💬 NLP

Measuring research data reuse in scholarly publications using generative artificial intelligence: Open Science Indicator development and preliminary results

طورت PLOS وDataSeer مؤشراً جديداً قائماً على النماذج اللغوية الكبيرة يكشف عن معدل إعادة استخدام للبيانات البحثية بنسبة 43% في المنشورات العلمية، مما يثبت أن الذكاء الاصطناعي التوليدي يمكنه قياس آثار العلم المفتوح على نطاق واسع ويشير إلى أن الآثار الإيجابية لمشاركة البيانات مستهان بها حالياً.

المؤلفون الأصليون: Lauren Cadwallader, Iain Hrynaszkiewicz, parth sarin, Tim Vines

نُشر 2026-05-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lauren Cadwallader, Iain Hrynaszkiewicz, parth sarin, Tim Vines

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل عالم البحث العلمي كمطبخ ضخم وصاخب. لسنوات، حاولنا معرفة عدد المرات التي يستخدم فيها الطهاة (العلماء) بالفعل المكونات (البيانات) التي تركها طهاة آخرون على المنضدة، بدلاً من مجرد تقطيع خضروات جديدة تماماً من حدائقهم الخاصة.

هذه الورقة البحثية تتحدث عن "كاميرا ذكية" جديدة عالية التقنية قام ببنائها PLOS (دار نشر علمية) وDataSeer (شركة تقنية) لالتقاط صورة لهذا المطبخ وعدّ كمية مشاركة المكونات بدقة.

إليك تفاصيل مشروعهم بكلمات بسيطة:

المشكلة: إعادة الاستخدام "الصامتة"

في السابق، حاولنا عدّ المرات التي يعيد فيها العلماء استخدام البيانات بطريقتين رئيسيتين:

سؤالهم مباشرة: أظهرت الاستطلاعات أن حوالي 50% من العلماء يقولون: "نعم، أنا أستخدم بيانات الآخرين".
البحث عن الاستشهادات الرسمية: بحثنا عن ملاحظات "شكر" رسمية (استشهادات) في الأوراق البحثية. لكن هذه الطريقة كانت تشبه محاولة عدّ الضيوف في حفلة من خلال النظر فقط إلى الأشخاص الذين يرتدون بطاقات تعريفية. لقد أغفلت الجميع ممن كانوا يدردشون في الزوايا فحسب. أشارت هذه الطريقة إلى أن إعادة الاستخدام كانت منخفضة جداً (حوالي 9-16%).

كان هناك فجوة كبيرة بين ما يقوله العلماء عما يفعلونه وما تستطيع طريقة "بطاقة التعريف" رؤيته.

الحل: "القارئ الخارق" المدعوم بالذكاء الاصطناعي

لحل هذه المشكلة، بنى الفريق ذكاءً اصطناعياً توليدياً (نوع من الأدمغة الحاسوبية الذكية) يعمل كقارئ شديد الانتباه. بدلاً من مجرد البحث عن استشهادات رسمية، يقرأ هذا الذكاء الاصطناعي نص الورقة العلمية بالكامل لفهم القصة.

تخيل الأمر كأنه محقق لا يبحث فقط عن بصمة إصبع محددة، بل يقرأ المذكرات بأكملها ليعرف ما إذا كان الشخص قد استعار كتاباً من المكتبة أو اشتراه.

كيف دربوا الذكاء الاصطناعي:

عرضوا على الذكاء الاصطناعي آلاف المقالات العلمية وعلموه رصد ثلاثة أشياء:
1. هل أنشأ المؤلف بيانات جديدة (مثل زراعة خضروات جديدة)؟
2. هل أعاد المؤلف استخدام بيانات موجودة (مثل استخدام بقايا مكونات شخص آخر)؟
3. لماذا فعلوا ذلك؟ ("التعليل").
اختبروا الذكاء الاصطناعي مقابل خبراء بشريين للتأكد من دقته. أصبح الذكاء الاصطناعي جيداً جداً في هذا، حيث حدد إعادة الاستخدام بشكل صحيح بنسبة 85% تقريباً.

النتائج: المطبخ أكثر نشاطاً مما اعتقدنا

حلل الذكاء الاصطناعي 4,475 ورقة علمية نُشرت في الأشهر الثلاثة الأولى من عام 2024. وإليكم ما وجده:

الرقم الكبير: 43% من الأوراق أعادت استخدام البيانات.
المقارنة: هذا الرقم أعلى بكثير من طريقة "الاستشهاد الرسمي" القديمة (التي رأت حوالي 10% فقط)، ولكنه يتماشى بشكل أفضل مع ما أخبرنا به العلماء في الاستطلاعات (التي قالت حوالي 50%).
الخلاصة: كانت الطرق القديمة، على الأرجح، تقلل من تقدير مدى تعاون وفائدة العلماء فعلياً. "إعادة الاستخدام" تحدث، ولكنها غالباً ما تحدث داخل نص الورقة دون إرفاق ملاحظة "شكر" رسمية.

أنماط مثيرة للاهتمام

لاحظ الذكاء الاصطناعي أيضاً اختلافات عبر المناطق والموضوعات:

حسب المنطقة: كان العلماء في منطقة آسيا والمحيط الهادئ هم الأكثر عرضة لإعادة استخدام البيانات (46%)، بينما كانوا في أفريقيا الأقل عرضة لذلك (31%). يشير المؤلفون إلى أن هذا قد يكون مرتبطاً بكيفية مشاركة البيانات عالمياً والمخاوف بشأن من يملك البيانات.
حسب الموضوع:
- كانت العلوم الفيزيائية والعلوم الاجتماعية الأكثر توازناً، حيث أعادوا استخدام البيانات بنفس وتيرة إنشاء بيانات جديدة تقريباً.
- كانت العلوم الحياتية (مثل البيولوجيا) هي الأكثر عرضة لإنشاء بيانات جديدة تماماً (76%) والأقل عرضة لإعادة استخدام البيانات الموجودة (37%).

لماذا هذا مهم

يجادل المؤلفون بأننا إذا نظرنا فقط إلى الاستشهادات الرسمية، فإننا سنفقد الصورة الكاملة لكيفية عمل العلم المفتوح. باستخدام هذه "الكاميرا الذكية" للذكاء الاصطناعي، يمكننا أن نرى أن مشاركة البيانات لها تأثير أكبر مما كنا نعتقد.

ملاحظة هامة حول الحدود:
يقول المؤلفون بحذر إن هذا "عمل قيد التطوير". وهم يعترفون بـ:

قد يكون من الصعب التمييز بين استخدام بياناتك القديمة وبيانات شخص آخر.
لقد نظروا فقط في الأوراق من ناشر واحد (PLOS)، لذا قد تبدو النتائج مختلفة في المجلات الأخرى.
الذكاء الاصطناعي ليس مثالياً بعد، لكنه خطوة كبيرة للأمام مقارنة بالطرق القديمة للعدّ.

باختصار، تقدم هذه الورقة أداة جديدة تساعدنا على رؤية أن العلماء يشاركون ويعيدون استخدام أعمال بعضهم البعض بمعدل أكبر مما أدركناه، مما يشير إلى أن حركة "العلم المفتوح" تعمل بشكل أفضل مما كانت تظهره أدوات القياس القديمة لدينا.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "قياس إعادة استخدام بيانات البحث في المنشورات العلمية باستخدام الذكاء الاصطناعي التوليدي: تطوير مؤشر العلوم المفتوحة والنتائج الأولية."

1. بيان المشكلة

لطالما عانى المجتمع العلمي من أجل قياس إعادة استخدام بيانات البحث بدقة وعلى نطاق واسع.

محدودية الطرق الحالية:
- الاستطلاعات: على الرغم من أن الاستطلاعات القائمة على التقارير الذاتية تشير إلى معدلات إعادة استخدام عالية (52-54٪)، إلا أنها ذاتية وغير قابلة للتوسع.
- المقاييس الببليومترية: يعتمد تحليل الاقتباس التقليدي على اقتباسات مجموعات البيانات الرسمية (مثل معرفات DOI). ومع ذلك، يتم تنفيذ هذه الاقتباسات بشكل غير متسق، والعديد من مجموعات البيانات المعاد استخدامها (مثل التسلسلات الجينية) تفتقر إلى المعرفات المستمرة. تشير النهج الببليومترية حاليًا إلى معدلات إعادة استخدام تتراوح بين 9-16٪ فقط، مما يخلق فجوة كبيرة بين السلوك المُبلغ عنه والمقاييس المكتشفة.
- معالجة اللغات الطبيعية (NLP) الحالية: أظهرت المحاولات الآلية السابقة (على سبيل المثال، باستخدام SciBERT) نتائج واعدة ولكنها غالبًا ما تفتقر إلى الدقة للتمييز بين توليد البيانات، وإعادة استخدامها، أو مجرد الإشارة إليها، أو تفشل في التقاط سياق كيفية وسبب إعادة استخدام البيانات.
الفجوة: هناك حاجة ماسة لمؤشر آلي وقابل للتوسع يمكنه اكتشاف إعادة استخدام البيانات في النصوص، وتحديد مجموعات بيانات محددة، وفهم سياق إعادة الاستخدام، وبالتالي توفير صورة أكثر دقة لتأثير سياسات العلوم المفتوحة.

2. المنهجية

قام المؤلفون (PLOS و DataSeer) بتطوير مسار عمل للذكاء الاصطناعي التوليدي (LLM) لتحليل المقالات العلمية بحثًا عن توليد البيانات وإعادة استخدامها.

أ. تعريف المؤشر

من خلال مراجعة الأدبيات واستشارة أصحاب المصلحة (الممولين، المؤسسات، الباحثين)، حددوا ثلاثة متطلبات أساسية للمؤشر:

تحديد ما إذا كان المقال يعيد استخدام بيانات البحث.
تحديد أي مجموعات بيانات محددة تمت إعادة استخدامها.
تحديد كيف أو لماذا تمت إعادة استخدام البيانات (الاستنتاج السياقي).

ب. تطوير النموذج وهندسته

النموذج الأساسي: قام الفريق بإجراء ضبط دقيق لنموذج Qwen3-32B (نموذج لغوي كبير).
بيانات التدريب: مجموعة بيانات منسقة تضم 1,732 مقالاً من PLOS تم تصنيفها من قبل خبراء بشريين. شملت التصنيفات تسميات منطقية (Boolean) لتوليد/إعادة استخدام البيانات، واستخراج الاقتباسات، وأرقام الوصول، وعناوين URL، ومعرفات DOI.
استراتيجية التدريب:
- التقنية: تم تطبيق التكيف منخفض الرتبة (LoRA) على جميع الطبقات الخطية (باستثناء الرأس النهائي).
- التحسين: عملية تدريب على مرحلتين:
  1. التقطير الذاتي (Self-Distillation): الضبط الدقيق بناءً على الإكمالات ذات المكافأة العالية (≥0.9) من عملية تحقق.
  2. التعلم التعزيزي (RL): استخدام تحسين السياسة النسبي للمجموعات (GRPO) لتنقية النموذج.
دالة المكافأة: تم تصميم دالة مكافأة ضربية $r(p, c, y) = f(c) \times e(p, c) \times v(c, y)$ $r (p, c, y) = f (c) \times e (p, c) \times v (c, y)$ لفرض ما يلي:
1. التنسيق ( $f$ ): هيكل JSON صالح.
2. التأصيل ( $e$ ): عدم وجود هلوسات؛ يجب أن تكون المخرجات مدعومة بالنص المصدر.
3. الدقة ( $v$ ): الاتفاق مع التصنيفات البشرية.
مسار الاستدلال:
- تم تحويل المقالات إلى صيغة Markdown (باستخدام markitdown و Docling).
- تم تقليص المقالات الطويلة (>25 ألف توكن) مع الحفاظ على الملخصات والمراجع.
- استراتيجية Pass@3: لكل مقال، قام النموذج بتوليد ثلاثة إكمالات. قام نموذج تحقق (القاعدة Qwen3-32B) بترتيبها، وتم اختيار الإكمال الأعلى تصنيفًا.

ج. التقييم

تم تقييم النموذج على مجموعة اختبار محجوزة مكونة من 296 مقالاً.

الأداء: حقق النموذج دقة عالية في الحقول المنطقية (89.8% لـ pass@1 لتوليد بيانات جديدة؛ 79.4% لإعادة الاستخدام) وسجل درجات F1 قوية لاستخراج المعرفات المحددة (على سبيل المثال، 0.997 F1 لاقتباسات البيانات الجديدة).
المقارنة: تفوق على النماذج المفتوحة الأخرى التي تم اختبارها (GLM-5, gpt-oss-120b, Deepseek-R1).

3. النتائج الرئيسية

حلل النموذج 4,475 مقالاً من PLOS نُشرت في الربع الأول من عام 2024.

معدل إعادة الاستخدام الإجمالي: وجد أن 43% من المقالات تعيد استخدام البيانات الموجودة. وهذا أعلى بكثير من التقديرات الببليومترية (9-16٪) وأقرب إلى بيانات الاستطلاعات القائمة على التقارير الذاتية (>50٪).
توليد البيانات: 59% من المقالات تولد بيانات جديدة.
التداخل: 11% من المقالات قامت بكل من توليد بيانات جديدة وإعادة استخدام بيانات موجودة.
المقالات غير المتعلقة بالبيانات: 10% من المقالات لم تولد أو تعيد استخدام البيانات (وهي نسبة أعلى من مؤشرات PLOS السابقة، بسبب التعريفات الأكثر صرامة التي تستبعد المحاكاة البحتة أو المراجعات المنهجية).

التفصيل حسب المنطقة والتخصص

المنطقة:
- آسيا والمحيط الهادئ: أعلى معدل إعادة استخدام (46%).
- أفريقيا: أدنى معدل إعادة استخدام (31%)، مع معدلات أعلى لتوليد بيانات جديدة (66%). يشير المؤلفون إلى أن هذا قد يتعلق بقضاما سيادة البيانات أو "علوم الهليكوبتر" (Helicopter Science).
- أمريكا الشمالية، أمريكا اللاتينية، أوروبا: تجمعت معدلات إعادة الاستخدام حول 39-42%.
التخصص:
- العلوم الاجتماعية: أعلى معدل إعادة استخدام (50%).
- العلوم الفيزيائية: إعادة استخدام عالية (47%) ولكنها أيضًا أعلى معدل للمقالات التي لا تتضمن توليد بيانات أو إعادة استخدام (18%).
- علوم الحياة: أعلى معدل لتوليد البيانات الجديدة (76%) ولكن أدنى معدل لإعادة الاستخدام (37%).

4. المساهمات الرئيسية

مؤشر مبتكر: تطوير أول مؤشر قائم على نماذج اللغات الكبيرة (LLM) قادر على قياس إعادة استخدام البيانات على نطاق واسع، متجاوزًا مجرد عد الاقتباسات إلى التحليل الدلالي للنصوص.
الفهم السياقي: على عكس الطرق السابقة، يستخرج هذا النهج الاستنتاج وراء إعادة الاستخدام (كيف/لماذا)، مما يوفر بيانات وصفية (Metadata) أغنى لتقييم الأثر.
التحقق من الأداء: أثبت أن النماذج اللغوية الكبيرة التي تم إجراء ضبط دقيق لها يمكن أن تحقق دقة عالية في اكتشاف الممارسات البحثية المعقدة، متفوقة على المقاييس الببليومترية التقليدية ونماذج معالجة اللغات الطبيعية السابقة.
تعريفات منقحة: وضحت التمييز بين "توليد البيانات" (نقل المعلومات من العالم المادي إلى الرقمي) و"إعادة الاستخدام"، مما صحح التقديرات المبالغ فيها في مؤشرات العلوم المفتوحة السابقة لـ PLOS (التي سجلت معدلات توليد بنسبة 98%).

5. الأهمية والآثار المترتبة

إعادة تقييم أثر العلوم المفتوحة: تشير النتائج إلى أن الآثار الإيجابية لمشاركة البيانات وسياسات العلوم المفتوحة يتم تقديرها بأقل من قيمتها الحقيقية حاليًا بواسطة المقاييس التقليدية. يشير معدل إعادة الاستخدام البالغ 43% إلى وجود نظام حيوي لإعادة استخدام البيانات تفشل المقاييس الببليومترية في رصده.
السياسة والتمويل: توفر هذه الأداة للممولين (مثل مؤسسة Michael J. Fox Foundation) وصناع السياسات آلية قابلة للتوسع لمراقبة الآثار المترتبة على تفويضات مشاركة البيانات، والانتقال من قياس الامتثال (المشاركة) إلى قياس الأثر (إعادة الاستخدام).
ممارسات الاقتباس: تسلط الدراسة الضوء على أن الباحثين غالبًا ما يصفون استخدام البيانات بطرق لا تتوافق مع معايير الاقتباس الرسمية، مما يعزز الحاجة إلى تحليل المحتوى المدعوم بالذكاء الاصطناعي بدلاً من الاعتماد فقط على البيانات الوصفية المهيكلة.
الاتجاهات المستقبلية: يشير المؤلفون إلى قيود تتعما الفرق بين إعادة استخدام بيانات المرء الخاصة مقابل بيانات الآخرين، والحاجة إلى تحقق أوسع عبر مختلف المجلات والتخصصات.

في الختام، تثبت هذه الورقة أن الذكاء الاصطناعي التوليدي يعد أداة فعالة ومتفوقة لمراقبة مدى انتشار وطبيعة إعادة استخدام بيانات البحث، مما يوفر أساسًا أكثر دقة لتقييم نجاح مبادرات العلوم المفتوحة.