Die Wissenschaft hat sich schon immer auf das geschriebene Wort verlassen, um zu vermitteln, wie Entdeckungen gemacht wurden. Ein Forscher beschreibt ein Experiment in einem Fachartikel, indem er Listen von Materialien, Einstellungen an Maschinen und Schritt-für-Schritt-Anleitungen in Textabsätze verwebt. Dieser Ansatz funktioniert gut für menschliche Leser, die den Kontext erschließen und Lücken füllen können, stellt aber eine erhebliche Barriere für Maschinen dar. Computer haben Schwierigkeiten zu verstehen, dass „auf 80 Grad erhitzt“ in der einen Arbeit dasselbe bedeutet wie „auf 353 Kelvin gehalten“ in einer anderen, oder dass ein spezifischer chemischer Prozess in einem Biologielabor einer ähnlichen Logik folgt wie einer im Chemielabor. Da die Wissenschaft immer automatisierter und interdisziplinärer wird, mit Systemen künstlicher Intelligenz und Robotik-Laboren, die versuchen, diese Anweisungen zu lesen und auszuführen, ist der Mangel an einer gemeinsamen, strukturierten Sprache für wissenschaftliche Methoden zu einem Engpass geworden. Ohtl die Möglichkeit, die Prosa der Entdeckung in ein starres, maschinenlesbares Format zu übersetzen, bleibt das Potenzial für den Vergleich von Studien, die Reproduktion von Ergebnissen und die Automatisierung der Forschung weitgehend ungenutzt.

Um diese Lücke zu schließen, hat ein großes, internationales Forscherteam SciSchema.org vorgestellt, eine neue Sammlung strukturierter Vorlagen, die darauf ausgelegt sind, wissenschaftliche Prozesse so zu beschreiben, dass sowohl Menschen als auch Computer sie verstehen können. Das Team, das sich aus Experten aus so unterschiedlichen Bereichen wie Biologie, Physik, Psychologie und Materialwissenschaft zusammensetzt, hat diese Vorlagen nicht einfach von Hand geschrieben. Stattdessen entwickelten sie einen kollaborativen Workflow, bei dem menschliche Experten KI-Modelle anleiteten, um tausende wissenschaftliche Arbeiten zu durchforsten und die wesentlichen Bestandteile spezifischer Experimente zu extrahieren. Das Ergebnis ist eine Reihe von 16 unterschiedlichen „Schemas“ oder strukturierten Entwürfen, die Prozesse abdecken, die von der Editierung von Genen mittels CRISPR-Cas9 bis hin zur Rekonstruktion von Neutrino-Ereignissen in der Teilchenphysik reichen. Diese Schemata definieren genau, welche Informationen für einen bestimmten Typ von Experiment erfasst werden müssen – wie etwa die spezifischen verwendeten Instrumente, die Bedingungen, unter denen sie betrieben wurden, und die präzisen durchgeführten Schritte – und transformieren die ungeordnete, unstrukturierte Prosa traditioneller Arbeiten in saubere, vergleichbare Daten.

Das Projekt begann mit der Identifizierung von 16 spezifischen wissenschaftlichen Prozessen, die gut etabliert sind und häufig in der Literatur beschrieben werden, um sicherzustellen, dass genügend Material zur Verfügung steht. Das Team rekrutierte dann für jeden Prozess Fachgelehrte, von Molekularbiologen bis hin zu Psychologen, die als Wegweiser fungierten. Diese Experten lieferten eine grundlegende Beschreibung der Standardverfahren ihres Feldes sowie eine Sammlung relevanter wissenschaftlicher Arbeiten. Der Kern der Arbeit war ein „Human-in-the-Loop“-System, bei dem große Sprachmodelle – fortgeschrittene KI-Werkzeuge, die in der Lage sind, Texte zu lesen und zu verstehen – damit beauftragt wurden, diese Arbeiten zu lesen und einen strukturierten Entwurf für den Prozess vorzuschlagen. Die KI scannte den Text, identifizierte wiederkehrende Details wie Temperatureinstellungen oder chemische Konzentrationen und entwarf ein Schema, das diese Details in logische Kategorien organisierte.

Die KI arbeitete jedoch nicht allein. Nachdem die Modelle ihre ersten Entwürfe generiert hatten, überprüften die menschlichen Experten diese, wiesen auf fehlende Details hin, korrigierten die Terminologie und schlugen vor, wie verschiedene Informationseinheiten gruppiert werden sollten. Dieses Feedback floss zurück in die KI, die daraufhin ihre Entwürfe verfeinerte. Dieser Zyklus aus Generierung und Expertenkorrektur wurde über mehrere Phasen hinweg wiederholt, wobei die KI mit jedem Schritt mehr Arbeiten las. Der Prozess war als iterativ konzipiert, sodass die KI aus den Korrekturen der Experten lernen und schrittweise eine genauere und umfassendere Struktur aufbauen konnte. Das Team testete diesen Workflow mit 12 verschiedenen KI-Modellen, die von kleineren, schnelleren Modellen bis hin zu massiven, komplexen Modellen reichten, um zu sehen, welche Ansätze die besten Ergebnisse lieferten.

Das Ergebnis dieses rigorosen Prozesses war die Erstellung von 16 fertigen, fachlich annotierten Schemata. Jedes Schema dient als Master-Vorlage für eine spezifische Art wissenschaftlicher Prozesse. Beispielsweise definiert das Schema für die „Polymerase-Kettenreaktion“, eine gängige Technik zur Vervielfältigung von DNA, spezifische Felder für die verwendeten biologischen Materialien, das Design der genetischen Primer, die thermischen Zyklusbedingungen und die resultierenden Daten. Ähnlich skizziert das Schema für die „Ermüdungsprüfung metallischer Werkstoffe“ Felder für die Art des Metalls, die Form der Testprobe, die angewendeten Kräfte und die Umgebungsbedingungen. Diese Schemata sind nicht mit Daten aus spezifischen Experimenten gefüllt; vielmehr sind sie die leeren Formulare, die Wissenschaftler nutzen können, um ihre eigenen Daten auf eine standardisierte Weise zu erfassen. Durch die Verwendung dieser Vorlagen kann ein Forscher sicherstellen, dass jedes kritische Detail seines Experiments in einem Format erfasst wird, das leicht durchsuchbar, mit anderen Studien vergleichbar und von Software verarbeitbar ist.

Die Forscher fanden heraus, dass die Qualität der fertigen Schemata stark von der Zusammenarbeit zwischen der KI und den menschlichen Experten abhing. Während die KI-Modelle in der Lage waren, komplexe Strukturen zu generieren und Muster über hunderte von Arbeiten hinweg zu identifizieren, benötigten sie oft menschliche Anleitung, um die wissenschaftliche Genauigkeit und die angemessene Terminologie zu gewährleisten. Das Team beobachtete, dass die KI-Modelle detaillierter und strukturell komplexer wurden, je mehr Arbeiten sie verarbeiteten und je mehr Runden an Expertenfeedback sie erhielten. Die größten und detailliertesten Schemata wurden von den fortschrittlichsten Modellen zur Befolgung von Anweisungen (Instruction-following Models) generiert, die Entwürfe mit hunderten spezifischer Felder und mehreren Organisationsebenen produzierten. Die endgültige Entscheidung darüber, was eine „Goldstandard“-Struktur ausmachte, lag jedoch immer bei den menschlichen Experten, die die besten Elemente aus den verschiedenen Entwürfen der KI auswählten, um die endgültige Version zu erstellen.

Eine der zentralen Erkenntnisse der Studie war, dass diese Mensch-KI-Partnerschaft qualitativ hochwertige, domänenspezifische Schemata viel schneller produzieren kann, als es traditionelle manuelle Methoden erlauben würden. Das Team schaffte es, alle 16 Schemata in nur zwei Monaten zu entwickeln und zu validieren – ein Zeitrahmen, der unmöglich gewesen wäre, wenn Experten jedes Detail manuell aus tausenden Arbeiten hätte extrahieren und organisieren müssen. Der Prozess zeigte auch, dass verschiedene Arten wissenschaftlicher Prozesse unterschiedliche Detaillierungsgrade erfordern. Einige Prozesse, wie der „Stroop-Task“, der in der Psychologie zur Messung von Reaktionszeiten verwendet wird, führten zu Schemata mit weniger Feldern und geringerer Verschachtelung, was die einfachere, standardisiertere Natur dieser Experimente widerspiegelt. Andere, wie die „Bulk RNA-seq Library Preparation“ in der Biologie, führten zu hochkomplexen Schemata mit tiefen Schichten verschachtelter Informationen, was die komplizierte und mehrstufige Natur der beteiligten Nasslabor-Verfahren widerspiegelt.

Die veröffentlichte Sammlung enthält nicht nur die fertigen Schemata, sondern auch die gesamte Historie ihrer Entstehung. Das Datenarchiv enthält die von der KI generierten Zwischenentwürfe, das Feedback der Experten und die Metadaten der verwendeten Arbeiten. Diese Transparenz ermöglicht es anderen Forschern, genau nachzuvollziehen, wie die Schemata aufgebaut wurden, die Begründung hinter spezifischen Designentscheidungen zu verstehen und die Materialien für ihre eigenen Projekte wiederzuverwenden. Die Schemata sind in zwei Formaten verfügbar: eines, das für Standard-Computerdokumente konzipiert ist, und eines für Wissensgraphen (Knowledge Graphs), also Netzwerke verknüpfter Daten, die dazu dienen, Informationen über verschiedene Quellen hinweg zu verbinden. Dieses duale Format stellt sicher, dass die Schemata in einer Vielzahl von Softwaresystemen eingesetzt werden können, von einfachen Datenerfassungsformularen bis hin zu komplexen wissenschaftlichen Datenbanken.

Die Bedeutung dieser Arbeit liegt in ihrem Potenzial, die Art und Weise, wie wissenschaftliche Erkenntnisse gespeichert und geteilt werden, zu verändern. Indem sie eine strukturierte Methode zur Beschreibung des „Wie“ der Wissenschaft bereitstellt, ermöglicht SciSchema.org den Übergang über die Grenzen der textbasierten Suche hinaus. Anstatt nach Artikeln zu suchen, die ein bestimmtes Schlüsselwort erwähnen, könnten Forscher letztlich nach allen Experimenten suchen, die eine spezifische Kombination aus Instrumenten, Bedingungen und Materialien verwendet haben, unabhängig davon, wie die ursprünglichen Autoren dies in ihrer Prosa beschrieben haben. Diese Fähigkeit ist essenziell für die Zukunft der Wissenschaft, in der die Fähigkeit, Experimente zu vergleichen, zu reproduzieren und zu automatisieren, entscheidend für die Lösung komplexer globaler Herausforderungen sein wird. Das Projekt zeigt, dass künstliche Intelligenz ein mächtiges Werkzeug zur Organisation von Informationen ist, aber am effektivsten ist, wenn sie von menschlicher Expertise geleitet wird, wodurch eine Synergie entsteht, die die Nuancen und die Tiefe wissenschaftlicher Praxis in einer maschinenlesbaren Form erfassen kann.

Das Team hat diese Ressourcen der Öffentlichkeit frei zugänglich gemacht, indem es die Schemata, den zur Erstellung verwendeten Code und die Analysewerkzeuge unter offenen Lizenzen veröffentlicht hat. Dies stellt sicher, dass die wissenschaftliche Gemeinschaft auf diesem Fundament aufbauen, neue Schemata für andere Prozesse hinzufügen und die bestehenden verfeinern kann. Das Projekt beinhaltet zudem Verbindungen zum Open Research Knowledge Graph, einem System, das es ermöglicht, diese strukturierten Beschreibungen direkt mit den ursprünglichen wissenschaftlichen Arbeiten zu verknüpfen, wodurch eine Brücke zwischen dem rohen Text der Entdeckung und den strukturierten Daten der Reproduzierbarkeit geschlagen wird. Damit bietet SciSchema.org einen praktischen Schritt in Richtung einer Zukunft, in der die Methoden der Wissenschaft ebenso zugänglich, vergleichbar und wiederverwendbar sind wie die Ergebnisse selbst.