Міждисциплінарні відкриття мають довгу історію. Відкриття структури ДНК поєднувало фізику (рентгенівська кристалографія), хімію та біологію. Пеніцилін з'явився завдяки мікробіологічному спостереженню, яке розвинула фармакологія. Щоразу хтось мусив прочитати достатньо з двох різних галузей, щоб помітити, що щось підходить.
Проблема проста: кількість опублікованих робіт зростає швидше, ніж здатність будь-якого дослідника їх відстежувати. У самому PubMed з'являється понад мільйон нових записів на рік. У цій ситуації AI як інструмент для попереднього пошуку має сенс, за умови, що ми розуміємо, що він робить насправді, а чого не вміє.
Що таке «приховане публічне знання»#
Термін походить з концепції Дональда Свонсона з 1980-х років. Свонсон показав, що література про риб'ячий жир і література про хворобу Рейно були ізольовані одна від одної, хоча їх об'єднувала спільна патофізіологія. Жоден автор не читав досліджень з іншого боку. Зв'язок існував у літературі, але ніхто його не виявив.
Свонсон здійснив синтез вручну, переглядаючи індекси. Сьогодні ту саму операцію можна масштабувати за допомогою семантичного пошуку: замість пошуку за ключовими словами модель порівнює значення понять, закодованих як ембедінги. Дві статті з різних галузей можуть описувати той самий механізм різними словами, а подібність їх векторних представлень це виявить.
Варто одразу сказати, що це означає на практиці: модель вказує на статистичну подібність у просторі представлень. Вона не розуміє біології, хімії чи фізики. Оцінка того, чи має вказана подібність змістовне значення, належить досліднику.
Як працює семантичний пошук на практиці#
Типовий пайплайн для міждисциплінарних відкриттів виглядає так:
- Анотації або повні тексти статей перетворюються на вектори моделлю ембедінгів. У середовищах, що потребують конфіденційності даних, використовуємо локальні моделі, такі як BGE-M3.
- Вектори індексуються у векторній базі даних (наприклад, Qdrant або pgvector).
- Дослідник вводить запит або фрагмент тексту. Модель перетворює його на вектор і шукає найближчих сусідів у просторі представлень.
- Результати переранжуються за релевантністю та надаються з посиланнями на джерела.
Система RAG (Retrieval-Augmented Generation) робить крок далі: мовна модель читає отримані фрагменти і намагається сформулювати відповідь або вказати на закономірність. Саме цей етап найчастіше викликає галюцинації: модель може «долучити» до справжньої цитати неправдиву інтерпретацію. Тому кожна дослідницька система на базі RAG завжди повинна надавати джерела, а не лише синтези.
| Підхід | Що робить добре | Де провалюється | Верифікація людиною |
|---|---|---|---|
| Пошук за ключовими словами | Точність термінології | Різний словник у різних галузях | Низька складність |
| Семантичний пошук | Знаходження тематично близьких робіт попри різну термінологію | Хибна подібність без змістовного зв'язку | Оцінка релевантності експертом |
| RAG з LLM | Синтез висновків з багатьох джерел одночасно | Галюцинації, помилкові атрибути цитувань | Верифікація кожного твердження за джерелом |
| Граф знань | Структурні зв'язки між сутностями | Потребує ручної курації або якісного NER | Верифікація коректності зв'язків |
Реальні застосування та їхні межі#
Ми в Cashcrown спостерігаємо кілька патернів у проєктах, де клієнти використовують AI для роботи з літературою:
Пошук літератури на етапі scoping review. Дослідник надає кілька статей, центральних для проблеми. Модель шукає семантично подібні роботи в корпусі та вказує кандидатів на виключення. Час попереднього огляду може скоротитися, залежно від галузі та якості індексу. Рішення, які роботи увійдуть до огляду, залишається за дослідником.
Картування термінології. Різні галузі описують ті самі явища різними словами. «Каскад сигналів» у біології та «петля зворотного зв'язку» в теорії систем можуть мати близькі векторні представлення. Чи описують вони той самий механізм? Це питання до експерта, а не до моделі.
Попередня ідентифікація прогалин у дослідженнях. Якщо дві галузі близькі семантично, але кількість статей, що їх поєднують, мала — це потенційна ніша. Моделі можуть виявляти такі асиметрії, але це підказка, а не готова гіпотеза.
Де це регулярно провалюється. Моделі не мають доступу до даних із закритих репозиторіїв, сирих даних (raw data) чи неопублікованих результатів. Міждисциплінарне знання, приховане в лабораторіях, патентах без повних текстів чи клінічних даних, залишається поза зоною досяжності. Крім того, моделі успадковують прогалини тренувального корпусу: англомовної літератури значно більше, ніж польсько- чи японськомовної, що систематично надає перевагу певним дослідницьким традиціям.
Human-oversight: де людина мусить увійти в цикл#
Human-oversight у контексті міждисциплінарних відкриттів — це не опція і не перешкода. Це умова, щоб результати мали наукову цінність.
Кілька конкретних пунктів, які мусить пройти людина:
Селекція вхідного корпусу. Якість результатів залежить від того, що є в індексі. Рішення, які бази даних індексувати, які роки та типи документів враховувати, є змістовним. Немає сенсу шукати зв'язки в корпусі, який свідомо виключає певні дослідницькі традиції чи мови.
Оцінка вказаних зв'язків. Модель повертає список подібних статей або вказує на закономірність. Експерт з певної галузі мусить оцінити, чи семантична подібність відповідає реальному змістовному зв'язку. Тут немає скорочень: потрібні галузеві знання.
Формулювання гіпотези. AI може вказати, що щось подібне. Вона не може сформулювати перевірювану гіпотезу в науковому сенсі, бо не має причинної моделі реальності. Гіпотеза, яку можна перевірити експериментально, народжується в голові дослідника.
Верифікація перед публікацією. Кожне твердження, засноване на синтезі, згенерованому моделлю, мусить бути перевірене за першоджерелом. Галюцинації в контексті наукових цитувань — серйозна проблема: моделі можуть генерувати переконливо звучні, неіснуючі назви статей з реальними іменами авторів.
У наших впровадженнях аналітичних агентів застосовуємо патерн human-gate: кожна дія, яка може бути використана поза контекстом верифікації (відправлення звіту, запис до бази знань), вимагає явного підтвердження. У дослідницькому контексті аналогом є вимога, щоб кожен результат AI був позначений як «кандидат на верифікацію», а не «факт».
Детальніше про це, чому це важливо, у статті про роль людини в циклі.
Пастки та обмеження, про які не можна замовчувати#
Алгоритмічна упередженість. Моделі ембедінгів, натреновані переважно на англомовній літературі, гірше представляють поняття з дослідницьких традицій, написаних іншими мовами. Ефект: зв'язки між арабськомовними, китайськомовними чи польськомовними роботами шукатимуться менш ефективно. Це не помилка, яку можна виправити одним параметром, це наслідок структури тренувальних даних.
Хибна подібність. Дві статті можуть бути близькими в просторі ембедінгів, бо використовують подібний академічний стиль, а не тому, що описують споріднені явища. Проблема посилюється при порівнянні оглядів з різних галузей.
Проблема негативних публікацій. Публічне знання сильно спотворене publication bias: позитивні результати публікуються значно частіше. Модель відтворює цю помилку: зв'язок, вказаний AI, може виглядати сильним тому, що негативні експерименти ніколи не потрапили до індексу.
Питання інтелектуальної власності та даних. Обробка статей через зовнішні API може порушувати ліцензії баз на кшталт Web of Science або Scopus. Локальна обробка без передачі повних текстів назовні зазвичай відповідає ліцензійним вимогам. Детальніше про архітектуру таких рішень у статті про governance даних для AI.
Перспектива на 2026 рік: що реально, а що — хайп#
Нижче зведення актуального стану практики для дослідницьких команд:
| Застосування | Стан у 2026 | Хто вирішує |
|---|---|---|
| Семантичний пошук у великому корпусі | Зрілий інструмент, масштабований | Дослідник обирає корпус і оцінює результати |
| Автоматичні пропозиції міждисциплінарних зв'язків | Працює як асистент селекції, а не як оракул | Дослідник верифікує кожен зв'язок |
| Синтез літератури з цитуваннями | Корисний, але з ризиком галюцинацій цитувань | Верифікація кожної цитати за джерелом |
| Автономна генерація гіпотез, готових до публікації | Не існує як достовірна функція | Дослідник формулює гіпотезу на базі підказок AI |
| Заміна галузевого експерта | Поза межами можливостей сучасних систем | Експерт залишається необхідним на кожному етапі |
Міждисциплінарність, підсилена AI, — це реальна зміна в темпі роботи, а не в структурі наукового процесу. Дослідник, який розуміє обмеження моделей, отримує тимчасову перевагу. Дослідник, який сприймає результати моделі як готові відкриття, ризикує серйозними помилками. Детальніше у статті про науковців, які працюють з AI та про AI як автономного науковця.
FAQ#
Чи може AI самостійно виявити міждисциплінарний зв'язок без участі дослідника?#
Модель може вказати на статистичну подібність між статтями з різних галузей. Вона не може оцінити, чи має ця подібність змістовне значення. Кожен потенційний зв'язок потребує верифікації людиною, яка розуміє контекст обох галузей. Системи, що працюють без людини в циклі, можуть генерувати хибні відкриття з високою впевненістю.
Як уникнути проблеми галюцинацій при синтезі літератури?#
Найважливіший захід безпеки — вимагати від системи надання точних цитат із джерелом, а не лише синтезів. Кожне твердження у звіті, згенерованому AI, повинно мати посилання або ідентифікатор на документ-джерело. Дослідник перевіряє цитовані фрагменти в оригіналі перед використанням тверджень у роботі. Деталі підходу у статті про обмеження галюцинацій AI.
Які моделі ембедінгів найкраще підходять для польськомовної наукової літератури?#
Багатомовні моделі, такі як BGE-M3 (1024 виміри) або multilingual-e5, справляються з польським текстом значно краще, ніж моделі, натреновані виключно на англомовних корпусах. Для змішаної літератури (польські анотації, англомовні повні тексти) BGE-M3 пропонує хороший компроміс між якістю представлення та можливістю локального запуску без відправлення даних до зовнішніх API.
Чи порушує використання AI для аналізу літератури авторські права або ліцензії баз даних?#
Залежить від моделі обробки. Відправлення повних текстів до зовнішніх API може порушувати ліцензії баз, які обмежують масове оброблення. Локальна обробка з ембедінгами, згенерованими на власній інфраструктурі, зазвичай відповідає ліцензійним вимогам. Перед впровадженням варто перевірити умови конкретної бази та проконсультуватися з юридичним відділом.
Як виміряти, чи дійсно працює система відкриття міждисциплінарного знання?#
Основний бенчмарк — ретроспективна валідація: чи вказала б система відомі історичні зв'язки, маючи доступ лише до літератури до їх відкриття? Доповненням є precision@k: яку частину з k найвище оцінених кандидатів експерт визнає змістовно релевантними? Це число більш інформативне, ніж загальна міра векторної подібності.