لطالما اعتمد العلم على الكلمة المكتوبة لمشاركة كيفية التوصل إلى الاكتشافات. يصف الباحث تجربة في مقال علمي، ناسجاً قائمة من المواد، وإعدادات الآلات، والتعليمات خطوة بخطوة في فقرات نصية. هذا النهج يعمل جيداً للقراء البشر الذين يمكنهم استنتاج السياق وملء الفجوات، ولكنه يخلق عائقاً كبيراً أمام الآلات. فالحواسيب تجد صعوبة في فهم أن عبارة "سُخنت إلى 80 درجة" في ورقة بحثية ما تعني الشيء نفسه لـ "حُفظت عند 353 كلفن" في ورقة أخرى، أو أن عملية كيميائية محددة موصوفة في مختبر بيولوجي تتبع منطقاً مشابهاً لعملية في مختبر كيمياء. ومع تحول العلم إلى كونه أكثر أتمتة وتعدداً للتخصصات، مع وجود أنظمة ذكاء اصطناعي ومختبرات روبوتية تحاول قراءة وتنفيذ هذه التعليمات، أصبح غياب لغة مشتركة ومنظمة للمناهج العلمية يمثل عنق زجاجة. فبدون وسيلة لترجمة نثريات الاكتشاف إلى تنسيق صارم قابل للقراءة آلياً، تظل إمكانات مقارنة الدراسات، وتكرار النتائج، وأتمتة البحث غير مستغلة إلى حد كبير.

ولمعالجة هذه الفجوة، قدم فريق دولي كبير من الباحثين SciSchema.org، وهو مجموعة جديدة من القوالب المنظمة المصممة لوصف العمليات العلمية بطريقة يمكن لكل من البشر والحواسيب فهمها. لم يقم الفريق، الذي يضم خبراء من مجالات متنوعة مثل البيولوجيا والفيزياء وعلم النفس وعلوم المواد، بكتابة هذه القوالب يدوياً فحسب. بدلاً من ذلك، طوروا سير عمل تعاوني حيث وجه الخبراء البشريون نماذج الذكاء الاصطناعي لاستخراج المكونات الأساسية لتجارب محددة من آلاف الأوراق العلمية. والنتيجة هي مجموعة من 16 "مخططاً" (schema) متميزاً، أو مخططات هيكلية، تغطي عمليات تتراوح من تحرير الجينات باستخدام تقنية CRISPR-Cas9 إلى إعادة بناء أحداث النيوترينو في فيزياء الجسيمات. تحدد هذه المخططات بالضبط المعلومات التي يجب تسجيلها لنوع معين من التجارب — مثل الأدوات المحددة المستخدمة، والظروف التي عملت فيها، والخطوات الدقيقة المتخذة — مما يحول النثر الفوضوي وغير المنظم للأوراق التقليدية إلى بيانات نظيفة وقابلة للمقارنة.

بدأ المشروع بتحديد 16 عملية علمية محددة راسخة وموصوفة بشكل متكرر في الأدبيات، لضمان وجود مادة كافية للعمل عليها. ثم قام الفريق بتجنيد خبراء مجال لكل عملية، من علماء البيولوجيا الجزيئية إلى علماء النفس، ليعملوا كمرشدين. قدم هؤلاء الخبراء وصفاً أساسياً للإجراءات القياسية في مجالهم ومجموعة من الأوراق العلمية ذات الصلة. وكان جوهر العمل يتمثل في نظام "الإنسان في الحلقة" (human-in-the-loop)، حيث كُلفت نماذج لغوية كبيرة — وهي أدوات ذكاء اصطناحي متقدمة قادرة على قراءة وفهم النصوص — بقراءة هذه الأوراق واقتراح مخطط هيكلي للعملية. يقوم الذكاء الاصطناعي بمسح النص، وتحديد التفاصيل المتكررة مثل إعدادات درجة الحرارة أو التركيزات الكيميائية، وصياغة مخطط ينظم هذه التفاصيل في فئات منطقية.

ومع ذلك، لم يعمل الذكاء الاصطناعي بمفرده. فبعد أن قامت النماذج بتوليد مسوداتها الأولية، قام الخبراء البشريون بمراجعتها، مشيرين إلى التفاصيل المفقودة، وتصحيح المصطلحات، واقتراح كيفية تجميع قطع المعلومات المختلفة. تم تغذية هذه الملاحظات مرة أخرى إلى الذكاء الاصطناعي، الذي قام بعد ذلك بتنقيح مسوداته. تكررت دورة التوليد والتصحيح من قبل الخبراء عبر عدة مراحل، حيث كان الذكاء الاصطناعي يقرأ المزيد والمزيد من الأوراق في كل خطوة. صُممت العملية لتكون تكرارية، مما يسمح للذكاء الاصطناعي بالتعلم من تصحيحات الخبراء وبناء هيكل أكثر دقة وشمولية تدريجياً. واختبر الفريق سير العمل هذا باستخدام 12 نموذج ذكاء اصطناعي مختلفاً، تتراوح من النماذج الصغيرة والسريعة إلى النماذج الضخمة والمعقدة، لمعرفة أي النهج كانت تنتج أفضل النتائج.

كانت نتيجة هذه العملية الصارمة هي إنشاء 16 مخططاً نهائياً مدققة من قبل الخبراء. يعمل كل مخطط كقالب رئيسي لنوع محدد من العمليات العلمية. على سبيل المثال، يحدد المخطط الخاص بـ "تفاعل البوليميراز المتسلسل" (Polymerase Chain Reaction)، وهو تقنية شائعة تستخدم لنسخ الحمض النووي، حقولاً محددة للمواد البيولوجية المستخدمة، وتصميم البادئات الجينية، وظروف الدورات الحرارية، والبيانات الناتجة. وبالمثل، يحدد المخطط الخاص بـ "اختبار الإجهاد للمواد المعدنية" حقولاً لنوع المعدن، وشكل عينة الاختبار، والقوى المطبقة، والظروف البيئية. لا تمتلئ هذه المخططات بالبيانات من تجارب محددة؛ بل هي النماذج الفارغة التي يمكن للعلماء استخدامها لتسجيل بياناتهم الخاصة بطريقة معيارية. وباستخدام هذه القوالب، يمكن للباحث ضمان تسجيل كل تفصيل حاسم لتجربته في تنسيق يمكن البحث فيه بسهولة، ومقارنته مع الدراسات الأخرى، ومعالجته بواسطة البرامج.

وجد الباحثون أن جودة المخططات النهائية تعتمد بشكل كبير على التعاون بين الذكاء الاصطناعي والخبراء البشريين. وبينما كانت نماذج الذكاء الاصطناعي قادرة على توليد هياكل معقدة وتحديد الأنماط عبر مئات الأوراق، إلا أنها كانت تتطلب غالباً توجيهاً بشرياً لضمان الدقة العلمية والمصطلحات المناسبة. لاحظ الفريق أن نماذج الذكاء الاصطناعي أصبحت أكثر تفصيلاً وتعقيداً من الناحية الهيكلية مع تعرضها لمزيد من الأوراق والمزيد من جولات ملاحظات الخبراء. وقد ولدت أكثر النماذج تقدماً في اتباع التعليمات أكبر المخططات وأكثرها تفصيلاً، حيث أنتجت مخططات تحتوي على مئات الحقول المحددة وطبقات متعددة من التنظيم. ومع ذلك، فإن القرار النهائي بشأن ما يشكل الهيكل "المعياري الذهبي" كان يقع دائماً على عاتق الخبراء البشريين، الذين اختاروا أفضل العناصر من مسودات الذكاء الاصطناعي المختلفة لإنشاء النسخة النهائية.

كان أحد النتائج الرئيسية للدراسة هو أن هذه الشراكة بين الإنسان والذكاء الاصطناعي يمكن أن تنتج مخططات عالية الجودة ومتخصصة في المجال بشكل أسرع بكثير من الطرق اليدوية التقليدية. فقد تمكن الفريق من تطوير جميع المخططات الـ 16 والتحقق من صحتها في شهرين فقط، وهو إطار زمني كان سيكون مستحيلاً إذا اضطر الخبراء لاستخراج وتنظيم كل تفصيل يدوياً من آلاف الأوراق. كما كشفت العملية أن أنواعاً مختلفة من العمليات العلمية تتطلب مستويات مختلفة من التفاصيل. فبعض العمليات، مثل "مهمة ستروب" (Stroop Task) المستخدمة في علم النفس لقياس أوقات الاستجابة، نتج عنها مخططات بحقول أقل وتداخل أقل، مما يعكس الطبيعة الأبسط والأكثر معيارية للتجارب. أما غيرها، مثل "تحضير مكتبة RNA-seq الكلية" في البيولوجيا، فقد نتج عنها مخططات شديدة التعقيد ذات طبقات عميقة من المعلومات المتداخلة، مما يعكس الطبيعة المعقدة والمتعددة الخطوات للإجراءات المختبرية الرطبة المعنية.

تتضمن المجموعة المنشورة ليس فقط المخططات النهائية، بل أيضاً التاريخ الكامل لكيفية إنشائها. يحتوي أرشيف البيانات على المسودات الوسيطة التي ولدها الذكاء الاصطناعي، والملاحظات التي قدمها الخبراء، والبيانات الوصفية للأوراق المستخدمة في العملية. تسمح هذه الشفافية للباحثين الآخرين برؤية كيفية بناء المخططات بالضبط، وفهم المنطق وراء خيارات تصميم معينة، وإعادة استخدام المواد لمشاريعهم الخاصة. تتوفر المخططات بتنسيقين: أحدهما مصمم للمستندات الحاسوبية القياسية والآخر لرسوم المعرفة البيانية (knowledge graphs)، وهي شبكات من البيانات المترابطة المستخدمة لربط المعلومات عبر مصادر مختلفة. يضمن هذا التنسيق المزدوج إمكانية استخدام المخططات في مجموعة واسعة من الأنظمة البرمجية، من نماذج إدخال البيانات البسيطة إلى قواعد البيانات العلمية المعقدة.

تكمن أهمية هذا العمل في إمكانية تغيير كيفية تخزين المعرفة العلمية ومشاركتها. فمن خلال توفير طريقة منظمة لوصف "كيفية" إجراء العلم، يجعل SciSchema.org من الممكن تجاوز قيود البحث القائم على النصوص. فبدلاً من البحث عن مقالات تذكر كلمة رئيسية معينة، يمكن للباحثين مستقبلاً البحث عن جميع التجارب التي استخدمت مزيجاً معيناً من الأدوات والظروف والمواد، بغض النظر عن كيفية وصف المؤلفين الأصليين لها في نصوصهم. هذه القدرة ضرورية لمستقبل العلم، حيث ستكون القدرة على مقارنة وتكرار وأتمتة التجارب أمراً حاسماً لحل التحديات العالمية المعقدة. ويظهر المشروع أنه بينما يعد الذكاء الاصطناعي أداة قوية لتنظيم المعلومات، فإنه يكون أكثر فعالية عندما يتم توجيهه بواسطة الخبرة البشرية، مما يخلق تآزراً يمكنه التقاط دقة وعمق الممارسة العلمية في شكل قابل للقراءة آلياً.

لقد جعل الفريق هذه الموارد متاحة للجمهور مجاناً، حيث أطلق المخططات، والكود المستخدم لإنشائها، وأدوات التحليل بموجب تراخيص مفتوحة. وهذا يضمن أن المجتمع العلمي يمكنه البناء على هذا الأساس، بإضافة مخططات جديدة لعمليات أخرى وتحسين المخططات الموجودة حسب الحاجة. يتضمن المشروع أيضاً روابط مع "رسم المعرفة للبحوث المفتوحة" (Open Research Knowledge Graph)، وهو نظام يسم يسمح بربط هذه الأوصاف المنظمة مباشرة بالأوراق العلمية الأصلية، مما يخلق جسراً بين النص الخام للاكتشاف والبيانات المنظمة لإعادة الإنتاج. وبذلك، يقدم SciSchema.org خطوة عملية نحو مستقبل تكون فيه مناهج العلم سهلة الوصول والمقارنة وإعادة الاستخدام تماماً مثل نتائجها.