در عصر انفجار اطلاعات، حجم مقالات علمی منتشر شده در حوزه‌های مختلف، به ویژه در علوم زیستی و پزشکی، به صورت نمایی در حال افزایش است. این گنجینه عظیم دانش بشری، عمدتاً در قالب فایل‌های PDF و به صورت متن و تصویر غیرساختاریافته محبوس شده است. این فرمت، هرچند برای مطالعه انسانی مناسب است، اما برای تحلیل و پردازش ماشینی یک چالش بزرگ محسوب می‌شود. کامپیوترها نمی‌توانند به سادگی روابط پیچیده میان مفاهیم، داده‌های تجربی و نتایج ذکر شده در این مقالات را درک کنند.

مقاله “Integrating curation into scientific publishing to train AI models” که توسط تیمی از محققان برجسته به سرپرستی توماس لمبرگر ارائه شده، یک راهکار نوآورانه و هوشمندانه برای این مشکل بنیادین پیشنهاد می‌کند. ایده اصلی این پژوهش، تبدیل فرآیند نشر علمی از یک فعالیت صرفاً بایگانی‌کننده به یک فرآیند فعال و داده‌محور است. محققان به جای تلاش برای استخراج اطلاعات از مقالات منتشر شده (که فرآیندی دشوار و مستعد خطا است)، فرآیند «کیوریت‌سازی» یا آماده‌سازی و برچسب‌گذاری داده‌ها را مستقیماً در چرخه انتشار مقاله ادغام کرده‌اند. این رویکرد نه تنها کیفیت داده‌های استخراج‌شده را به شکل چشمگیری افزایش می‌دهد، بلکه پلی حیاتی میان دانش علمی انسانی و توانمندی‌های تحلیلی هوش مصنوعی برقرار می‌کند و راه را برای نسل جدیدی از ابزارهای پژوهشی هوشمند هموار می‌سازد.

این مقاله حاصل تلاش تیمی از متخصصان در تقاطع علوم کامپیوتر، زبان‌شناسی محاسباتی و زیست‌شناسی مولکولی است. نویسندگان مقاله، خورخه آبرو-ویسنته، هانا سونتاگ، توماس آیدنز، کسی اس. میچل و توماس لمبرگر، عمدتاً با پروژه SourceData در سازمان زیست‌شناسی مولکولی اروپا (EMBO) مرتبط هستند. این پروژه پیشرو با هدف ساختارمند کردن داده‌های علمی و قابل فهم کردن آن‌ها برای ماشین‌ها پایه‌گذاری شده است.

زمینه اصلی این تحقیق، پردازش زبان طبیعی (NLP) در حوزه زیست‌پزشکی است. هدف نهایی، ایجاد مجموعه‌داده‌های آموزشی (Training Datasets) باکیفیت و در مقیاس بزرگ است تا بتوان مدل‌های هوش مصنوعی را برای درک عمیق متون علمی و تسریع فرآیند اکتشافات علمی آموزش داد. این مقاله یک نمونه برجسته از چگونگی همکاری میان ناشران علمی، محققان و متخصصان هوش مصنوعی برای افزایش ارزش و کارایی دانش تولید شده است.

این پژوهش یک سیستم نوین را معرفی می‌کند که فرآیند کیوریت‌سازی و برچسب‌گذاری داده‌های چندوجهی (متن و تصویر) را با فرآیند انتشار مقالات علمی ادغام می‌کند. هدف اصلی، ایجاد یک مجموعه‌داده غنی و دقیق برای آموزش مدل‌های هوش مصنوعی است. برای دستیابی به این هدف، از یک رویکرد ترکیبی استفاده شده است: ابتدا یک مدل پردازش زبان طبیعی (NLP) به صورت خودکار موجودیت‌های زیست‌پزشکی را در توضیحات تصاویر (Figure Captions) مقالات شناسایی و برچسب‌گذاری می‌کند. سپس، این برچسب‌های اولیه برای بازبینی و اصلاح در اختیار نویسندگان اصلی مقاله قرار می‌گیرد. این فرآیند که با عنوان “Human-in-the-loop” (انسان در چرخه) شناخته می‌شود، از تخصص نویسندگان برای تضمین حداکثر دقت و صحت داده‌ها بهره می‌برد.

خروجی این فرآیند، مجموعه‌داده‌ای عظیم با نام SourceData-NLP است که شامل بیش از ۶۲۰,۰۰۰ موجودیت زیست‌پزشکی برچسب‌گذاری‌شده از ۱۸,۶۸۹ تصویر در ۳,۲۲۳ مقاله در زمینه زیست‌شناسی مولکولی و سلولی است. این برچسب‌ها نه تنها انواع موجودیت‌ها را مشخص می‌کنند، بلکه نقش آن‌ها در طراحی آزمایش را نیز تعیین می‌نمایند.

روش‌شناسی این تحقیق بر چهار ستون اصلی استوار است:

• ادغام با چرخه نشر: برخلاف رویکردهای سنتی که پس از انتشار مقالات به سراغ استخراج داده می‌روند، این سیستم در حین فرآیند داوری و پذیرش مقاله فعال می‌شود. این کار دسترسی به نویسندگان برای تأیید داده‌ها را ممکن می‌سازد.
• کیوریت‌سازی چندوجهی (Multimodal): سیستم فقط متن را تحلیل نمی‌کند، بلکه ارتباط میان بخش‌های مختلف توضیحات یک تصویر (کپشن) و پانل‌های تصویری متناظر با آن را نیز در نظر می‌گیرد. این امر به درک کامل‌تر زمینه آزمایش کمک می‌کند.
• مدل ترکیبی NLP و بازخورد نویسنده: یک مدل NLP آموزش‌دیده، پیش‌نویسی از برچسب‌ها را تهیه می‌کند. سپس نویسندگان مقاله از طریق یک رابط کاربری ساده، این برچسب‌ها را تأیید، اصلاح یا تکمیل می‌کنند. این هم‌افزایی میان سرعت ماشین و دقت انسان، کلید موفقیت این روش است.
• طرح برچسب‌گذاری (Annotation Schema) غنی: برچسب‌گذاری در دو سطح انجام می‌شود:
  1. شناسایی موجودیت‌های زیستی: شامل هشت دسته اصلی است: مولکول‌های کوچک، محصولات ژنی، اجزای زیرسلولی، رده‌های سلولی، انواع سلولی، بافت‌ها، ارگانیسم‌ها و بیماری‌ها.
  2. تعیین نقش معنایی (Semantic Role): این یک نوآوری کلیدی در این مقاله است. موجودیت‌ها بر اساس نقش‌شان در آزمایش به دو دسته تقسیم می‌شوند: هدف مداخله کنترلی (Controlled Intervention) مانند یک دارو که به سیستم اضافه می‌شود، و موضوع اندازه‌گیری (Measurement Object) مانند سطح یک پروتئین که سنجیده می‌شود. این تمایز برای درک منطق آزمایش ضروری است.

مهم‌ترین دستاورد این پژوهش، خودِ مجموعه‌داده SourceData-NLP است. این مجموعه به دلیل مقیاس بزرگ، کیفیت بالا (به لطف بازبینی نویسندگان) و غنای معنایی، یک منبع بی‌نظیر برای جامعه علمی محسوب می‌شود.

محققان برای اثبات کارایی این مجموعه‌داده، از آن برای آموزش چندین مدل هوش مصنوعی در وظایف مختلف استفاده کردند و به نتایج برجسته‌ای دست یافتند:

• تشخیص موجودیت‌های نام‌دار (NER): مدلی که با این داده‌ها آموزش دیده بود، توانست با دقت بالایی موجودیت‌های زیست‌پزشکی را در متون جدید شناسایی کند، که نشان‌دهنده کیفیت و جامعیت داده‌هاست.
• بخش‌بندی توضیحات تصاویر: مدل دیگری با موفقیت یاد گرفت که یک کپشن طولانی را به بخش‌های مجزا تقسیم کرده و هر بخش را به پانل تصویری مربوط به آن (مثلاً پانل A، پانل B و غیره) مرتبط سازد.
• وظیفه معنایی جدید: یکی از جالب‌ترین یافته‌ها، موفقیت در آموزش یک مدل برای تشخیص نقش موجودیت‌ها بود. این مدل می‌توانست با دقت خوبی تعیین کند که یک موجودیت در یک آزمایش خاص، “مداخله” بوده یا “موضوع اندازه‌گیری”. این سطح از درک متنی، فراتر از تشخیص ساده کلمات کلیدی است.
• وظیفه چندوجهی: در نهایت، آن‌ها نشان دادند که این داده‌ها می‌توانند برای آموزش مدل‌هایی استفاده شوند که به طور همزمان هم تصویر و هم متن را پردازش می‌کنند. این مدل‌ها قادر به بخش‌بندی فیزیکی یک تصویر به پانل‌های مختلف و اتصال هر پانل به متن توصیفی آن بودند.

پیامدهای این پژوهش گسترده و تأثیرگذار است و می‌تواند آینده پژوهش‌های علمی را متحول کند:

• موتورهای جستجوی علمی هوشمند: با استفاده از این داده‌های ساختاریافته، می‌توان موتورهای جستجویی ساخت که به پرسش‌های مفهومی و پیچیده پاسخ دهند. برای مثال، یک محقق می‌تواند بپرسد: “تمام آزمایش‌هایی را که در آن‌ها سطح پروتئین p53 پس از درمان با داروی دوستاکسل در رده‌های سلولی سرطان پستان اندازه‌گیری شده است، به من نشان بده.” پاسخ به چنین سوالی با جستجوی کلیدواژه‌ای سنتی غیرممکن است.
• تسریع فرآیند مرور ادبیات و فراتحلیل (Meta-analysis): ابزارهای مبتنی بر این رویکرد می‌توانند به طور خودکار هزاران مقاله را تحلیل کرده، نتایج کلیدی را استخراج کنند و به محققان در شناسایی روندها، تناقضات و شکاف‌های دانشی کمک نمایند.
• ایجاد مدل نوین برای نشر علمی: این مقاله الگویی برای “نشر هوشمند” یا “نشر معنایی” ارائه می‌دهد که در آن مقالات از اسناد ایستا به منابع داده‌ای پویا و قابل استفاده مجدد تبدیل می‌شوند.
• تولید خودکار فرضیه: با تحلیل روابط پنهان میان میلیون‌ها نقطه داده استخراج‌شده، سیستم‌های هوش مصنوعی می‌توانند فرضیه‌های جدیدی برای تحقیقات آینده تولید کنند و به اکتشافات علمی سرعت بخشند.

مقاله “ادغام کیوریت‌سازی در نشر علمی برای آموزش مدل‌های هوش مصنوعی” یک چارچوب قدرتمند، مقیاس‌پذیر و کارآمد برای حل یکی از بزرگ‌ترین چالش‌های علم مدرن، یعنی تبدیل حجم انبوه دانش غیرساختاریافته به داده‌های قابل فهم برای ماشین، ارائه می‌دهد. نوآوری کلیدی این پژوهش در به‌کارگیری یک مدل ترکیبی از پردازش زبان طبیعی و بازخورد متخصصانه نویسندگان اصلی مقالات نهفته است که منجر به تولید یک مجموعه‌داده عمومی، غنی و بسیار دقیق به نام SourceData-NLP شده است.

این کار نه تنها ارزش مقالات علمی را با افزودن یک لایه داده ساختاریافته افزایش می‌دهد، بلکه راه را برای توسعه نسل بعدی ابزارهای هوش مصنوعی در علوم زیستی هموار می‌کند. این رویکرد می‌تواند به عنوان یک الگو برای سایر رشته‌های علمی نیز به کار گرفته شود و گامی مهم در جهت تحقق چشم‌انداز “علم باز” و “پژوهش داده‌محور” بردارد.