عباس پورخصالیان

پژوهش در نهادهای سیاست‌پژوه، بیش از هر زمان دیگری با یک مسئلۀ تازه روبه‌رو است.

• مسئلۀ، دیگر فقط کمبود اطلاعات نیست؛
• مسئلۀ اصلی، یافتن اطلاعات مرتبط، تشخیص یا برقراری ارتباط منطقی میان آنها، ارزیابی اعتبار شان و تبدیل انبوهی از یافته‌ها به دانش قابل استفاده در سیاست‌گذاری است.

مرکز پژوهش‌های مجلس، به‌عنوان یکی از مهم‌ترین نهادهای پژوهشی و کارشناسی کشور، با انبوهی از گزارش‌ها، مقالات، قوانین، اسناد، داده‌ها و مطالعات داخلی و بین‌المللی سروکار دارد. در چنین محیطی، ابزارهای جدید هوش مصنوعی می‌توانند نقشی فراتر از یک موتور جست‌وجو یا دستیار نگارشی ایفا کنند: آنها می‌توانند به «هم‌پژوهشگرانِ» پژوهشگر انسانی تبدیل شوند؛ البته نه به معنای جایگزینی کارشناس و بیکار کردن او، بلکه به معنای گسترش توانایی پژوهشگر انسانی  در کشف، پیمایش، سازمان‌دهی و ارتباط ‌دادن دانش‌های تشکیل‌دهندۀ یک حوزۀ پژوهشی.

در حال حاضر چهار ابزار رایگان یا دارای امکانات رایگان که می‌توانند تصویری از این تحول را ارائه کنند عبارت‌اند از:

• سِمَنتیک اسکولار (Semantic Scholar)
• اینسایت فول (Inciteful)
• ریسرچ رَبیت (ResearchRabbit) و
• لاگ سِک (Logseq)

این چهار ابزار هم اکنون در مرکز پژوهش‌های مجلس به بهره‌برداری رسیده‌اند.

هر یک از این «هم‌پژوهشگرانِ» چهارگانه ، بخشی متفاوت از زنجیرۀ پژوهش را تقویت می‌کند، به شرح زیر:

از «جست‌وجوی مقاله» تا «کشف دانش».

در روش سنتی پژوهش، فرایند تحقیق معمولاً چنین آغاز می‌شود: پژوهشگر چند کلیدواژه را در یک پایگاه علمی‌ وارد می‌کند، فهرستی از مقالات را دریافت می‌کند و سپس باید صدها عنوان و چکیده را بررسی کند تا منابع مهم را بیابد، کار شاقی که معمولاً از پس هر پژوهشگری بر نمی‌آید.

این روش همچنان ضروری است، اما هوش مصنوعی امکان دیگری را نیز فراهم کرده است: جست‌وجوی معنایی و پیمایش در شبکۀ دانش.

تفاوت مهم در روش جدید با قدیم همین‌جا است. موتور جست‌وجوی سنتی عمدتاً می‌پرسد: «کدام اسناد این واژه‌ها و اصطلاحات مورد جست و جو را دارند؟»؛ اما ابزارهای جدیدتر می‌کوشند بپرسند: «کدام پژوهش‌ها از نظر معنا، استناد، موضوع، نویسندگان و روابط علمی ‌به مسئله من مربوط‌اند؟».

این تغییر کوچک در ظاهر، در عمل می‌تواند روش انجام مرور ادبیات را دگرگون کند.

۱- سِمَنتیک اسکولار؛ نخستین «هم‌پژوهشگر» در جست‌وجوی ادبیات علمی

سِمَنتیک اسکولار را می‌توان نقطۀ آغاز این زنجیره دانست.

سِمَنتیک اسکولار یک موتور جست‌وجوی علمی ‌مبتنی بر هوش مصنوعی است که توسط Allen Institute for AI توسعه یافته و برای کشف و پیمایش ادبیات علمی ‌طراحی شده است. ارزش آن فقط در تعداد رکوردهای علمی‌ اش نیست؛ بلکه در تلاش برای درک ارتباط میان مقالات، نویسندگان، موضوعات و استنادها است.

پژوهشگر می‌تواند موضوع مورد نظر خود را جست‌وجو کند و سپس مقالات را بر اساس میزان ارتباط، تعداد استناد، تازگی و سایر شاخص‌ها بررسی نماید. نمایش چکیده، اطلاعات کتاب‌شناختی، مقالات مشابه، منابع مقاله و پژوهش‌هایی که بعداً به آن استناد کرده‌اند، مسیر پژوهش را از یک جست‌وجوی خطی به یک مسیر اکتشافی تبدیل می‌کند.

یکی از قابلیت‌های جالب این سامانه، ارائۀ خلاصه‌های کوتاه موسوم به TLDR  (too long; didn’t read) برای برخی مقالات است. این قابلیت می‌تواند برای غربالگری اولیه مفید باشد؛ یعنی پژوهشگر پیش از صَرف زمان برای مطالعۀ کامل مقاله، تصویری اولیه از موضوع آن را به دست می‌آورد.

همچنین امکان دریافت اطلاعات استنادی در قالب‌هایی مانند APA  (منسوب به American Psychological Association) و BibTeX (نرم افزار مدیریت ارجاعات متون کتابخانه ای) و سازمان‌دهی مقالات در کتابخانۀ شخصی، آن را از یک موتور جست‌وجوی صِرف فراتر می‌برد.

• کارکرد سِمَنتیک اسکولار برای پژوهشگر

کارکرد سِمَنتیک اسکولار را می‌توان چنین خلاصه کرد:

• موضوع پژوهش را می‌گیرد؛ به جست‌وجوی معنایی می‌پردازد؛ مقالات مرتبط را می‌یابد؛ منابع مهم را معرفی می‌کند؛ مقالات مشابه را نشان می‌دهد و پژوهش‌های بعدی را نیز ارائه می‌کند.

به بیان دیگر، سِمَنتیک اسکولار می‌تواند دروازۀ ورود به ادبیات علمی‌ و دانشی باشد. البته نباید آن را جایگزینی برای پایگاه‌های تخصصی استنادی مانند Scopus یا Web of Science دانست. باید توجه داشت که پوشش منابع در رشته‌ها و زبان‌های مختلف یکسان نیست، برخی اطلاعات کتاب‌شناختی ممکن است ناقص باشند و خلاصه‌های تولیدشده با هوش مصنوعی نیز نیازمند راستی‌آزمایی ‌هستند.

برای پژوهش سیاستی، این نکته اهمیت ویژه‌ای دارد: آنچه ابزار هوش مصنوعی پیشنهاد می‌کند، «فرضیۀ پژوهشی» است، نه «حقیقت پژوهشی».

۲- اینسایت فول؛ وقتی مقاله به یک شبکه تبدیل می‌شود

در حالی که سِمَنتیک اسکولار پژوهشگر را به منابع مرتبط هدایت کند، اینسایت فول یک گام جلوتر می‌رود: به‌جای آنکه فقط مقاله‌ها را نشان دهد، تلاش می‌کند شبکه ارتباط میان مقاله‌ها را آشکار کند.

در ابزار  Paper Discovery، پژوهشگر یک مقاله یا DOI (شناسۀ دیجیتالی شیء) را به‌عنوان مقالۀ مبنا وارد می‌کند. سپس سامانه با بررسی منابع، مقالات استنادکننده و روابط استنادی پیرامون آن، شبکه‌ای از پژوهش‌های مرتبط را ایجاد می‌کند.

این رویکرد برای یک مشکل آشنا در پژوهش بسیار مهم است:

• منابع مهم همیشه با همان کلیدواژه‌هایی که پژوهشگر جست‌وجو می‌کند، قابل کشف نیستند.

ممکن است دو پژوهش از اصطلاحات متفاوتی استفاده کنند، اما در یک سنت علمی‌  یا شبکه استنادی مشترک قرار داشته باشند. تحلیل شبکه می‌تواند چنین ارتباطی را آشکار کند.

یکی از امکانات جالب اینسایت فول، شناسایی مقالات مهم است. این بخش با استفاده از الگوریتم‌هایی مانند PageRank تلاش می‌کند مقالات مهم شبکۀ مربوط را شناسایی کند. بنابراین اهمیت یک مقاله صرفاً با شمارش استنادهای آن سنجیده نمی‌شود؛ بلکه جایگاه آن در شبکه نیز اهمیت پیدا می‌کند.

از سوی دیگر، بخش مقالات مشابه امکان یافتن پژوهش‌هایی را فراهم می‌کند که از نظر روابط استنادی به مقالۀ مبنا نزدیک‌ هستند.

اینسایت فول ابزار دیگری نیز دارد موسوم به اتصال دهندۀ ادبیات (Literature Connector ). این ابزار می‌تواند مسیر ارتباط میان دو مقاله یا حتی دو حوزۀ علمی‌  را نشان دهد و مقالات واسطه‌ای را که نقش «پل علمی» دارند آشکار کند.

برای یک مرکز سیاست‌پژوهی، چنین قابلیتی بسیار جالب است؛ زیرا بسیاری از مسائل سیاستی ذاتاً میان‌رشته‌ای ‌هستند.

برای مثال، یک مسئله ممکن است هم‌زمان به اقتصاد، فناوری، حقوق، جامعه‌شناسی و علوم سیاسی مربوط باشد. در این وضعیت، پژوهشگر فقط به دنبال «مقالۀ بیشتر» نیست؛ بلکه به دنبال پل میان حوزه‌های دانشی است.

۳ – ریسرچ رَبیت؛ دیدن جنگل به‌جای درختان

ریسرچ رَبیت شاید از میان این ابزارها بیش از همه بر تجربه بصری پژوهشگر تأکید دارد.

ریسرچ رَبیت را می‌توان نوعی نقشه‌خوان هوشمند ادبیات علمی ‌دانست.

پژوهشگر یک یا چند مقالۀ مبنا را انتخاب می‌کند و سامانه، شبکه‌ای از پژوهش‌های مرتبط را در اطراف آن مقالات شکل می‌دهد. سپس می‌توان این شبکه را مرحله‌ به‌ مرحله گسترش داد.

لذا فرایند پژوهش به این شکل درمی‌آید:

• پژوهشگر مقالۀ مبنا را برمی‌گزیند؛ منابع مرتبط را می‌یابد؛ مقالۀ جدید را انتخاب می‌کند؛ شبکه ای از پژوهش‌های مرتبط گسترش می‌یابد و منابع تازه‌ای را کشف می‌کند.

این جست‌وجوی تکرارشونده یکی از تفاوت‌های مهم آن با جست‌وجوی خطی است.

• سه مسیر برای حرکت در ادبیات علمی/فنی

ریسرچ رَبیت به‌ویژه از طریق سه مسیر برای پژوهشگر ارزشمند است:

• مسیر یکم از طریق مراجع: حرکت به عقب برای یافتن منابعی که مقالۀ مورد نظر بر آنها بنا شده است.
• مسیر دوم از طریق نقل قول‌ها: حرکت به جلو برای یافتن پژوهش‌هایی که بعدها به مقالۀ مورد نظر استناد کرده‌اند. و
• مسیر سوم از طریق مقالات مشابه: حرکت افقی برای یافتن پژوهش‌های مشابه و مرتبط.

در نتیجه، پژوهشگر می‌تواند یک مقاله را مانند یک گره در یک شبکه ببیند و در سه جهت حرکت کند: از مقالۀ مبنا به گذشتۀ پژوهش و باز از مقالۀ مبنا در جهت آیندۀ پژوهش به علاوۀ حرکت در جهت پژوهش‌های مشابه.

این نگاه برای تدوین پیشینه و روند آتی پژوهش بسیار ارزشمند است.

نقشۀ استنادی؛ وقتی ساختار یک علم قابل مشاهده می‌شود!

یکی از مهم‌ترین تفاوت‌های ابزارهایی مانند ریسرچ رَبیت با جست‌وجوی سنتی، تبدیل فهرست مقالات به تصویر یک شبکۀ علمی ‌است. برای مثال، در یک نقشۀ استنادی می‌توان دید:

• کدام مقالات قدیمی‌تر و بنیادی ‌هستند؟؛
• کدام آثار در سال‌های اخیر اثرگذاری بیشتری پیدا کرده‌اند؟؛
• چه خوشه‌هایی از پژوهش‌ها شکل گرفته‌ اند؟؛
• کدام موضوعات به یکدیگر نزدیک ‌هستند؟؛
• و مسیر تحول یک حوزۀ علمی‌ چگونه بوده است؟

این ویژگی برای پژوهش‌های سیاستی اهمیت خاصی دارد؛ زیرا سیاست‌گذار اغلب فقط نمی‌پرسد: «دربارۀ این موضوع چه نوشته‌ اند؟»؛ بلکه می‌پرسد: «این ایده از کجا آمده، چه کسانی آن را توسعه داده‌اند، چه شواهدی از آن حمایت می‌کنند و آخرین تحولات این حوزه چیست؟»

شبکۀ استنادی به تبدیل این پرسش‌ها به یک مسیر پژوهشی کمک می‌کند.

۴- لاگ سِک؛ «هم‌پژوهشگر» این‌بار در ذهن پژوهشگر

سه ابزار نخست: سِمَنتیک اسکولار، اینسایت فول و ریسرچ رَبیت، عمدتاً به کشف ادبیات بیرونی کمک می‌کنند. اما پس از پیدا کردن صدها مقاله، مسئله دیگری آغاز می‌شود:

با دانشی که پیدا کرده‌ایم چه کنیم؟ اینجاست که لاگ سِک وارد می‌شود.

لاگ سِک  یک پلتفرم متن‌باز برای مدیریت دانش شخصی است که به پژوهشگر اجازه می‌دهد یادداشت‌ها، مفاهیم، منابع و ایده‌های خود را به یک شبکۀ قابل جست‌وجو و توسعه تبدیل کند.

تفاوت آن با دفترچۀ یادداشت معمولیِ پژوهشگر در این است که یادداشت‌ها قرار نیست جزایری منفصل باشند.

فرض کنید پژوهشگر دربارۀ «حاکمیت هوش مصنوعی» یادداشت‌هایی دارد. در طول زمان ممکن است این مفهوم به:

حاکمیت داده ← حاکمیت الگوریتم ← حاکمیت رایانش ← حاکمیت تراشه ← حاکمیت مدل بسط داده و متصل شده شود.

هر یادداشت جدید می‌تواند به یادداشت‌های قبلی پیوند بخورد و ارتباطات میان آنها به‌تدریج شکل بگیرد.

این همان چیزی است که لاگ سِک از طریق گراف دانش، پیوند دانش (Backlink) و ارجاع به صفحه ( Page Reference ) دنبال می‌کند.

از «یادداشت برداری» به «حافظۀ پژوهشی»؛ یکی از قابلیت‌های مهم  لاگ سِک،  پیوند دانش است.

فرض کنید پژوهشگر صفحه‌ای با عنوان «هوش مصنوعی مولد» را در اختیار دارد. هر بار که در یادداشت دیگری به این مفهوم پیوند داده شود، ارتباط آن ثبت می‌شود. بعدها با بازکردن همان صفحه، پژوهشگر می‌تواند ببیند این مفهوم در چه یادداشت‌ها، پروژه‌ها و مطالعاتی مورد استفاده قرار گرفته است.

و اما قابلیت Block Reference  (بَستَکِ ارجاع)!

این  بَستَکِ حتی «ریزدانه‌ای»‌تر است: پژوهشگر می‌تواند به یک بخش مشخص از یک یادداشت ارجاع دهد، نه فقط به کل صفحه.

این ویژگی برای تدوین گزارش‌های پژوهشی بسیار مفید است؛ زیرا یافته‌های پراکنده‌ای که طی ماه‌ها گردآوری شده‌اند، می‌توانند در هنگام نگارش دوباره در دسترس قرار گیرند.

به این ترتیب، لاگ سِک را می‌توان نوعی حافظۀ بیرونی و سازمان‌یافتۀ پژوهشگر دانست.

• چهار ابزار، چهار مرحله از پژوهش
• اگر این چهار ابزار: سِمَنتیک اسکولار، اینسایت فول، ریسرچ رَبیت و لاگ سِک را در کنار یکدیگرهم قرار دهیم، تصویر جالبی پدیدار می‌شود:

ابزار	نقش اصلی
سِمَنتیک اسکولار	کشف و جست‌وجوی معنایی منابع
اینسایت فول	تحلیل شبکۀ استنادی و کشف روابط پنهان
ریسرچ رَبیت	پیمایش بصری و تکرارشوندۀ ادبیات
لاگ سِک	سازمان‌دهی و پیونددهی دانش شخصی

در واقع از این جدول می‌توان یک زنجیرۀ پژوهشی ساخت:

کشف → اتصال → پیمایش → سازمان‌دهی → تولید دانش

و این دقیقاً همان نقطه‌ای است که مفهوم «هم‌پژوهشگر هوش مصنوعی» معنا پیدا می‌کند.

• هم‌پژوهشگر، نه جایگزین پژوهشگر!

البته استفاده از این ابزارها نباید با این تصور همراه باشد که هوش مصنوعی می‌تواند جایگزین کارشناس پژوهشگر شود.

برعکس، ارزش واقعی این ابزارها زمانی آشکار می‌شود که  تقسیم کار میان انسان و ماشین به‌درستی طراحی شود.

در این صورت هوش مصنوعی می‌تواند:

• میلیون‌ها رکورد را سریع‌تر غربال کند؛
• روابط میان مقالات را آشکار کند؛
• منابع مشابه را پیشنهاد دهد؛
• شبکه استنادی بسازد؛
• مقالات جدید را ردیابی کند؛
• اطلاعات کتاب‌شناختی را سازمان دهد؛
• و یادداشت‌های پراکنده پژوهشگر را به یک شبکۀ دانش تبدیل کند.

اما پژوهشگر انسانی همچنان باید:

• پرسش پژوهش را صورت‌بندی کند؛
• اعتبار منابع را ارزیابی کند؛
• کیفیت شواهد را بسنجد؛
• تناقض‌های میان مطالعات را تشخیص دهد؛
• زمینۀ حقوقی، اقتصادی و سیاسی یافته‌ها را بفهمد؛
• و در نهایت، دربارۀ دلالت‌های سیاستی آنها داوری کند.

پس رابطۀ مطلوب، انسان در برابر هوش مصنوعی نیست؛ بلکه رابطۀ مطلوب، پیوندِ انسان با هوش مصنوعی است.

• چرا این موضوع برای مرکز پژوهش‌های مجلس باید مهم باشد؟

کار سیاست‌پژوهی با پژوهش دانشگاهی کلاسیک یک تفاوت مهم دارد: در سیاست‌گذاری، زمان نیز یک متغیر پژوهش است.

کارشناس مرکز پژوهش‌های مجلس ممکن است برای تهیۀ یک گزارش، در مدتی کوتاه ناچار باشد صدها منبع داخلی و خارجی را بررسی وخلاصه سازی کند، روندهای جدید را بشناسد، مطالعات موافق و مخالف را بیابد و سپس آنها را در قالبی قابل استفاده برای تصمیم‌گیران خلاصه و تحلیل کند.

در چنین شرایطی، ابزارهای هوش مصنوعی می‌توانند «هزینۀ اصطکاک پژوهش» را کاهش دهند.

به ‌جای آن که کارشناس تمام وقت خود را صرف پیدا کردن مقاله کند، می‌تواند بخش بیشتری از زمان خود را به فهمیدن، مقایسه کردن و داوری نمودن اختصاص دهد.

این تغییر شاید مهم‌ترین اثر هوش مصنوعی بر پژوهش باشد. هوش مصنوعی الزاماً پژوهشگر را باهوش‌تر نمی‌کند؛ اما می‌تواند او را از بخشی از کارهای تکراری و پرهزینه رها کند تا ظرفیت شناختی خود را بر مسائل دشوارتر متمرکز گرداند.

• گذر از «ابزار» به «تیم پژوهشی ترکیبی»

اگر این چهار ابزار (سِمَنتیک اسکولار، اینسایت فول، ریسرچ رَبیت و لاگ سِک) را نه به‌صورت منفرد، بلکه به‌عنوان اجزای یک محیط پژوهشی در نظر بگیریم، می‌توان تصویری از یک  تیم پژوهشی انسان–هوش مصنوعی ترسیم کرد.

در این تیم پژوهشی،

• سِمَنتیک اسکولار نقش «کتابدار هوشمند» را دارد؛ منابع را پیدا می‌کند و مسیرهای اولیه جست‌وجو را پیشنهاد می‌دهد.
• اینسایت فول نقش «تحلیلگر شبکه» را برعهده می‌گیرد؛ ارتباطات میان پژوهش‌ها و مقالات مهم را آشکار می‌کند.
• ریسرچ رَبیت نقش «نقشه‌خوان ادبیات علمی» را ایفا می‌کند؛ پژوهشگر را در شبکه منابع به عقب، جلو و اطراف هدایت می‌کند. و
• لاگ سِکنقش «حافظه پژوهشی» را به عهده می‌گیرد؛ یافته‌ها، ایده‌ها و ارتباطات کشف‌شده را در «ذهن دوم پژوهشگر» ذخیره می‌کند.

در این صورت، پژوهشگرِ انسانی در مرکزِ این منظومه قرار دارد و ابزارهای هوش مصنوعی در اطراف او کار می‌کنند.

• یک هشدار اساسی: شبکۀ دانش با حقیقت یکی نیست!

هرچه ابزارهای هوش مصنوعی در پژوهش قدرتمندتر می‌شوند، یک خطر نیز جدی‌تر رو می‌شود: اشتباه گرفتن نشانه‌های هوشمند با داوری علمی.

• تعداد استنادها، نشانۀ اهمیت است؛ اما الزاماً نشانۀ کیفیت نیست.
• یک مقالۀ پرتکرار ممکن است به دلیل مناقشه ‌انگیز بودن بارها مورد استناد قرار گرفته باشد.
• یک مقالۀ جدید ممکن است بسیار مهم باشد، اما هنوز فرصت کافی برای دریافت استناد نداشته باشد.
• یک مقالۀ قدیمی‌ ممکن است در مرکز یک شبکه قرار داشته باشد، اما نتایج آن بعدها رد شده باشند.
• خلاصۀ تولیدشده توسط هوش مصنوعی نیز ممکن است نکته‌ای ظریف را حذف یا بیش از حد ساده کند.

بنابراین: شبکۀ استناد همان نقشۀ ادبیات است، نه نقشۀ حقیقت! و این تمایز برای پژوهش سیاستی حیاتی است.

• راهبرد پیشنهادی برای پژوهشگران

بهترین رویکرد، جایگزین‌کردن پایگاه‌های تخصصی با این ابزارها نیست؛ بلکه ترکیب آنها است.

یک فرایند عملی می‌تواند چنین باشد:

مرحلۀ یکم) جست‌وجوی ساختاریافته و جامع بر اساس کلیدواژه‌ها و معیارهای پژوهش.

مرحلۀ دوم) استفاده از سمنتیک اسکولار: کشف معنایی و شناسایی مقالات مرتبط.

مرحلۀ سوم) استفاده از ریسرچ رَبت و اینسایت فول: حرکت در شبکۀ استنادی برای یافتن منابع بنیادی، مطالعات جدید و منابع جامانده.

مرحلۀ چهارم) استفاده از زترو ( Zotero ) یعنی ابزار مدیریت منابع: ثبت و مدیریت کتاب‌شناختی منابع.

مرحلۀ پنجم) استفاده از لاگ سِک:  ثبت یافته‌ها، ایده‌ها، ارتباطات و یادداشت‌های تحلیلی. و

مرحلۀ ششم) شروع فعالیت پژوهشگر انسانی شاملِ: ارزیابی اعتبار، مطالعۀ متن کامل، مقایسۀ شواهد و استنتاج سیاستی.

این مدل، برخلاف تصور رایج، پژوهشگر را حذف نمی‌کند؛ بلکه سطح کار او را از «جست‌وجوی اطلاعات» به «معناسازی و داوری» ارتقا می‌دهد.

• مرکز پژوهش‌های مجلس؛ عبور از «کتابخانه» به «شبکۀ پژوهش»

شاید بتوان تحول مورد انتظار را با یک استعاره توضیح داد. کتابخانه سنتی به زبان حال می‌گوید: «این منابع در اختیار شماست.» موتور جست‌وجو می‌گوید: «این منابع احتمالاً به پرسش شما مربوط ‌اند.»

شبکۀ استنادی می‌گوید: «این منابع چگونه به یکدیگر مرتبط ‌هستند». مدیریت دانش می‌گوید: «این یافته‌ها چگونه به دانش قبلی شما متصل می‌شوند».

و «هم‌پژوهشگر هوش مصنوعی» در نهایت می‌پرسد: «از مجموع این دانش چه مسئله ای، رابطه یا بینشی می‌توان کشف کرد که پیش‌تر ندیده بودید؟»

این شاید مهم‌ترین وعدۀ هوش مصنوعی برای نهادهای پژوهشی باشد!

• سخن پایانی: دگرگونی معماری فرایند پژوهش

استفاده از هوش مصنوعی در پژوهش الزاماً به معنای تولید متن توسط یک چت‌بات نیست. بخش مهم‌تر و شاید عمیق‌ترِ تحول، در دگرگونی معماری فرایند پژوهش رخ می‌دهد.

سِمَنتیک اسکولار، اینسایت فول، ریسرچ رَبیت و لاگ سِک هر کدام تنها یک ابزار هستند؛ اما کنار هم قرار گرفتن قابلیت‌های آنها تصویری از آینده‌ای متفاوت ارائه می‌کند: آینده‌ای که در آن پژوهشگر به‌جای حرکت خطی میان انبوهی از اسناد، در یک شبکه زنده از منابع، استنادها، مفاهیم و یادداشت‌ها حرکت می‌کند. در چنین محیطی، هوش مصنوعی نه صاحب پژوهش است و نه داور نهایی آن! بلکه «هم‌پژوهشگر» است، هم‌پژوهشگری که می‌تواند سریع‌تر بگردد، گسترده‌تر ببیند، ارتباطات بیشتری پیدا کند، منابع جامانده را آشکار کند و حافظۀ پژوهشی انسان را گسترش دهد؛ اما همچنان این پژوهشگر انسانی است که باید بپرسد، شک کند، مقایسه کند، اعتبارسنجی کند و سرانجام داوری کند.

برای نهادی مانند مرکز پژوهش‌های مجلس، این تحول می‌تواند فراتر از خرید چند نرم‌افزار یا راه‌اندازی چند حساب کاربری باشد.

مسئلۀ اصلی، طراحی یک محیط پژوهش «هوش‌افزوده» است؛ محیطی که در آن توانایی‌های انسان و هوش مصنوعی در یک تقسیم کار هوشمندانه به صورت یک تیم کاری به یکدیگر متصل شوند. در چنین صورتی، پرسش آینده دیگر این نخواهد بود که:

«آیا هوش مصنوعی جای پژوهشگر را می‌گیرد؟»، بلکه پرسش مهم‌تر این خواهد بود که: «پژوهشگری که از هوش مصنوعی به‌عنوان هم‌پژوهشگر استفاده می‌کند، تا چه اندازه می‌تواند از پژوهشگری که چنین ابزاری را ندارد، جلوتر برود؟»

در پایان ذکر این نکته واجب است که:

• استفاده از سِمَنتیک اسکولار، اینسایت فول، ریسرچ رَبیت و لاگ سِک الآن و تا زمانی واجب است که هنوز به مدل بنیادین بومی ‌خودمان نرسیده‌ایم!
• مادام که هم‌پژوهشگران منِ نوعی سِمَنتیک اسکولار، اینسایت فول، ریسرچ رَبیت و لاگ سِک باشند، «در زمین بیگانگان کار می‌کنم!»
• بدون شک، نخستین پژوهش مهمی ‌که همۀ نخبگان کشور باید در اندیشۀ تدوین و ارائه‌اش باشند و باشیم: تحقیق در چالش‌های برنامه‌ریزی استراتژیکی ملی برای ساخت مدل بنیادین هوش مصنوعی بومی‌ خودمان باشد!
• به هوش باشیم که برنامۀ استراتژیکیِ ملیِ ساخت مدل‌های بنیادین هوش مصنوعی مورد نیاز کشور، «شیری‌ست قوی پنجه و می‌گوید فاش: هر که از جان گُذرد بگذرد از بیشۀ ما!»
• شک نداشته باشیم که برنامۀ استراتژیکیِ ملیِ ساخت مدل‌های بنیادین هوش مصنوعی هماوردجویی می‌کند: «کدام ادارۀ مدیریت برنامه است که قادر باشد چالش‌های چنین برنامۀ بزرگ و مهمی‌ را رفع کند؟ و این برنامۀ برنامه‌های کشور را محقق سازد؟»

در یادداشت بعدی‌ام به موضوع چالش‌های برنامۀ استراتژیکیِ ملیِ ساخت مدل‌های بنیادین هوش مصنوعی خواهم پرداخت.