on todennäköisesti jatkuvaa, ainakin Arxivissa.

Arxiv tarjoaa myös tietoja yhteenvetosivulla siitä, onko artikkeli tunnistettu “merkittävän risteyksen” tekstillä toisen artikkelin kanssa (usein samoilta kirjoittajilta), ja tämä voidaan myös tulkita “toistoa/ uudelleenjulkaisua” -tilaksi AI-kirjoittaja-järjestelmällä [PÄIVITETTY] -merkinnän puuttuessa.

Tuoreuden määrittäminen

Kuten useimmat journalistit, tuleva AI-tieteellinen kirjoittaja etsii uudelleenjulkaistuja tai alijulkaistuja uutisia, jotta se voi lisätä arvoa sisältövirran, jonka se tukee. Useimmissa tapauksissa uudelleenjulkaiseminen tieteellisiä läpimurtoja, jotka on alun perin esitetty suurissa medioissa, kuten TechCrunch, The Verge ja EurekaAlert muun muassa, on turhaa, koska nämä suuret alustat tukevat sisältöään ylenpalttisilla mainoskoneilla, mikä melkein varmasti takaa median täydellisen kyllästymisen kyseiselle artikkelille.

Sen vuoksi AI-kirjoittajamme on määritettävä, onko tarina riittävän tuore ollakseen arvokas.

Helppo tapa, teoriassa, olisi tunnistaa viimeaikaiset saapuvat linkit tutkimuksen perusosiin (yhteenveto, PDF, akateemisen osaston verkkosivun uutisosiosta jne.). Yleensä kehykset, jotka voivat tarjota ajan tasalla olevaa tietoa saapuvista linkeistä, eivät ole avoimia tai edullisia, mutta suuret kustantajat voivat mahdollisesti kustantaa SaaS-kustannukset osana uutisarvon arviointikehystä.

Olettaen, että tällainen pääsy on olemassa, AI-kirjoittajamme on vastassa ongelmaa, että useat tieteelliset raportointikanavat eivät mainitse artikkeleita, joista ne kirjoittavat, vaikka tällainen tieto on vapaasti saatavilla. Kaiken kaikkiaan outlet haluaa, että toissijaiset raportit linkittävät siihen, eivätkä alkuperään. Siksi sillä on epärehellinen esitys tälle.

Näin ollen AI-kirjoittajamme tarvitsee poistaa toimintakykyisiä avainsanoja artikkelista ja suorittaa aikarajoitettuja hakutoimia, jotta voidaan määrittää, missä ja milloin tarina on jo rikkonut.

Joskus artikkelit tarjoavat lisävideoaineistoa YouTubessa, jossa “katselukerrat” voivat toimia tuoreuden indeksinä. Lisäksi AI voi poistaa kuvia artikkelista ja suorittaa järjestelmällisiä kuva-pohjaisia hakutoimia, jotta voidaan määrittää, onko ja milloin kuvia uudelleenjulkaistu.

Pääsiäismunat

Toisinaan “kuiva” artikkeli paljastaa löydöksiä, joilla on syvät ja uutisarvoiset vaikutukset, mutta joita kirjoittajat aliarvioivat (tai jättävät huomiotta tai laimentavat) ja joita voidaan paljastaa vain lukemalla koko artikkelin ja tekemällä laskelmat.

Harvoissa tapauksissa uskon, että tämä johtuu siitä, että kirjoittajat ovat enemmän kiinnostuneita vastaanotosta akateemisissa piireissä kuin yleisössä, ehkä siksi, että he (usein oikein) uskovat, että keskeiset käsitteet ovat yksinkertaisia yleisölle, vaikka heidän institutionaalisten PR-osastojensa hyperboliset pyrkimykset.

Mutta yhtä usein kirjoittajat saattavat aliarvioida tai ei havaitse tai tunnusta löydösten vaikutuksia, toimien virallisesti “tieteellisen etäisyyden” alla. Toisinaan nämä “pääsiäismunat” eivät ole myönteisiä indikaattoreita työlle, kuten mainittu aiemmin, ja ne voivat olla kyynisesti peitettynä monimutkaisissa taulukkoissa löydöksistä.

Arxivin ulkopuolella

On otettava huomioon, että parametroitujen tieteellisten artikkeleiden muuttaminen erillisiin tokeneihin ja entiteetteihin on paljon helpompaa Arxiv-alueella, joka tarjoaa useita johdonmukaisia ja mallipohjaisia “koukkuja” analyysiin, ja joka ei vaadi kirjautumista useimpien toimintojen osalta.

Ei kaikki tieteellinen julkaisu ole avoimia, ja on nähtävä, voiko ja onko AI-tieteellinen kirjoittaja järjestelmä hyödyntää Sci-Hubia evätäkseen maksullisia seinämiä; käyttääkseen arkistointisivustoja välttääkseen maksullisia seinämiä; ja onko se käytännöllistä rakentaa samanlaisia alueen kaivamisarkkitehtuureja monille muille tieteellisille julkaisualustoille, jotka ovat rakenteellisesti vastustuskykyisiä systemaattiselle tutkimukselle.

Pitäisi myös ottaa huomioon, että Arxivilla on rajoitukset, jotka todennäköisesti hidastavat AI-kirjoittajan uutisarviointirutiineja “ihmisen” nopeuteen.

‘Sosiaalinen’ AI-tieteellinen kirjoittaja

Arxivin ja muiden “avointen” tieteellisten julkaisualustojen ulkopuolella, jopa pääsy mielenkiintoiseen uuteen artikkeliin voi olla haaste, joka vaatii etsimään yhteyskanavan kirjoittajalle ja lähestymään pyytääkseen lukea työtä ja saada sitaatteja (jos aikapaine ei ole ylivoimainen – harvinainen tapaus nykyisille tieteellisille toimittajille).

Tämä saattaa vaatia automaattista kulkua tieteellisillä alueilla ja tilitietojen luomista (sinun on kirjauduttava sisään, jotta voit paljastaa artikkelin kirjoittajan sähköpostiosoitteen, jopa Arxivissa). Useimmiten LinkedIn on nopein tapa saada vastaus, mutta AI-järjestelmät ovat tällä hetkellä kiellettyjä ottamasta yhteyttä jäseniin.

Kysymys siitä, miten tutkijat vastaanottavat sähköpostipyynnöt tieteelliseltä kirjoittajalta AI: lta – no, kuten mekaanisen tieteellisen kirjoittamisen maailmassa, se riippuu julkaisun vaikutusvaltaa. Jos putativinen AI-pohjainen kirjoittaja Wired -yhtiöstä ottaisi yhteyttä kirjoittajaan, joka on innostunut levittämään työtään, on kohtuullista olettaa, että se ei kohtaa vihamielistä reaktiota.

Useimmissa tapauksissa voimme kuvitella, että kirjoittaja toivoo, että nämä puoli-automatisoidut vaihdot lopulta kutsuvat ihmisen silmukkaan, mutta se ei ole mahdotonta, että seuraavat VOIP-haastattelut voidaan järjestää AI: n avulla, ainakin silloin, kun artikkelin toteutettavuus on ennustettu olevan tietyn kynnyksen alapuolella, ja julkaisulla on tarpeeksi vetovoimaa houkutella ihmisten osallistumaan keskusteluun “AI-tutkijan” kanssa.

Uutisten tunnistaminen AI: n avulla

Monet näistä periaatteista ja haasteista ovat sovellettavissa muiden journalistiikan alojen automaatioon, ja kuten aina, uutisen tunnistaminen on ydin haaste. Useimmat journalistit myöntävät, että itse tarinan kirjoittaminen on vain viimeinen 10 %: n ponnistus, ja että kun näppäimistö käy, työ on jo valmis.

Suuri haaste on kehittää AI-järjestelmiä, jotka voivat havaita, tutkia ja vahvistaa tarinan, perustuen uutispelin moniin arkaaisiin käänteisiin, ja kulkemaan valtavan määrän alustoja, jotka ovat jo kovin vahvasti suojattu tutkimiselta ja exfiltrationilta, sekä ihmisille että muille.

Tieteellisessä raportoinnissa uusien artikkeleiden kirjoittajat ovat yhtä itsepalvelusitaatteisia kuin mikä tahansa muu uutisen alkuperäinen lähde, ja heidän tuotoksensa purkaminen edellyttää aiemman tietämyksen upottamista sosiaalisista, psykologisista ja taloudellisista motivaatioista. Siksi putativinen automaattinen tieteellinen kirjoittaja tarvitsee enemmän kuin pelkästään reduktiivisia NLP-rutiineja, jotta se voi määrittää, missä uutinen on tänään, ellet tieteen ala ole erityisen kerroksellinen, kuten osakkeet, pandemian luvut, urheilutulokset, maanjäristys ja muut puhtaasti tilastolliset uutislähteet.