какая-то библиотека

Методология создания кейсбука для продактов и маркетологов с помощью генеративного ИИ

2025-02-06T09:42:59.305Z

Эта статья описывает методологию создания кейсбука для мобильных приложений с использованием генеративного ИИ. Данный подход позволяет эффективно анализировать конкурентов, выявлять лучшие практики и формировать рекомендации для разработки стратегии запуска собственного продукта. Хотя примеры в статье относятся к образовательным приложениям в мессенджерах, методология применима к любому типу мобильных приложений.

Этап 1: Сбор данных о конкурентах

Процесс начинается с формирования списка конкурентов. Для каждого конкурента создается отдельный документ, содержащий максимально полную информацию, собранную из различных источников:

Сайт компании: Информация о продукте, ценах, функционале и отзывах.
Само приложение: Ссылка на приложение в магазине приложений, описание функционала и цен.
Стартапные базы (Crunchbase, Pitchbook, аналогичные ресурсы): Данные об инвестициях, новостях, количестве пользователей и трафике.
Новостные агрегаторы (Google Новости и другие): Новости об успехах компании, интервью, презентации и инвестиции.
Отчеты компании: Информация о количестве пользователей, бюджете и т.д.
Коммерческие предложения и аналитические материалы.

На этом этапе важна актуальность и релевантность информации. Фокус делается на аспектах, важных для вашего исследования.

Этап 2: Создание матрицы конкурентов с помощью Google AI Studio

Собранная информация обрабатывается с помощью генеративного ИИ в Google AI Studio. Использование Google AI Studio предпочтительнее GPT-3 для обработки больших массивов данных.

Процесс включает следующие шаги:

Создание чата в Google AI Studio: Используется специальный промт (адаптированный под ваше исследование), нулевая температура, увеличенная длина вывода и подходящая модель.
Вставка информации об одной компании: Информация из документа копируется и вставляется в чат. Важно не отправлять документы в виде файлов и обрабатывать информацию по одной компании за раз.
Обработка запроса: LLM структурирует информацию в таблицу согласно заданным параметрам (название, ссылка, платформы, год запуска, целевая аудитория, география, язык интерфейса, ключевые функции, стоимость, модель монетизации, охват, инвестиции, экономический эффект). Эти параметры должны быть адаптированы под ваш тип приложения.
Перенесение информации в таблицу: Полученная таблица копируется в основную таблицу конкурентов.
Повторение шагов 2-4 для каждой компании.

Пример промта (адаптируйте под ваше исследование):

`# Задача
Проанализировать мобильные приложения, представленные пользователем, на основе предоставленной информации и структурировать данные в форме таблицы для сравнения конкурентов.
Пользователь в следующем сообщении пришлет текст, которые тебе надо проанализировать и структурировать.
Формат вывода
[Таблица с параметрами, релевантными вашему исследованию]`

Этап 3: Создание детальных кейсов с помощью генеративного ИИ

После создания матрицы конкурентов, для каждой компании формируется детальный кейс-стади с использованием генеративного ИИ. Промт фокусируется на пользовательском опыте и взаимодействии с приложением. Адаптируйте промт под ваши конкретные потребности.

Пример промта (адаптируйте под ваше исследование):

Выступаете в роли бизнес-аналитика, которому поручено создать подробный кейс-стади для мобильного приложения. [Укажите специфику приложения и ключевые аспекты для анализа].

Дизайн исследования: AI-подход

2025-02-06T09:21:07.702Z

Дизайн исследования — это не просто описание процесса, а чёткий фреймворк, который можно разбить на блоки. Генеративный ИИ поможет автоматизировать каждый из них:

📌 Формулирование гипотез

Задача: Найти исследовательские пробелы и сформулировать уникальную гипотезу.
⚡ Как делает человек: Долгие часы чтения статей.
🤖 Как делает ИИ:

Semantic Scholar + GPT-4 анализируют тренды и выявляют "дыры" в исследованиях.
Elicit.org формирует гипотезы на основе существующих данных.
ChatGPT + корректный промт генерирует список возможных гипотез.

🎯 Пример промта для ChatGPT:

Ты — эксперт в области [тематика исследования]. Анализируй последние научные тренды и предложи 3-5 уникальных гипотез, которые ещё не были исследованы. Используй примеры и подкрепи гипотезы статистическими данными.

📌 Выбор методологии

Задача: Определить, какие методы подойдут для проверки гипотезы.

GPT-4 может сравнивать методологии, учитывая их плюсы и минусы.
ChatGPT + Python (через Code Interpreter) способен прогнозировать выборку и её репрезентативность.
AI-системы в Google Sheets автоматически рассчитывают статистические параметры.

🎯 Пример промта:

markdownКопироватьРедактироватьПредложи оптимальную методологию для исследования [описание гипотезы]. Укажи плюсы и минусы каждого метода. Включи примеры успешных исследований с похожей структурой.

AI-оптимизированный роадмэп исследования

Роадмэп — это не просто список задач, а гибкая, самокорректирующаяся система. С правильными AI-инструментами исследователь превращается в архитектора данных.

🎯 Пример промта:

Создай пошаговый роадмэп для исследования на тему [тематика]. Укажи ключевые этапы, дедлайны, возможные риски и способы их минимизации. Включи контрольные точки и инструменты для мониторинга прогресса.

Твой личный наставник по Desk Research: как использовать AI-промпт для прокачки навыков

2025-02-02T20:14:14.143Z

Представьте, что у вас есть мудрый и терпеливый учитель, который готов в любое время суток ответить на ваши вопросы, объяснить сложные концепции простым языком и направить вас в мир desk research. Именно таким ментором становится AI благодаря грамотно составленному промпту, который мы сейчас разберем:

Промпт для ИИ-агента "Ментор по теме Desk Research":

Роль: Представь, что ты опытный и дружелюбный наставник по теме desk research (кабинетные исследования, вторичные исследования). Ты - эксперт в сборе, анализе и синтезе информации из открытых источников. Твоя цель - помочь мне стать экспертом в этой области, научив меня эффективно проводить desk research для различных задач.

Твой стиль обучения: Ты объясняешь сложные вещи простым и понятным языком, используя аналогии и примеры из реальной жизни. Твой стиль обучения - это сочетание теории и практики, с акцентом на понимание и применение знаний. Ты терпелив, поддерживаешь меня и готов отвечать на любые мои вопросы, даже если они кажутся глупыми. Ты поощряешь критическое мышление и самостоятельность.

Твои обязанности:

Объяснять:

Понятие desk research и его важность в различных областях (бизнес, маркетинг, наука, образование и т.д.).

Различия между desk research и field research (полевые исследования).

Виды desk research (качественный, количественный, вторичный и т.д.).

Этапы проведения desk research: определение цели, поиск источников, сбор данных, анализ, интерпретация, представление результатов.

Методы и инструменты desk research: поисковые системы, базы данных, библиотеки, отчеты, статьи, социальные сети и т.д.

Критерии оценки качества и надежности источников информации.

Этические аспекты desk research (цитирование, авторские права, плагиат).

Как эффективно организовать и структурировать собранную информацию.

Как использовать результаты desk research для принятия решений и достижения целей.

Обучать навыкам:

Эффективный поиск информации в различных источниках.

Критический анализ и оценка найденной информации.

Синтез информации из разных источников и выявление закономерностей.

Организация и структурирование информации.

Представление результатов desk research в понятной и убедительной форме (отчеты, презентации и т.д.).

Поддерживать и направлять:

Отвечать на мои вопросы по теме desk research.

Давать советы и рекомендации по проведению desk research для конкретных задач.

Помогать мне преодолевать трудности и находить решения.

Мотивировать меня к изучению desk research и развитию навыков.

Давать обратную связь на мои идеи и подходы к desk research.

Предлагать ресурсы для дальнейшего изучения (книги, статьи, онлайн-курсы и т.д.).

Тон общения: Дружелюбный, поддерживающий, терпеливый, наставнический, но при этом профессиональный и экспертный. Используй аналогии, метафоры и примеры, чтобы сделать обучение более интересным и понятным. Задавай мне вопросы, чтобы проверить мое понимание и стимулировать мое мышление.

Пример начала разговора:

"Привет! Рад быть твоим наставником по desk research. Desk research - это мощный инструмент для получения ценной информации, необходимой для принятия обоснованных решений. Думай о desk research как о работе детектива, который собирает улики, но вместо места преступления мы исследуем мир информации. Сегодня мы начнем с основ. Для начала, что ты уже знаешь о desk research, или, возможно, какие задачи ты хочешь решить с помощью desk research?"

Инструкции для ИИ-агента:

В начале каждого ответа: Убедись, что ты понимаешь мой вопрос или запрос. Если нет, задавай уточняющие вопросы.

Отвечай развернуто и информативно: Не ограничивайся краткими ответами "да" или "нет". Объясняй свои ответы, приводи примеры, давай контекст.

Используй простой и понятный язык: Избегай сложного жаргона, если он не необходим. Если используешь термины, объясняй их.

Будь терпеливым и поддерживающим: Не раздражайся, если я задаю много вопросов или не сразу понимаю материал.

Поощряй меня к активному обучению: Задавай вопросы, предлагай практические задания, проси меня объяснить материал своими словами.

Будь готов адаптироваться: Подстраивай свой стиль обучения и уровень сложности материала под мои потребности и уровень знаний.

Цель использования промпта: Этот промпт предназначен для создания ИИ-агента, который может эффективно обучать пользователя desk research, предоставляя знания, навыки и поддержку, необходимые для успешного проведения кабинетных исследований. Агент должен действовать как персональный наставник, помогая пользователю на каждом этапе обучения.

Начни разговор! Напиши мне свой первый вопрос по теме desk research, и я, как твой наставник, постараюсь тебе помочь!

Почему этот промпт так хорош?

Этот промпт выделяется своей продуманностью и детализацией. Он не просто задает тему, а четко определяет роль, стиль обучения и обязанности AI-агента. Давайте разберем ключевые моменты, которые делают его эффективным:

Четко определенная роль "Наставника": Указание роли помогает AI лучше понять свою задачу и выстраивать взаимодействие в соответствующем стиле. Слово "наставник" создает атмосферу поддержки и обучения, а не простого ответа на вопросы.

Детализированный стиль обучения: Промпт описывает желаемый стиль обучения – простой, понятный, с аналогиями и примерами. Это гарантирует, что AI будет объяснять материал доступно, даже для новичков. Указание на терпение и поддержку создает безопасную обучающую среду, где можно задавать любые вопросы.

Полный перечень обязанностей: Раздел "Обязанности" – это своего рода учебная программа. Он охватывает все ключевые аспекты desk research, от базовых понятий до продвинутых навыков. Это позволяет пользователю быть уверенным, что AI охватит все необходимые темы.

Обучение навыкам, а не только знаниям: Промпт акцентирует внимание не только на объяснении теории, но и на обучении практическим навыкам, таким как поиск информации, анализ, синтез и презентация результатов. Это делает обучение более практичным и применимым к реальным задачам.

Поддержка и направление: Промпт подчеркивает роль AI как поддерживающего ментора, готового отвечать на вопросы, давать советы и помогать преодолевать трудности. Это создает ощущение партнерства в процессе обучения.

Тон общения: Заданный тон – дружелюбный, поддерживающий и наставнический – создает комфортную атмосферу для обучения и стимулирует открытое общение.

Инструкции для AI: Раздел "Инструкции для AI-агента" уточняет, как именно AI должен взаимодействовать с пользователем. Требования к развернутым ответам, простому языку и активному обучению гарантируют качественное и эффективное обучение.

Как использовать этот промпт на практике?

Использовать этот промпт очень просто:

Скопируйте промпт: Выделите весь текст промпта и скопируйте его.

Вставьте промпт в AI-платформу: Вставьте скопированный текст в поле ввода текстового AI-агента (например, ChatGPT, Gemini и т.д.). Важно! Убедитесь, что платформа позволяет задавать роль и следовать инструкциям.

Начните разговор: После отправки промпта, AI примет роль ментора по desk research. Вы можете начать разговор с примера, предложенного в промпте: "Привет! Рад быть твоим наставником по desk research..." Или сразу задать свой вопрос.

Примеры вопросов, которые можно задать AI-ментору:

"Привет! Я новичок в desk research. Можешь начать с самых основ и объяснить, что это такое и зачем это нужно?"

"В чем разница между desk research и field research? Когда лучше использовать каждый из этих методов?"

"Какие существуют виды desk research? Можешь привести примеры для каждого вида?"

"Какие этапы desk research нужно пройти, чтобы провести качественное исследование?"

"Какие инструменты и ресурсы ты рекомендуешь для поиска информации в desk research?"

"Как оценить надежность и достоверность найденных источников информации?"

"Как правильно цитировать источники в desk research, чтобы избежать плагиата?"

"У меня есть задача: исследовать рынок электромобилей в России. С чего мне начать desk research в этом направлении?"

"Я нашел много информации, но она не структурирована. Как мне эффективно организовать и проанализировать собранные данные?"

"Как представить результаты desk research в виде отчета или презентации?"

Советы для эффективного обучения с AI-ментором:

Будьте активны: Задавайте много вопросов, не стесняйтесь уточнять непонятные моменты.

Практикуйтесь: Применяйте полученные знания на практике. Попробуйте провести desk research для реальной задачи.

Давайте обратную связь: Сообщайте AI, что вам понятно, а что нужно объяснить подробнее. Это поможет AI адаптировать свой стиль обучения под ваши потребности.

Экспериментируйте: Не бойтесь задавать разные типы вопросов и проверять границы возможностей AI-ментора.

Используйте промпт как отправную точку: Вы можете адаптировать промпт под свои конкретные нужды, добавляя или изменяя разделы, чтобы сделать обучение еще более персонализированным.

ИИ в кабинете: как принимать решения об автоматизации и делегировании в кабинетных исследованиях

2025-02-02T19:53:30.215Z

Искусственный интеллект (ИИ) все глубже проникает в нашу жизнь, и научные исследования не являются исключением. Сегодня ИИ-инструменты предлагают множество возможностей для автоматизации и оптимизации рабочих процессов, особенно в кабинетных исследованиях, где большая часть работы связана с поиском, анализом и синтезом информации. Однако, как и с любым новым инструментом, важно понимать, как правильно его использовать.

Не все задачи стоит автоматизировать, и не все процессы можно делегировать ИИ. Как же разобраться, что доверить машине, а что оставить себе?

Три пути: автоматизация, делегирование, контроль

В контексте кабинетных исследований можно выделить три основных пути взаимодействия с ИИ:

Автоматизация: Замена рутинных, повторяющихся задач на автоматизированные процессы.
Делегирование: Передача части задач ИИ-инструментам, которые могут выполнять их самостоятельно, с минимальным участием человека.
Сохранение контроля: Оставление за собой задач, которые требуют критического мышления, глубокого понимания контекста и творческого подхода.

Каждый из этих подходов имеет свои преимущества и недостатки, и выбор оптимального варианта зависит от конкретной задачи и ее особенностей.

Критерии для принятия решений

Чтобы сделать осознанный выбор, необходимо оценить каждую задачу по нескольким ключевым критериям:

Рутинность и повторяемость: Можно ли задачу стандартизировать и разложить на простые, повторяющиеся шаги? Если да, то автоматизация может быть хорошим вариантом.
Требования к творчеству и интуиции: Насколько важен человеческий фактор для решения задачи? Если требуется креативный подход и интуиция, лучше оставить ее за собой.
Критичность точности: Возможны ли ошибки при выполнении задачи, и насколько они критичны? Если цена ошибки высока, лучше сохранить контроль.
Требования к пониманию контекста: Нужен ли глубокий смысловой анализ и понимание контекста для выполнения задачи? Если да, то делегирование ИИ может быть рискованным.
Трудоемкость: Сколько времени отнимает задача? Если задача отнимает много времени и ресурсов, автоматизация или делегирование могут быть полезными.

Фреймворк для Принятия Решений

Для более наглядного и структурированного подхода можно использовать следующий фреймворк, представленный в виде блок-схемы:

Как использовать блок-схему:

Начните с определения задачи: Четко сформулируйте, что именно вам нужно сделать.
Оцените рутинность: Если задача повторяющаяся, переходите к следующему вопросу.
Оцените контекст: Если требуется глубокое понимание контекста, сохраните контроль.
Оцените креативность: Если требуется творческий подход, сохраните контроль.
Оцените критичность точности: Если ошибка недопустима, сохраните контроль.
Оцените трудоемкость: Если задача отнимает много времени, автоматизируйте или делегируйте.
Выберите инструменты: Используйте ИИ-инструменты, такие как Google AI Studio, для автоматизации или делегирования.
Оцените качество: Проверьте результаты автоматизации или делегирования.
Улучшайте процессы: Постоянно анализируйте результаты и оптимизируйте свои рабочие процессы.

Практические Примеры

Давайте рассмотрим несколько примеров задач и применим к ним наш фреймворк:

Сбор данных из веб-сайтов: Эта задача рутинная, повторяющаяся, не требует креативности и глубокого понимания контекста, но может быть трудоемкой. Ее можно автоматизировать с помощью ИИ-инструментов.
Поиск статей по заданным параметрам: Задача может быть автоматизирована, но важно внимательно проверять результаты, чтобы не пропустить важные публикации.
Анализ текста и выявление ключевых тем: Эта задача требует глубокого понимания контекста и критического мышления, поэтому ее лучше оставить за собой.
Написание черновика научного текста: Эту задачу можно делегировать ИИ, но важно тщательно редактировать и проверять результат.

Принятие решений об автоматизации и делегировании — это не просто следование алгоритму, это сочетание науки и искусства. Необходимо учитывать не только технические возможности ИИ, но и свои собственные навыки, предпочтения и этические соображения.

В конечном итоге, цель состоит не в том, чтобы заменить человека машиной, а в том, чтобы создать синергию между человеком и ИИ, где каждый выполняет свою роль наилучшим образом.

Google AI Studio: мощный инструмент для автоматизации кабинетных исследований

2025-02-02T19:41:30.758Z

Кабинетные исследования (desk research) – важный этап любого проекта, требующий анализа больших объемов информации. В эпоху цифровых технологий инструменты на основе искусственного интеллекта (ИИ) предлагают новые возможности для автоматизации и оптимизации этого процесса. В данной статье мы рассмотрим преимущества Google AI Studio для кабинетных исследований и сравним его с популярным чат-ботом ChatGPT.

Хотя ChatGPT получил широкое признание, Google AI Studio предлагает ряд уникальных функций, делающих его более эффективным инструментом для desk research. Мой опыт показывает, что AI Studio превосходит ChatGPT, особенно в контексте кабинетных исследований, по нескольким ключевым параметрам:

1. Расширенное окно ввода: AI Studio предоставляет значительно большее окно для ввода текста, включая системный промпт, задающий рамки для всего последующего чата. Это критически важно для предоставления контекста, особенно при работе с обзорами литературы или другими объемными текстами. В отличие от ChatGPT, где объем входных данных ограничен, AI Studio позволяет "накачать" систему большим количеством информации, что повышает релевантность и точность результатов.

2. Гибкая настройка температуры: AI Studio предлагает интуитивно понятный интерфейс для управления "температурой" модели. Этот параметр контролирует степень креативности и случайности генерируемого текста. Для кабинетных исследований, где часто требуется высокая точность и минимальное искажение информации, возможность установить нулевую температуру является неоценимым преимуществом. В AI Studio это делается легко и быстро, позволяя корректировать ответы с максимальной точностью.

3. Эффективная обработка текста и поиск информации: При работе с PDF-файлами и другими текстовыми источниками AI Studio демонстрирует превосходную точность и полноту извлечения информации. Например, при поиске кейсов, указывающих на технологические тренды, AI Studio находит всю релевантную информацию в предоставленных документах, в то время как ChatGPT может пропускать важные детали. Это связано с более глубоким анализом текста и меньшей склонностью AI Studio к "галлюцинациям" или искажению фактов.

4. Мощные модели для анализа данных и написания кода: Последние модели AI Studio впечатляют своими возможностями, особенно в области анализа данных и написания кода. Хотя ChatGPT также неплохо справляется с генерацией кода, AI Studio предлагает более широкий спектр инструментов и возможностей для работы с данными.

5. Создание собственных предобученных моделей и галерея промптов: AI Studio позволяет создавать собственные предобученные модели, что особенно полезно для тематического анализа и trend watching. Кроме того, галерея промптов предоставляет готовые шаблоны для различных задач, упрощая работу с системой.

Конечно, у AI Studio есть и свои недостатки, например, темная тема по умолчанию, которая может раздражать некоторых пользователей. Также требуется время, чтобы освоить все функции платформы, такие как stream real-time и starter apps.

Тем не менее, преимущества Google AI Studio для кабинетных исследований очевидны. Возможность работы с большими объемами текста, гибкая настройка параметров, высокая точность и полнота извлечения информации делают его мощным инструментом для автоматизации и оптимизации desk research. В сравнении с ChatGPT, AI Studio предлагает более комплексный и эффективный подход к анализу информации, что особенно важно для исследовательской работы.

Как ИИ меняет поиск научной информации

2025-01-30T06:26:12.000Z

Научная литература – фундамент прогресса и развития человечества. Однако объем знаний растет экспоненциально, и поиск нужной информации становится все более сложной задачей. На протяжении веков ученые полагались на различные методы для навигации в мире академических публикаций. Давайте проследим эволюцию этих методов и посмотрим, как искусственный интеллект (ИИ) совершает революцию в этой области.

Эволюция поиска научной информации: от карточных каталогов до семантического поиска

Можно выделить три основных этапа развития методов поиска научной литературы:

1. Эпоха аналоговых каталогов (до начала XX века):

В этот период основным источником информации были бумажные книги и журналы. Ученые искали необходимую литературу через библиотечные карточные каталоги. Эти каталоги представляли собой систематизированные коллекции карточек, каждая из которых содержала данные о конкретной публикации (автор, название, издательство, год и т.д.).

Особенности:

Ограниченность информации: Карточные каталоги содержали относительно мало информации о публикациях, в основном ограничиваясь библиографическими данными.
Необходимость знания языка каталога: Для эффективного поиска требовалось знание тематических индексов, предметных рубрик и принципов каталогизации конкретной библиотеки.
Субъективность индексации: Один и тот же документ мог быть проиндексирован по-разному разными библиотекарями, что усложняло поиск.
Библиографические сборники и пособия: Появление этих инструментов облегчало поиск, но все равно требовало определенных навыков и знаний.

Основные трудности:

Необходимость знания сложного языка каталогов.
Неоднозначность индексации и субъективный фактор.

2. Эпоха электронных баз данных (с конца XX века по настоящее время):

С появлением компьютеров и интернета начался переход к электронным базам данных (БД). Эти базы содержат огромное количество информации о научных публикациях, включая не только библиографические данные, но и аннотации, полные тексты статей.

Особенности:

Расширенный объем информации: Электронные БД содержат значительно больше информации, чем бумажные каталоги.
Поиск по различным критериям: Пользователи могут искать информацию по автору, названию, ключевым словам, дате публикации и другим параметрам.
Полнотекстовый поиск: Возможность поиска по полным текстам документов значительно упростила процесс нахождения нужной информации.
Язык поисковых запросов: Несмотря на удобство, для эффективного поиска необходимо знать язык поисковых запросов, включающий ключевые слова, операторы (например, "И", "ИЛИ", "НЕ"), фильтры и сортировку.
Проблемы интерфейса: Неудобный или непонятный интерфейс может стать препятствием для эффективного поиска.

Основные трудности:

Необходимость знания языка поисковых запросов.
Понимание логики автора публикации и использование общепринятых терминов.
Адаптация к интерфейсу конкретной системы.

3. Эпоха ИИ и семантического поиска (настоящее и будущее):

В настоящее время на передний план выходит использование инструментов искусственного интеллекта и семантического поиска. Семантический поиск позволяет искать информацию не по точному совпадению слов, а по их значению и контексту.

Особенности:

Семантический поиск: ИИ анализирует смысл запроса и содержание документов, выявляя скрытые связи и концепции.
Векторное сравнение: Статьи переводятся в наборы чисел (векторы), и близость векторов отражает смысловое сходство.
Естественный язык: Пользователь может формулировать запрос на естественном языке, не прибегая к сложным поисковым выражениям.
Генерация запросов: Некоторые ИИ-инструменты могут генерировать более качественные запросы, предлагая альтернативные формулировки и термины.
Автоматические обзоры: ИИ-сервисы могут предоставлять сводки и обзоры по результатам поиска.

Основные трудности:

Непрозрачность алгоритмов: Пользователю не всегда понятно, как работает ИИ-поисковая система, что затрудняет контроль результатов.
Необходимость формулировать точные вопросы: Для корректной интерпретации запроса важно использовать общепринятые термины и точно ставить вопросы.
Необходимость оценки результатов: Пользователю нужно критически оценивать выдачу, учитывая возможные неточности и предубеждения ИИ.

Как работают ИИ-сервисы для поиска научной литературы?

Многие ИИ-инструменты для поиска научной литературы используют большие языковые модели (LLM), такие как GPT. Эти модели обучаются на огромных массивах текстовых данных и способны понимать и генерировать текст, близкий к человеческому.

Процесс обучения LLM состоит из двух этапов:

Предварительное обучение: Модель обучается на немаркированных данных, чтобы научиться понимать структуру и смысл языка.
Тонкая настройка: Модель обучается на маркированных данных, чтобы улучшить свою способность выполнять конкретные задачи (например, поиск, перевод, генерация текста).

Благодаря этому ИИ-сервисы могут:

Анализировать смысл запроса: ИИ понимает контекст и намерение пользователя, а не просто ищет совпадения слов.
Выявлять семантические связи: ИИ находит концептуальные связи между терминами и идеями, даже если они не выражены явно.
Ранжировать результаты по релевантности: ИИ определяет, какие статьи наиболее соответствуют запросу на основе различных факторов (цитирование, семантическое сходство, новизна и т.д.).
Генерировать обзоры и сводки: ИИ может автоматически создавать обзоры по выбранной теме, извлекая ключевые моменты и обобщая результаты нескольких публикаций.

Сравнение качества поиска: полнота, релевантность, воспроизводимость

Оценка качества поиска научной литературы – важная задача. Существуют три основных критерия для оценки результатов поиска:

Полнота: Поиск должен охватывать все релевантные источники информации по теме.
Релевантность: Результаты поиска должны соответствовать запросу и не содержать лишней, не относящейся к делу информации.
Воспроизводимость: Результаты поиска должны быть воспроизводимыми, то есть при повторении тех же действий пользователь должен получить те же результаты.

Давайте сравним, как эти три критерия удовлетворяются на разных этапах развития поиска научной литературы:

Анализ:

Полнота: Аналоговые каталоги обеспечивали полноту в рамках конкретной библиотеки, но не учитывали источники из других мест. Электронные базы данных значительно расширили охват. ИИ-сервисы, как правило, выдают ограниченную выборку, что снижает полноту поиска.
Релевантность: Карточные каталоги требовали от пользователей усилий для фильтрации и отбора релевантных документов. Полнотекстовый поиск в электронных базах данных повысил релевантность, но требует знаний поискового языка и умения фильтровать результаты. ИИ-сервисы могут не всегда точно определять релевантность, выдавая не относящуюся к запросу информацию.
Воспроизводимость: В аналоговых каталогах воспроизводимость зависела от точности ведения записей. Электронные БД обеспечивают хорошую воспроизводимость при фиксации поисковых запросов. ИИ-сервисы могут давать разные результаты при повторном поиске из-за постоянного обучения алгоритмов.

Проблемы и опасения, связанные с ИИ-поиском

Несмотря на все преимущества, использование ИИ в поиске научной литературы вызывает ряд опасений:

Непрозрачность алгоритмов: Пользователю часто непонятно, как работает ИИ-поисковая система, что приводит к недоверию и отсутствию контроля.
Предвзятость алгоритмов: ИИ может отражать предубеждения, присутствующие в обучающих данных, приводя к неточностям и искажению информации.
Эффект Матфея: ИИ-сервисы могут усиливать эффект Матфея, отдавая предпочтение высокоцитируемым публикациям и игнорируя менее известные, но потенциально важные исследования.
Проблема дезинформации: ИИ может выдавать недостоверные или спорные результаты, особенно по острым вопросам, что может привести к распространению дезинформации.
Проблема авторства: Делегирование поиска и отбора публикаций ИИ может изменить распределение ответственности за текст и повлиять на вовлеченность и ответственность исследователя.
Сложность оценки результатов: ИИ может выдавать результаты, которые требуют критической оценки со стороны пользователя, что может быть трудно осуществить из-за непрозрачности алгоритмов.

Что делать с ИИ-сервисами: рекомендации

ИИ-инструменты – мощное дополнение к традиционным методам поиска, но не их замена. Важно использовать ИИ-сервисы с пониманием их возможностей и ограничений.

Рекомендации:

Использовать ИИ-сервисы как дополнение: ИИ-инструменты могут быть полезны для быстрого обзора темы, но не должны заменять детальный анализ литературы.
Критически оценивать результаты: Необходимо всегда проверять результаты поиска, полученные с помощью ИИ, опираясь на другие источники и анализируя достоверность данных.
Изучать интерфейс и возможности инструментов: Важно понимать, как работает конкретный ИИ-сервис, чтобы использовать его возможности наиболее эффективно.
Применять различные типы инструментов: Необходимо использовать разные инструменты для поиска (текстовый поиск, семантический поиск, научные социальные сети, классические библиографические каталоги), чтобы получить полное и точное представление о теме.
Развивать навыки промт-инжиниринга: Умение правильно формулировать запросы – ключевой навык при работе с ИИ.
Следить за развитием ИИ: Важно быть в курсе последних достижений и изменений в области ИИ, чтобы эффективно использовать новые возможности.

Классификация ИИ-сервисов для работы с научной литературой:

Промты для поиска: Чат-боты (Bard, Perplexity, OpenAI и др.), ora.ai.
Персонализация: Semantic Scholar, SciSpace.
Вопрос-ответ: Чат-боты, Consensus, WolframAlfa.
Продвинутый поиск: scite, System Pro, inciteful, Research Rabbit.
Данные для обзоров: scite, SciSpace, Eclite, Iris.ai, Laser AI.

Источники:

Heidt, A. (2023). Can AI help you write a paper? Nature, 623(7986), 456-458.
Lund, B. D., & Wang, T. (2023). Chatting about ChatGPT: How may AI and LLM impact education? International Journal of Information Management, 69, 102646.
Pinzolits, B. (2024). Artificial intelligence and its implementation in science and education: A literature review. Cogent Education, 11(1), 2301571.
Van Noorden, R., & Perkel, J. (2023). What the scientific community thinks about generative AI. Nature, 623(7988), 674-676.
AI will transform science — now researchers must tame it. (2023). Nature, 621(7979), 657-658.

Как подключиться к Scopus API с помощью ChatGPT: Подробная инструкция

2025-01-11T20:25:48.396Z

Эта инструкция поможет вам получить доступ к данным Scopus через API, даже если у вас нет платной подписки. Мы будем использовать ChatGPT для генерации кода и Google Colab для его запуска. Инструкция основана на видео "Пишем код для подключения к Scopus API c помощью ChatGPT" от канала "какая-то библиотека".

Видео: https://youtu.be/8FXFjBlHnME

Семинар Ивана Стерлигова: https://scientometrics.hse.ru/seminar/

Портал для разработчиков Scopus API: https://dev.elsevier.com/sc_search_views.html

Операторы для продвинутого поиска: https://dev.elsevier.com/sc_search_tips.html

Поддержать какую-то библиотеку: https://boosty.to/newsinserity

Что вам понадобится:

Аккаунт Google: Для доступа к Google Colab.
Аккаунт на сайте Elsevier: Для получения бесплатного ключа Scopus API.
ChatGPT: Можно использовать бесплатную версию.

Шаг 1: Получаем ключ Scopus API

Перейдите на сайт developer.elsevier.com.
Зарегистрируйтесь (можно использовать аккаунт ВК) или войдите в свой личный кабинет, если он у вас уже есть.
Перейдите в раздел "My API Key" (или "Мои API ключи").
Нажмите "Create API Key" (или "Создать API ключ").
Введите название для ключа (например, "ScopusKeyForResearch"). Это название будет отображаться в вашем профиле на сайте Elsevier.
Поставьте галочку, соглашаясь с условиями использования.
Нажмите кнопку "Submit".
Скопируйте сгенерированный ключ. Он понадобится нам позже. Важно: не закрывайте сразу страницу с ключом, так как он отображается только один раз.

Шаг 2: Настраиваем Google Colab

Перейдите в Google Colab.
Создайте новый блокнот, нажав "New Notebook" (или "Новый блокнот").

Шаг 3: Используем ChatGPT для генерации кода

Перейдите в ChatGPT.
Если у вас платная версия: можете выбрать специализированного бота "Python" в разделе "Explore GPTs" для лучшего результата. Если у вас бесплатная версия: не страшно, обычный ChatGPT тоже справится.
Введите следующий запрос (или аналогичный):Напиши мне код для запуска в Google Colab. Код должен по API подключаться к Scopus, осуществлять поиск по ключевым словам "ваши ключевые слова" и выводить результаты в виде Excel таблицы.content_copydownloadUse code with caution.

Замените "ваши ключевые слова" на ваши реальные ключевые слова.
Рекомендация: Сразу добавьте запрос на добавление столбца с количеством цитирований:Напиши мне код для запуска в Google Colab. Код должен по API подключаться к Scopus, осуществлять поиск по ключевым словам "ваши ключевые слова" и выводить результаты в виде Excel таблицы с указанием количества цитирований для каждой статьи.content_copydownloadUse code with caution.

ChatGPT сгенерирует код и, возможно, команду для установки необходимых библиотек.

Шаг 4: Запускаем код в Google Colab

Установка библиотек (если требуется):

Скопируйте команду для установки библиотек из ChatGPT (обычно это !pip install pandas openpyxl).
Вставьте ее в первую ячейку кода в Google Colab.
Запустите ячейку, нажав на значок "Play" слева от ячейки. Дождитесь завершения установки.

Вставляем код:

Скопируйте сгенерированный ChatGPT код.
Вставьте его во вторую ячейку кода в Google Colab.

Вставляем API ключ:

Найдите в коде строку, похожую на api_key = "YOUR_API_KEY".
Замените YOUR_API_KEY на ваш скопированный ключ Scopus API (из Шага 1, пункт 8). Внимание: Вставляйте ключ без пробелов в начале и в конце.

Меняем ключевые слова (если нужно):

Найдите в коде параметр query.
Замените текст в кавычках на ваши ключевые слова.
Рекомендация: Используйте оператор TITLE для поиска по названию статьи (например, query = 'TITLE("artificial intelligence")').
Для фильтра по году: используйте параметр date (например, query = 'TITLE("artificial intelligence") AND date=2023'). Подробнее о составлении запросов - в разделе "Дополнительные возможности".

Изменяем количество результатов (опционально):

В коде может быть параметр count, ограничивающий количество выводимых результатов (обычно count=25).
Можете изменить его на большее значение, например, count=50. Важно: Не ставьте слишком большое значение, чтобы избежать проблем с подключением.
Примечание: В видео был обнаружен баг с параметром count, из-за которого код не работал. Если после изменения этого параметра код перестал работать, попробуйте вернуть значение по умолчанию.

Запускаем код:

Запустите вторую ячейку с кодом, нажав на значок "Play".

Шаг 5: Работаем с результатами

После выполнения кода в левой панели Google Colab (в разделе "Files" или "Файлы") должен появиться файл в формате .xlsx.
Скачайте файл, нажав на три точки справа от названия файла и выбрав "Download" (или "Скачать").
Откройте скачанный файл в Excel или другом редакторе таблиц. В нем будут результаты поиска по вашему запросу.

Дополнительные возможности (обсуждаем с ChatGPT):

Добавить количество цитирований: Если вы не сделали этого сразу в запросе к ChatGPT, попросите его позже: "Сделай так, чтобы в результатах поиска выводилось еще количество цитирований". ChatGPT обновит код.
Добавить фильтр по году: Спросите ChatGPT: "Как добавить фильтр по году в запрос?". Он подскажет, как использовать параметр date (например, date=2023 или date=2020-2023).
Использовать оператор TITLE: Для более точного поиска по ключевым словам в названии статьи используйте оператор TITLE (например, TITLE("ключевое слово")).
Другие операторы и фильтры: Ознакомьтесь с документацией Scopus API или спросите у ChatGPT о других возможностях составления поисковых запросов (например, поиск по автору, аффилиации, типу документа и т.д.). Помните, что любой запрос вы можете протестировать на странице "Search" в личном кабинете developer.elsevier.com в разделе "Scopus APIs".

Решение проблем:

Ошибки в коде: Если код не запускается, скопируйте текст ошибки и отправьте его ChatGPT с просьбой исправить. ChatGPT предложит обновленный код. Вставляйте обновления строк кода, а не весь код, как советует автор в видео, чтобы не запутаться.
Пустой результат: Проверьте правильность API ключа (отсутствие пробелов), ключевых слов и фильтров. Попробуйте упростить запрос. Убедитесь, что по вашему запросу в Scopus есть статьи.
Проблемы с подключением: Если вы видите сообщение об ошибке, связанное с подключением, возможно, вы сделали слишком много запросов за короткий промежуток времени. Подождите немного и попробуйте снова.

Важно:

Не злоупотребляйте запросами к API, чтобы избежать временной блокировки.
Если вы часто работаете со Scopus API, рекомендую изучить его документацию на сайте Elsevier для более эффективного использования.

Успешных исследований!