Interdyscyplinarne odkrycia mają długą historię. Odkrycie struktury DNA łączyło fizykę (krystalografia rentgenowska), chemię i biologię. Penicylina pojawiła się dzięki obserwacji mikrobiologicznej, którą rozwinęła farmakologia. Za każdym razem ktoś musiał przeczytać wystarczająco dużo z dwóch różnych pól, żeby dostrzec, że coś pasuje.
Problem jest prosty: liczba publikowanych prac rośnie szybciej niż zdolność jakiegokolwiek badacza do ich śledzenia. W samym PubMed przybywa ponad milion nowych rekordów rocznie. W tej sytuacji AI jako narzędzie do wstępnego przeszukiwania ma sens, pod warunkiem że rozumiemy, co robi naprawdę, a czego nie potrafi.
Czym jest „ukryta wiedza publiczna”#
Termin pochodzi z koncepcji Donalda Swansona z lat osiemdziesiątych. Swanson pokazał, że literatura na temat rybiego oleju i literatura na temat choroby Raynauda były od siebie izolowane, choć łączyła je wspólna patofizjologia. Żaden autor nie czytał badań z drugiej strony. Połączenie istniało w piśmiennictwie, ale nikt go nie odkrył.
Swanson dokonał syntezy ręcznie, przeszukując indeksy. Dzisiaj tę samą operację można skalować przy użyciu wyszukiwania semantycznego: zamiast szukać po słowach kluczowych, model porównuje znaczenie pojęć zakodowane jako embeddingi. Dwa artykuły z różnych dziedzin mogą opisywać ten sam mechanizm innymi słowami, a podobieństwo ich reprezentacji wektorowych to ujawni.
Warto od razu powiedzieć, co to oznacza w praktyce: model wskazuje statystyczne podobieństwo w przestrzeni reprezentacji. Nie rozumie biologii, chemii ani fizyki. Ocena, czy wskazane podobieństwo ma znaczenie merytoryczne, należy do badacza.
Jak działa przeszukiwanie semantyczne w praktyce#
Typowy pipeline dla odkrywania interdyscyplinarnego wygląda następująco:
- Streszczenia lub pełne teksty artykułów są zamieniane na wektory przez model embeddingów. W środowiskach wymagających prywatności danych używamy modeli lokalnych, takich jak BGE-M3.
- Wektory są indeksowane w bazie wektorowej (np. Qdrant lub pgvector).
- Badacz wprowadza pytanie lub fragment tekstu. Model przekształca je na wektor i szuka najbliższych sąsiadów w przestrzeni reprezentacji.
- Wyniki są rerankerowane według trafności i dostarczone z cytatami źródłowymi.
System RAG (Retrieval-Augmented Generation) idzie o krok dalej: model językowy czyta pobrane fragmenty i próbuje sformułować odpowiedź lub wskazać wzorzec. To właśnie ten etap najczęściej wywołuje halucynacje: model może „dołączyć” do prawdziwego cytatu nieprawdziwą interpretację. Dlatego każdy system badawczy oparty na RAG powinien zawsze podawać źródła, a nie tylko syntezy.
| Podejście | Co robi dobrze | Gdzie zawodzi | Weryfikacja ludzka |
|---|---|---|---|
| Wyszukiwanie słów kluczowych | Precyzja terminologiczna | Różne słownictwo w różnych dziedzinach | Niska złożoność |
| Wyszukiwanie semantyczne | Znajdowanie tematycznie bliskich prac mimo różnej terminologii | Fałszywe podobieństwo bez związku merytorycznego | Ocena trafności przez eksperta |
| RAG z LLM | Synteza wniosków z wielu źródeł naraz | Halucynacje, błędne atrybuty cytowań | Weryfikacja każdego twierdzenia ze źródłem |
| Graf wiedzy | Strukturalne powiązania między encjami | Wymaga ręcznej kurateli lub dobrego NER | Weryfikacja poprawności relacji |
Realne zastosowania i ich granice#
My w Cashcrown obserwujemy kilka wzorców w projektach, gdzie klienci używają AI do pracy z literaturą:
Przeszukiwanie literatury na etapie scoping review. Badacz podaje kilka artykułów centralnych dla problemu. Model szuka semantycznie podobnych prac w korpusie i wskazuje kandydatów do pominięcia. Czas wstępnego przeglądu może się skrócić, zależnie od dziedziny i jakości indeksu. Decyzja, które prace wejdą do przeglądu, pozostaje przy badaczu.
Mapowanie terminologiczne. Różne dziedziny opisują te same zjawiska innymi słowami. „Kaskada sygnałowa” w biologii i „pętla sprzężenia zwrotnego” w teorii systemów mogą mieć zbliżone reprezentacje wektorowe. Czy opisują ten sam mechanizm? To pytanie do eksperta, nie do modelu.
Wstępna identyfikacja luk badawczych. Jeśli dwie dziedziny są blisko siebie semantycznie, ale liczba artykułów je łączących jest mała, to potencjalna nisza. Modele potrafią takie asymetrie wykrywać, ale to wskazówka, nie gotowa hipoteza.
Gdzie to regularnie zawodzi. Modele nie mają dostępu do danych z zamkniętych repozytoriów, danych surowych (raw data) ani wyników nieopublikowanych. Wiedza interdyscyplinarna ukryta w laboratoriach, patentach bez pełnych tekstów czy danych klinicznych jest poza zasięgiem. Ponadto modele dziedziczą luki korpusu treningowego: literatury anglojęzycznej jest znacznie więcej niż polsko- czy japońskojęzycznej, co systematycznie faworyzuje pewne tradycje badawcze.
Human-oversight: gdzie człowiek musi wejść w pętlę#
Human-oversight w kontekście odkrywania interdyscyplinarnego nie jest opcją ani przeszkodą. To warunek, żeby wyniki miały wartość naukową.
Kilka konkretnych punktów, które musi przejść człowiek:
Selekcja korpusu wejściowego. Jakość wyników zależy od tego, co jest w indeksie. Decyzja, które bazy danych indeksować, jakie lata i typy dokumentów uwzględnić, jest merytoryczna. Nie ma sensu szukać połączeń w korpusie, który celowo wyklucza pewne tradycje badawcze lub języki.
Ocena wskazanych powiązań. Model zwraca listę podobnych artykułów lub wskazuje wzorzec. Ekspert z danej dziedziny musi ocenić, czy podobieństwo semantyczne odpowiada rzeczywistemu związkowi merytorycznemu. Tu nie ma skrótu: wymagana jest wiedza dziedzinowa.
Formułowanie hipotezy. AI może wskazać, że coś jest podobne. Nie może sformułować testowalnej hipotezy w sensie naukowym, bo nie ma modelu przyczynowego rzeczywistości. Hipoteza, którą można sprawdzić eksperymentalnie, powstaje w głowie badacza.
Weryfikacja przed publikacją. Każde twierdzenie oparte na syntezie wygenerowanej przez model musi być zweryfikowane ze źródłem pierwotnym. Halucynacje w kontekście cytowań naukowych to poważny problem: modele potrafią generować przekonująco brzmiące, nieistniejące tytuły artykułów z prawdziwymi nazwiskami autorów.
W naszych wdrożeniach agentów analitycznych stosujemy wzorzec human-gate: każda akcja, która mogłaby być użyta poza kontekstem weryfikacji (wysłanie raportu, zapis do bazy wiedzy), wymaga jawnego potwierdzenia. W kontekście badawczym odpowiednikiem jest wymaganie, żeby każdy wynik AI był oznaczony jako „kandydat do weryfikacji”, a nie „fakt”.
Więcej o tym, dlaczego to ważne, w artykule o roli człowieka w pętli.
Pułapki i ograniczenia, których nie można przemilczeć#
Stronniczość algorytmiczna. Modele embeddingów wytrenowane głównie na literaturze anglojęzycznej gorzej reprezentują pojęcia z tradycji badawczych pisanych w innych językach. Efekt: powiązania między pracami arabskojęzycznymi, chińskojęzycznymi czy polskojęzycznymi będą wyszukiwane mniej skutecznie. To nie jest błąd do poprawienia jednym parametrem, to konsekwencja struktury danych treningowych.
Fałszywe podobieństwo. Dwa artykuły mogą być blisko siebie w przestrzeni embeddingów, bo używają podobnego stylu akademickiego, nie dlatego że opisują pokrewne zjawiska. Problem nasila się przy porównywaniu przeglądów z różnych dziedzin.
Problem publikacji negatywnych. Wiedza publiczna jest mocno obciążona publication bias: wyniki pozytywne publikowane są znacznie częściej. Model odtwarza ten błąd: powiązanie wskazane przez AI może wyglądać silnie dlatego, że eksperymenty negatywne nigdy nie trafiły do indeksu.
Kwestia własności intelektualnej i danych. Przetwarzanie artykułów przez zewnętrzne API może naruszać licencje baz takich jak Web of Science lub Scopus. Przetwarzanie lokalne, bez transmisji pełnych tekstów na zewnątrz, zazwyczaj mieści się w ramach licencji. Więcej o architekturze takich rozwiązań w artykule o governance danych do AI.
Perspektywa na 2026 rok: co jest realne, co jest hype#
Poniżej zestawienie aktualnego stanu praktycznego dla zespołów badawczych:
| Zastosowanie | Stan w 2026 | Kto decyduje |
|---|---|---|
| Wyszukiwanie semantyczne w dużym korpusie | Dojrzałe narzędzie, skalowalne | Badacz wybiera korpus i ocenia wyniki |
| Automatyczne sugestie powiązań interdyscyplinarnych | Działa jako asystent selekcji, nie jako oracle | Badacz weryfikuje każde powiązanie |
| Synteza literatury z cytowaniami | Użyteczne, ale z ryzykiem halucynacji cytowań | Weryfikacja każdego cytatu ze źródłem |
| Autonomiczne generowanie hipotez gotowych do publikacji | Nie istnieje jako wiarygodna funkcja | Badacz formułuje hipotezę na bazie wskazówek AI |
| Zastąpienie eksperta dziedzinowego | Poza zasięgiem obecnych systemów | Ekspert pozostaje niezbędny na każdym etapie |
Interdyscyplinarność napędzana przez AI to realna zmiana w tempie pracy, nie w strukturze procesu naukowego. Badacz rozumiejący ograniczenia modeli zyska przewagę czasową. Badacz traktujący wyniki modelu jako gotowe odkrycia wejdzie w ryzyko poważnych błędów. Więcej w artykule o naukowcach pracujących z AI oraz o AI jako autonomicznym naukowcu.
FAQ#
Czy AI może samodzielnie odkryć interdyscyplinarne połączenie bez udziału badacza?#
Model może wskazać statystyczne podobieństwo między artykułami z różnych dziedzin. Nie może ocenić, czy to podobieństwo ma znaczenie merytoryczne. Każde potencjalne powiązanie wymaga weryfikacji przez osobę, która rozumie kontekst obu dziedzin. Systemy działające bez człowieka w pętli mogą generować fałszywe odkrycia z wysoką pewnością.
Jak uniknąć problemu halucynacji przy syntezie literatury?#
Najważniejsze zabezpieczenie to wymaganie od systemu podawania dokładnych cytatów ze źródłem, a nie tylko syntez. Każde twierdzenie w raporcie wygenerowanym przez AI powinno mieć link lub identyfikator do dokumentu źródłowego. Badacz sprawdza cytowane fragmenty w oryginale przed użyciem twierdzeń w pracy. Szczegóły podejścia w artykule o ograniczaniu halucynacji AI.
Jakie modele embeddingów sprawdzają się najlepiej przy polskojęzycznej literaturze naukowej?#
Modele wielojęzyczne, takie jak BGE-M3 (1024 wymiary) lub multilingual-e5, radzą sobie z polskim tekstem znacznie lepiej niż modele trenowane wyłącznie na angielskich korpusach. Dla literatury mieszanej (polskie streszczenia, anglojęzyczne pełne teksty) BGE-M3 oferuje dobry kompromis między jakością reprezentacji a możliwością lokalnego uruchomienia bez wysyłania danych do zewnętrznych API.
Czy stosowanie AI do analizy literatury narusza prawa autorskie lub licencje baz danych?#
Zależy od modelu przetwarzania. Wysyłanie pełnych tekstów do zewnętrznych API może naruszać licencje baz ograniczających masowe przetwarzanie. Przetwarzanie lokalne z embeddingami generowanymi na własnej infrastrukturze zazwyczaj mieści się w ramach licencji. Przed wdrożeniem warto sprawdzić warunki konkretnej bazy i skonsultować się z działem prawnym.
Jak mierzyć, czy system odkrywania wiedzy interdyscyplinarnej rzeczywiście działa?#
Podstawowy benchmark to retrospektywna walidacja: czy system wskazałby znane historyczne powiązania, mając dostęp tylko do literatury sprzed ich odkrycia? Uzupełnieniem jest precision@k: jaką część z k najwyżej ocenionych kandydatów ekspert uznaje za merytorycznie trafnych? Ta liczba jest bardziej informatywna niż ogólna miara podobieństwa wektorowego.