Scientific exploration, collaboration and labor division in the large language model era
Diese Studie zeigt auf, dass die weit verbreitete Einführung großer Sprachmodelle seit 2022 mit einer signifikanten Reorganisation der wissenschaftlichen Praxis einherging, die durch verstärkte interdisziplinäre Exploration, eine fluidere und differenziertere Arbeitsteilung innerhalb von Teams sowie eine Entkopplung der Forschungsdiversität von der Kollaborationsdiversität unter KI-gestützten Wissenschaftlern gekennzeichnet ist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Welt der wissenschaftlichen Forschung als eine riesige, geschäftige Bibliothek vor, in der tausende von Entdeckern versuchen, das Unbekannte zu kartieren. Lange Zeit blieben diese Entdecker (Wissenschaftler) meist in ihren eigenen spezifischen Gängen. Ein Botaniker blieb in der Pflanzenabteilung, während ein Physiker in der Physikabteilung blieb. Sie bildeten Teams mit Menschen, die dasselbe wussten wie sie selbst, und jeder in dem Team hatte eine sehr klare, starre Aufgabe: Eine Person kam auf die große Idee, eine andere machte die Mathematik und eine dritte schrieb den Bericht. Doch vor kurzem ist ein neues Superwerkzeug eingetroffen: Large Language Models (LLMs). Betrachten Sie diese als unglaublich kluge, sofort einsatzbereite Übersetzer und Forschungsassistenten, die Millionen von Büchern in Sekunden lesen, Code schreiben und komplexen Jargon in einfache Sprache übersetzen können. Die große Frage ist nicht nur, ob diese Werkzeuge Wissenschaftlern helfen, schneller Paper zu schreiben; es ist die Frage, ob diese Werkzeuge die Art und Weise verändern, wie Wissenschaftler forschen, mit wem sie Teams bilden und wie sie die Arbeit aufteilen. Wenn ein Wissenschaftler nun in der Lage ist, ein Fachgebiet, das er noch nie studiert hat, sofort zu verstehen, beginnt er dann, in neue Gänge zu wandern? Brauchen sie andere Arten von Freunden? Und braucht ein Team noch einen strengen Chef und einen strengen Arbeiter, oder fängt jeder an, ein bisschen von allem zu machen?
Diese Arbeit wirft einen riesigen Blick auf über 775.000 Wissenschaftler und mehr als 137.000 Forschungsarbeiten, um zu sehen, was geschah, nachdem diese KI-Werkzeuge Ende 2022 weit verbreitet wurden. Die Forscher fanden heraus, dass die wissenschaftliche Welt ein großes Makeover erhält. Nach 2022 begannen Wissenschaftler, viel weiter über ihr eigenes Stammland hinauszuziehen. Sie lasen nicht mehr nur Bücher in ihrem eigenen Gang; sie sprangen in völlig andere Abschnitte der Bibliothek. Zum Beispiel begann ein Forscher, der normalerweise Biologie studierte, Forschungsarbeiten zu veröffentlichen, die Berührungpunkte mit Ingenieurwesen und Informatik hatten. Diese „Exploration“ war besonders stark unter Wissenschaftlern ausgeprägt, die bereits etabliert in ihren Karrieren waren und jenen aus Ländern, in denen Englisch nicht die Hauptsprache ist. Es ist, als hätten die KI-Werkzeuge ihnen einen universellen Schlüssel gegeben, um Türen zu öffnen, die früher durch Sprachbarrieren oder die schiere Schwierigkeit, das Vokabular eines neuen Fachgebiets zu lernen, verschlossen waren.
Die Studie untersuchte auch, mit wem Wissenschaftler zusammenarbeiteten. Früher bestanden Teams oft aus Menschen mit demselben Hintergrund. Jetzt werden die Teams immer mehr zu einem „Schmelztiegel“. Wissenschaftler arbeiten mit Menschen aus vielfältigeren Fachgebieten zusammen als je zuvor. Es gibt jedoch eine Wendung: Die Wissenschaftler, die diese KI-Werkzeuge am meisten nutzen, scheinen in der Lage zu sein, einen Teil dieser fachübergreifenden Arbeit auf eigene Faust zu leisten, ohne einen menschlichen Experten aus diesem anderen Fachgebiet zu benötigen, der ihnen an der Hand hält. Es deutet darauf hin, dass die KI wie eine persönliche Brücke wirkt, die es einem einzelnen Wissenschaftler ermöglicht, einen Fluss zu überqueren, der früher ein ganzes Team von Ruderern erfordert hätte.
Schließlich untersuchte die Arbeit, wie die Arbeit innerhalb dieser Teams aufgeteilt wird. In der Vergangenheit konnte ein Team jemanden haben, der als „Konzeptualisierer“ die Idee ausdachte, und einen „Manager“, der das Geschäft leitete, mit sehr wenig Überschneidung. Jetzt werden die Rollen flüssiger und spezialisierter. Die Studie fand heraus, dass einzelne Wissenschaftler weniger, aber dafür deutlichere Rollen übernehmen. Anstatt dass jeder versucht, ein bisschen von allem zu machen, teilt sich das Team die Aufgaben schärfer auf. Es gibt zum Beispiel eine große Zunahme bei Personen, die „Software“- und „Validierungs“-Rollen (das Überprüfen der Arbeit) übernehmen, während Rollen wie „Konzeptualisierung“ und „Management“ pro Person seltener werden. Es ist wie bei einer Band, in der der Schlagzeuger früher auch gesungen und Gitarre gespielt hat, aber jetzt trommelt der Schlagzeuger nur, der Sänger nur singt und sie sich darauf verlassen, dass die KI beim Schreiben der Texte und beim Stimmen der Instrumente hilft.
Die Autoren sagen vorsichtig, dass sie nicht bewiesen haben, dass die KI all diese Veränderungen direkt verursacht hat, aber der Zeitpunkt und die Muster legen nahe, dass sie gemeinsam geschehen. Sie fanden heraus, dass die Wissenschaftler, die bereits abenteuerlustiger und interdisziplinärer waren, die ersten waren, die diese Werkzeuge adaptierten, und die Werkzeuge scheinen sie noch mehr dazu gemacht zu haben. Es ist eine Geschichte von „Selektion plus Verstärkung“: Die Entdecker bekamen bessere Werkzeuge, und die Werkzeuge halfen ihnen, noch weiter zu explorieren. Während diese Reorganisation der Wissenschaft aufregend aussieht und darauf hindeutet, dass wir Probleme schneller lösen könnten, warnt das Paper, dass dies nicht automatisch bedeutet, dass die Wissenschaft besser ist. Nur weil ein Team kleiner, vielfältiger und im Einsatz von KI ist, garantiert das nicht, dass die Ergebnisse perfekt sind; Menschen müssen die Arbeit immer noch doppelt prüfen, um sicherzustellen, dass die KI keine Fakten erfunden hat. Letztendlich scheint die Ära der Large Language Models die sehr Struktur dessen, wie Wissenschaft betrieben wird, neu zu gestalten – indem sie starre Teams in flexible, modulare Gruppen von Entdeckern verwandelt, die bereit sind, Grenzen als je zuvor zu überschreiten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.