Podsumowanie
Grafy wiedzy napędzane przez AI zmieniają sposób odkrywania, porządkowania i udostępniania wiedzy naukowej. Zamiast traktować artykuły naukowe jako odizolowane dokumenty, systemy te odwzorowują relacje między autorami, pojęciami, instytucjami, metodami i wynikami. Wykorzystując przetwarzanie języka naturalnego, uczenie maszynowe i wyszukiwanie semantyczne, wyodrębniają jednostki z milionów artykułów, łączą je w ewoluującą sieć i przedstawiają badaczom uporządkowane obrazy ich dziedziny. Dzięki temu użytkownicy mogą sprawdzić, kto pracuje nad podobnymi tematami, jak idee rozwijały się z czasem, gdzie nadal występują luki oraz które formy współpracy mogą przynieść najlepsze rezultaty.
Współpraca naukowa korzysta z grafów wiedzy napędzanych przez AI jako inteligentnych łączników. Mogą one rekomendować potencjalnych współpracowników o nakładających się lub uzupełniających się kompetencjach, wyszukiwać istotne prace z pokrewnych dziedzin oraz przyspieszać przeglądy literatury, wizualizując powiązania między publikacjami, tematami i grupami badawczymi. Wspierają również redaktorów i recenzentów, ujawniając wzorce cytowań, powiązane badania i możliwe powielanie treści, co ułatwia ocenę nowatorstwa, rzetelności i wpływu. Agencje finansujące badania i uniwersytety mogą wykorzystywać zagregowane informacje z tych grafów do monitorowania wyników badań, identyfikowania nowych tematów i strategicznego przydzielania zasobów.
Jednak wykorzystanie grafów wiedzy napędzanych przez AI wiąże się z istotnymi wyzwaniami. Systemy te zależą od jakości i zakresu danych leżących u ich podstaw, muszą radzić sobie z niespójnymi metadanymi i rozproszonymi repozytoriami, a także mogą nieumyślnie utrwalać istniejące uprzedzenia w cytowaniach i praktykach publikacyjnych. Pojawiają się również obawy dotyczące prywatności, własności danych badawczych oraz nadmiernego polegania na nieprzejrzystych algorytmach. Patrząc w przyszłość, integracja z infrastrukturą otwartej nauki, większa przejrzystość oraz spersonalizowane grafy wiedzy dostosowane do poszczególnych badaczy prawdopodobnie wyznaczą kolejny etap rozwoju. W połączeniu z krytyczną oceną człowieka i wysokiej jakości korektą tekstów akademickich wykonywaną przez człowieka grafy wiedzy napędzane przez AI oferują skuteczny sposób poruszania się po szybko powiększającym się uniwersum literatury naukowej i wzbogacania go.
📖 Artykuł w pełnej wersji (Kliknij, aby zwinąć)
Jak napędzane przez AI grafy wiedzy zmieniają współpracę naukową
Wprowadzenie
Badania naukowe nigdy nie były prowadzone na tak dużą skalę — ani tak trudne do zorientowania się w nich. Każdego dnia do już ogromnego dorobku piśmiennictwa dodawane są nowe artykuły, zbiory danych, referaty konferencyjne, preprinty, protokoły i przeglądy. Dla pojedynczego badacza śledzenie na bieżąco jednej subdyscypliny jest trudne, a zrozumienie, jak jego praca łączy się z dyscyplinami pokrewnymi, może wydawać się niemal niemożliwe. Tradycyjne wyszukiwarki i bazy danych, które w dużej mierze opierają się na dopasowywaniu słów kluczowych i podstawowym filtrowaniu, mają trudności z radzeniem sobie z tą złożonością. Często zwracają długie listy artykułów, nie pokazując wyraźnie, jak wiążą się one ze sobą ani z szerszym krajobrazem intelektualnym.
Sytuacja ta doprowadziła do powstania zjawiska „nadmiaru informacji, ale niedoboru wiedzy”. Problem nie polega na tym, że nie istnieją badania, lecz na tym, że są one rozproszone między wydawcami, repozytoriami, językami i formatami. Ważne powiązania między badaniami mogą pozostać niezauważone, podobne projekty mogą być niepotrzebnie powtarzane, a możliwości współpracy mogą nigdy się nie ujawnić tylko dlatego, że badacze nie dostrzegają się nawzajem ponad granicami dyscyplin i instytucji.
Grafy wiedzy zasilane przez sztuczną inteligencję stanowią obiecującą odpowiedź na to wyzwanie. Zamiast indeksować dokumenty w izolacji, tworzą ustrukturyzowane sieci encji — autorów, koncepcji, instytucji, grantów, metod i zbiorów danych — oraz relacji między nimi. Łącząc bazy danych grafowych ze sztuczną inteligencją, zwłaszcza z przetwarzaniem języka naturalnego (NLP) i uczeniem maszynowym, systemy te potrafią wydobywać znaczenie z nieustrukturyzowanego tekstu i stale aktualizować swoją wiedzę w miarę publikowania nowych badań.
W tym artykule omówiono, czym są grafy wiedzy zasilane przez sztuczną inteligencję, jak działają i jak zmieniają współpracę naukową. Przedstawiono w nim korzyści i ograniczenia tych systemów, ich wpływ na recenzowanie naukowe i ocenę badań, a także sposoby, w jakie badacze i instytucje mogą odpowiedzialnie korzystać z nich obok tradycyjnych narzędzi oraz wysokiej jakości wsparcia człowieka, takiego jak profesjonalna redakcja i korekta tekstów akademickich.
Czym są grafy wiedzy zasilane przez sztuczną inteligencję?
Graf wiedzy to ustrukturyzowana reprezentacja informacji zbudowana wokół encji i relacji między nimi. W kontekście akademickim encjami mogą być autorzy, artykuły, czasopisma, instytucje, koncepcje, metody, zbiory danych lub podmioty finansujące. Relacje mogą wskazywać, że autor napisał artykuł, artykuł cytuje inny artykuł, dwóch autorów jest współautorami badania, badanie wykorzystało określoną metodę albo kilka artykułów dotyczy wspólnego tematu.
Encje te są reprezentowane jako węzły, a relacje jako krawędzie, tworząc graf. W przeciwieństwie do prostej listy wyników wyszukiwania graf pozwala użytkownikom (i algorytmom) poruszać się po literaturze w sposób relacyjny: sprawdzać na przykład, które grupy często współpracują, które pojęcia współwystępują, które instytucje dominują w określonych tematach oraz które obszary są dobrze połączone, a które pozostają niedostatecznie zbadane.
Po połączeniu grafów wiedzy ze sztuczną inteligencją stają się one czymś więcej niż statycznymi mapami. Grafy wiedzy wspierane przez AI mogą automatycznie pobierać nowe treści, interpretować tekst za pomocą NLP, identyfikować encje i relacje oraz aktualizować strukturę grafu w miarę ewolucji krajobrazu naukowego. Mogą również generować rekomendacje, uwidaczniać wzorce, które trudno byłoby ludziom dostrzec bez pomocy, oraz dostarczać kontekstowe wyniki wyszukiwania na podstawie profilu użytkownika lub jego zapytania.
Jak AI wzbogaca grafy wiedzy
Technologie AI stanowią podstawę zarówno budowy, jak i wykorzystywania nowoczesnych grafów wiedzy. W kontekście badań naukowych szczególnie ważnych jest kilka komponentów.
- Automatyczne pozyskiwanie danych – Systemy AI mogą skanować miliony streszczeń, artykułów pełnotekstowych i rekordów metadanych, aby wyodrębniać encje, takie jak nazwiska autorów, afiliacje, słowa kluczowe, metody i tematy badawcze. Zamiast polegać wyłącznie na metadanych dostarczanych przez wydawców — które mogą być niespójne lub niepełne — systemy te odczytują sam tekst i wzbogacają graf o dodatkowe informacje.
- Przetwarzanie języka naturalnego (NLP) – Techniki NLP pomagają systemowi rozumieć język naukowy we wszystkich jego odmianach. Mogą identyfikować synonimy, rozpoznawać terminologię specyficzną dla danej dziedziny, rozstrzygać niejednoznaczności podobnych terminów (takich jak akronimy o wielu znaczeniach) oraz wykrywać relacje wyrażone w złożonych zdaniach. Na przykład NLP może rozpoznać, że „X hamuje Y w modelach mysich” oznacza określony typ interakcji biologicznej, który można następnie zakodować w grafie.
- Uczenie maszynowe i uczenie reprezentacji – Modele uczenia maszynowego mogą uczyć się reprezentacji encji i relacji (na przykład za pomocą osadzeń), które wychwytują subtelne podobieństwa i wzorce. Dwie prace mogą nie zawierać oczywistych wspólnych słów kluczowych, a mimo to być ściśle powiązane pod względem metodologii lub ram pojęciowych; osadzenia wyuczone na podstawie dużych korpusów mogą ujawniać takie powiązania i umieszczać te prace blisko siebie w przestrzeni ukrytej.
- Wyszukiwanie semantyczne i odpowiadanie na pytania – Zamiast dopasowywać ciągi znaków, wyszukiwanie semantyczne stara się zrozumieć intencję i znaczenie zapytania. W połączeniu z grafami wiedzy pozwala badaczom wyszukiwać „najnowsze prace dotyczące grafowych sieci neuronowych na potrzeby odkrywania materiałów” lub „współpracowników pracujących nad modelami migracji związanej ze zmianami klimatu” i uzyskiwać wyniki odzwierciedlające leżące u podstaw pojęcia, a nie tylko słowa występujące w tekście.
- Rekomendacje i sugestie współpracy – Modele AI trenowane na grafie mogą rekomendować odpowiednie artykuły, zbiory danych lub potencjalnych współpracowników na podstawie profilu badacza, historii lektur albo aktualnego projektu. Tak jak platformy konsumenckie polecają książki czy filmy, platformy naukowe mogą rekomendować współautorów, instytucje lub konferencje dobrze dopasowane do zainteresowań i dotychczasowej pracy badacza.
Rola grafów wiedzy wspieranych przez AI we współpracy naukowej
Ponieważ są zbudowane wokół relacji, grafy wiedzy naturalnie nadają się do wspierania współpracy. Uwidaczniają to, co często pozostaje ukryte: sieci wpływów, powiązań i wspólnych zainteresowań wykraczające poza granice wydziałów czy państw.
1. Łączenie badaczy o wspólnych lub uzupełniających się zainteresowaniach
Jednym z najbardziej bezpośrednich zastosowań grafów wiedzy wspieranych przez AI jest identyfikowanie badaczy pracujących nad podobnymi lub uzupełniającymi się problemami. Analizując wzorce współautorstwa, modele tematyczne i sieci cytowań, systemy te mogą wskazywać ekspertów, którzy w innym przypadku mogliby pozostać nieznani sobie nawzajem. Jest to szczególnie pomocne dla badaczy na początku kariery, naukowców z mniejszych instytucji oraz osób pracujących w rozwijających się obszarach interdyscyplinarnych, w których tradycyjne konferencje i stowarzyszenia dopiero powstają.
Na przykład badacz opracowujący algorytm do analizy zdjęć satelitarnych w naukach o środowisku może zostać automatycznie powiązany z grupą naukowców społecznych badających migracje związane ze zmianą klimatu lub z ekonomistą modelującym finansowe skutki ekstremalnych zjawisk pogodowych. Takie powiązania mogą prowadzić do tworzenia bogatszych i bardziej kompleksowych projektów, czerpiących z wiedzy wielu dziedzin.
2. Wspieranie badań interdyscyplinarnych
Wiele z najpilniejszych współczesnych wyzwań — zmiana klimatu, globalne zdrowie, etyka cyfrowa, zrównoważone miasta — ma z natury interdyscyplinarny charakter. Tymczasem struktury instytucjonalne i praktyki publikacyjne często opierają się na podziale na dyscypliny, przez co trudno dostrzec, jak idee z jednej dziedziny mogłyby wzbogacić inną. Grafy wiedzy wspierane przez AI pomagają wypełnić tę lukę, śledząc powiązania pojęciowe między dziedzinami.
Ponieważ działają na poziomie pojęć i relacji, grafy wiedzy mogą ujawniać na przykład, że techniki stosowane w lingwistyce komputerowej są adaptowane w badaniach prawniczych lub że metody z dziedziny nauki o sieciach są coraz częściej stosowane w epidemiologii. Badacze zainteresowani pracą ponad granicami dyscyplin mogą wykorzystywać te sygnały do identyfikowania obiecujących współpracowników oraz lokowania swoich badań na styku dziedzin, gdzie prawdopodobnie wywrą duży wpływ.
3. Usprawnianie przeglądów literatury i odkrywania badań
Przeprowadzenie dokładnego przeglądu literatury jest niezbędne, ale może też przytłaczać. Tradycyjne wyszukiwanie słów kluczowych często zwraca setki lub tysiące wyników, zmuszając badaczy do ręcznego przeglądania tytułów i streszczeń w celu ustalenia, co jest rzeczywiście istotne. Grafy wiedzy oparte na sztucznej inteligencji mogą znacznie usprawnić ten proces.
Zamiast przedstawiać płaską listę, graf wiedzy może pokazywać klastry powiązanych prac, kluczowe artykuły łączące różne podtematy oraz wzorce chronologiczne ukazujące, jak ewoluowała dana koncepcja. Badacze mogą rozpocząć od jednego kluczowego artykułu, a następnie śledzić jego powiązania — autorów, źródła i wspólne koncepcje — aby szybko zbudować uporządkowane rozumienie danej dziedziny. Luki w sieci mogą sygnalizować niedostatecznie zbadane obszary, które mogłyby stać się podstawą nowych badań.
4. Aktualizacje w czasie rzeczywistym i dynamiczne wnioski
Wiedza naukowa nieustannie się zmienia. Nowe odkrycia mogą szybko zmieniać konsensus, otwierać nowe kierunki badań lub sprawiać, że starsze metody stają się przestarzałe. Statyczne bazy danych mają trudności z odzwierciedleniem tej dynamiki; aktualizacja może zajmować im miesiące, a często nie pokazują one, jak zmienia się sytuacja w danej dziedzinie.
Natomiast grafy wiedzy oparte na sztucznej inteligencji mogą przetwarzać nowe publikacje w miarę ich ukazywania się. Wraz z rozwojem grafu badacze mogą obserwować, które tematy zyskują na znaczeniu, jakie współprace się kształtują oraz gdzie pojawiają się nowe terminy lub metody. Pomaga im to być na bieżąco i decydować, czy zmienić kierunek, wzmocnić lub dopracować swoje programy badawcze.
5. Wsparcie recenzowania naukowego i podejmowania decyzji redakcyjnych
Redaktorzy i recenzenci naukowi również odnoszą korzyści z grafów wiedzy opartych na sztucznej inteligencji. Podczas oceny zgłoszonej pracy muszą ustalić, na ile jest ona nowatorska, jaki ma związek z istniejącymi badaniami oraz czy uwzględniono odpowiednie wcześniejsze prace. Grafy wiedzy mogą szybko wskazać blisko powiązane artykuły, odwzorować sieci cytowań i wyróżnić wpływowe publikacje, które autorzy mogli pominąć.
Ponadto narzędzia oparte na grafach mogą pomóc w identyfikowaniu odpowiednich recenzentów poprzez dopasowanie treści manuskryptu do specjalistycznej wiedzy potencjalnych recenzentów, a także sprawdzanie konfliktów interesów, takich jak niedawne współautorstwo lub wspólna afiliacja instytucjonalna. Stosowane z rozwagą narzędzia te mogą sprawić, że recenzowanie naukowe będzie bardziej efektywne, bezstronne i przejrzyste.
Korzyści grafów wiedzy opartych na sztucznej inteligencji dla ekosystemu badawczego
Korzyści płynące z grafów wiedzy opartych na sztucznej inteligencji wykraczają poza pojedyncze współprace i obejmują szerszy system badawczy.
1. Zwiększona efektywność i ograniczenie zbędnych powtórzeń
Gdy badacze mają jasny, uporządkowany obraz wcześniejszych prac, rzadziej nieumyślnie powielają istniejące badania. Zamiast wyważać otwarte drzwi, mogą opierać się na ugruntowanych wynikach, udoskonalać metody lub stosować wnioski w nowych kontekstach. Pozwala to lepiej wykorzystywać ograniczone środki finansowe i zmniejsza obciążenie uczestników, zwłaszcza w badaniach klinicznych lub terenowych, w których rekrutacja jest trudna.
2. Głębsze i bardziej kreatywne odkrywanie wiedzy
Ujawniając wzorce i zależności trudne do dostrzeżenia ręcznie, grafy wiedzy oparte na sztucznej inteligencji mogą inspirować nowe pomysły. Badacz może na przykład zauważyć, że metoda statystyczna szeroko stosowana w jednej dziedzinie rzadko była wykorzystywana w innej albo że określona populacja jest niedostatecznie reprezentowana w wielu badaniach. Takie spostrzeżenia mogą prowadzić do innowacyjnych projektów, które uzupełniają luki w literaturze.
3. Silniejsze globalne sieci i większa inkluzywność
Grafy wiedzy mogą pomóc uwidocznić dorobek regionów lub instytucji, które są słabiej widoczne w tradycyjnych sieciach cytowań. Dzięki pełniejszemu mapowaniu wkładów mogą zapewnić rozpoznanie i powiązanie istotnych badań z różnych kontekstów. Jest to szczególnie ważne w takich dziedzinach jak zdrowie globalne czy badania klimatu, w których kluczowe znaczenie mają lokalne perspektywy i dane.
4. Oparte na danych planowanie strategiczne instytucji i podmiotów finansujących
Uniwersytety, instytuty badawcze i agencje finansujące mogą wykorzystywać zagregowane informacje z grafów wiedzy do kształtowania strategii. Mogą sprawdzać, w jakich obszarach ich badacze są najbardziej aktywni, które współprace dobrze się rozwijają, jakie tematy zyskują lub tracą na znaczeniu oraz gdzie inwestycje mogą przynieść największy efekt. Nie zastępuje to oceny jakościowej, ale dodaje cenną warstwę dowodową do planowania i ewaluacji.
5. Lepsze dostosowanie badań do problemów rzeczywistego świata
Ponieważ grafy wiedzy mogą integrować nie tylko literaturę akademicką, lecz także dokumenty dotyczące polityk publicznych, patenty, wytyczne kliniczne, a czasami nawet źródła informacyjne, mogą pomóc badaczom dostrzec, jak ich praca wiąże się z wyzwaniami społecznymi i zastosowaniami praktycznymi. Może to zachęcać do realizacji projektów lepiej odpowiadających rzeczywistym potrzebom oraz ułatwiać przekład wyników badań podstawowych na praktykę.
Wyzwania i ograniczenia
Mimo obiecujących możliwości grafy wiedzy oparte na sztucznej inteligencji nie są panaceum. Należy uwzględnić i odpowiednio zarządzać kilkoma wyzwaniami.
1. Jakość, zakres i stronniczość danych
Grafy wiedzy są tak wiarygodne, jak dane, które przetwarzają. Jeśli niektórzy wydawcy, języki lub regiony są niedostatecznie reprezentowane, graf będzie powielać te uprzedzenia i potencjalnie je wzmacniać. Błędy w metadanych, niespójne zapisy nazwisk autorów lub brak informacji o afiliacjach mogą zniekształcać sieci współpracy. Liczby cytowań mogą faworyzować starsze publikacje lub publikacje w języku angielskim, pomijając wartościowe lokalne lub nietradycyjne formy dorobku.
2. Integracja z rozproszoną infrastrukturą
Informacje o badaniach są rozproszone w repozytoriach instytucjonalnych, komercyjnych bazach danych, serwerach preprintów i archiwach dziedzinowych. Zintegrowanie tych źródeł w spójny graf jest złożone technicznie i może być ograniczone przez licencje, restrykcje dostępu lub niekompatybilne formaty. Mniejsze instytucje mogą nie dysponować zasobami pozwalającymi im w pełni uczestniczyć w takich infrastrukturach.
3. Kwestie etyczne i prywatność
Tworzenie szczegółowych profili badaczy, obejmujących ich współpracę, dorobek, a czasem także dane dotyczące zachowania (takie jak wzorce czytania lub pobierania), budzi uzasadnione obawy dotyczące prywatności. Pojawiają się również pytania o to, kto jest właścicielem zagregowanych danych w grafie wiedzy, kto sprawuje nad nimi kontrolę i jak mogą być wykorzystywane — na przykład do oceny wyników pracy, podejmowania decyzji rekrutacyjnych lub przydzielania środków finansowych.
4. Nieprzejrzyste algorytmy i nadmierne poleganie na automatyzacji
Jeśli algorytmy napędzające rekomendacje i rankingi nie są przejrzyste, badaczom trudno zrozumieć, dlaczego sugerowane są określone powiązania lub dlaczego niektóre prace wydają się bardziej centralne niż inne. Nadmierne poleganie na nieprzejrzystych systemach może prowadzić do podejmowania decyzji na zasadzie „czarnej skrzynki”, gdy ludzie kierują się rekomendacjami bez krytycznej oceny ich zasadności lub ograniczeń.
5. Nierówny dostęp i wymagania dotyczące zasobów
Tworzenie i utrzymywanie solidnych grafów wiedzy wspomaganych przez AI wymaga specjalistycznej wiedzy technicznej, infrastruktury obliczeniowej i stałych inwestycji. Bogate instytucje i duzi wydawcy mogą uzyskać znaczącą przewagę, podczas gdy uczelniom i badaczom dysponującym mniejszymi zasobami grozi pozostanie w tyle. Otwarte i interoperacyjne rozwiązania są niezbędne, aby zapobiec dalszej koncentracji władzy i informacji.
Przyszłość grafów wiedzy wspomaganych przez AI w badaniach naukowych
Patrząc w przyszłość, grafy wiedzy wspomagane przez AI prawdopodobnie będą coraz bardziej zintegrowane, przejrzyste i spersonalizowane.
1. Głębsza integracja z inicjatywami otwartej nauki
W miarę upowszechniania się publikowania w otwartym dostępie, otwartych danych i otwartego kodu grafy wiedzy będą mogły korzystać z bogatszych i bardziej zróżnicowanych źródeł. Łączenie artykułów z leżącymi u ich podstaw zbiorami danych, rejestracjami wstępnymi, repozytoriami oprogramowania i badaniami replikacyjnymi zapewni pełniejszy obraz cyklu życia badań oraz ułatwi weryfikację i ponowne wykorzystanie wyników.
2. Platformy współpracy w pełni wspomagane przez AI
W przyszłości badacze mogą pracować na platformach łączących zarządzanie projektami, wyszukiwanie literatury i narzędzia do współpracy, zbudowanych bezpośrednio na grafach wiedzy. Platformy te mogłyby sugerować potencjalnych członków zespołu, proponować odpowiednie metody, sygnalizować nakładające się projekty, a nawet rekomendować konferencje lub czasopisma — przy jednoczesnym zachowaniu przez badaczy kontroli nad ostatecznymi decyzjami.
3. Większa wyjaśnialność i kontrola użytkownika
Rośnie przekonanie, że systemy sztucznej inteligencji wykorzystywane w badaniach powinny być nie tylko wydajne, lecz także zrozumiałe. Przyszłe platformy grafów wiedzy prawdopodobnie będą zawierać interfejsy wyjaśniające, dlaczego wyświetlane są konkretne rekomendacje („ponieważ współtworzyłeś publikacje z X i cytowałeś Y, a także dlatego, że Twoje ostatnie prace pokrywają się z tematem Z”), oraz umożliwiające użytkownikom dostosowywanie parametrów lub odfiltrowywanie niepożądanych sygnałów.
4. Szersze wdrożenie przez wydawców, biblioteki i infrastruktury
Wydawcy akademiccy, biblioteki i infrastruktury badawcze już eksperymentują z grafami wiedzy, aby usprawniać wyszukiwanie, optymalizować procesy redakcyjne i wzbogacać metadane. W miarę rozwoju standardów możemy oczekiwać większej interoperacyjności między systemami, co ułatwi badaczom przemieszczanie się między platformami bez utraty kontekstu.
5. Spersonalizowane grafy wiedzy dla poszczególnych badaczy
Wreszcie rośnie zainteresowanie spersonalizowanymi grafami wiedzy, które odzwierciedlają zainteresowania, projekty i sieci kontaktów poszczególnych badaczy. Takie systemy mogłyby dostarczać dopasowane alerty, rekomendacje lektur i sugestie dotyczące współpracy, pomagając naukowcom zachować jasny obraz swojego środowiska intelektualnego bez przytłoczenia nadmiarem informacji. W połączeniu z wysokiej jakości wsparciem człowieka — takim jak fachowa redakcja i korekta manuskryptów — narzędzia te mogłyby stać się codziennym elementem pracy akademickiej.
Wnioski
Grafy wiedzy oparte na sztucznej inteligencji zmieniają sposób organizowania, odkrywania i udostępniania wiedzy naukowej. Mapując encje i relacje w całym krajobrazie badawczym, pomagają badaczom dostrzegać powiązania, które w przeciwnym razie pozostałyby ukryte, identyfikować współpracowników, przeprowadzać bardziej pogłębione przeglądy literatury oraz lepiej dostosowywać swoją pracę do pojawiających się trendów i potrzeb społecznych. Instytucje i fundatorzy mogą korzystać z tych informacji w planowaniu strategicznym oraz rozwijaniu skuteczniejszych i bardziej inkluzywnych ekosystemów badawczych.
Jednocześnie systemy te wiążą się z wyzwaniami dotyczącymi jakości danych, stronniczości, prywatności, przejrzystości i nierównego dostępu. Należy zatem używać ich jako narzędzi wspierających podejmowanie decyzji, a nie jako bezkrytycznie uznawanych autorytetów. Najbardziej produktywne podejście polega na połączeniu potencjału grafów wiedzy opartych na sztucznej inteligencji z krytyczną oceną człowieka, wiedzą specjalistyczną oraz staranną, wykonywaną przez człowieka weryfikacją wyników badań — w tym rygorystyczną korektą i redakcją przed przesłaniem. Stosowane w tak wyważony sposób grafy wiedzy oparte na sztucznej inteligencji mogą sprawić, że współpraca naukowa stanie się bardziej powiązana, wydajna i innowacyjna, pomagając badaczom z większą pewnością i przejrzystością poruszać się po stale rosnącym uniwersum wiedzy.
