La scienza si è sempre affidata alla parola scritta per condividere il modo in cui sono state fatte le scoperte. Un ricercatore descrive un esperimento in un articolo di una rivista, intrecciando elenchi di materiali, impostazioni delle macchine e istruzioni passo dopo passo in paragrafi di testo. Questo approccio funziona bene per i lettori umani, che possono inferire il contesto e colmare le lacune, ma crea una barriera significativa per le macchine. I computer faticano a capire che "riscaldato a 80 gradi" in un articolo significa la stessa cosa di "mantenuto a 353 Kelvin" in un altro, o che un processo chimico specifico descritto in un laboratorio di biologia segue una logica simile a uno in un laboratorio di chimica. Man mano che la scienza diventa più automatizzata e interdisciplinare, con sistemi di intelligenza artificiale e laboratori robotici che cercano di leggere ed eseguire queste istruzioni, la mancanza di un linguaggio comune e strutturato per i metodi scientifici è diventata un collo di bottiglia. Senza un modo per tradurre la prosa della scoperta in un formato rigido e leggibile dalle macchine, il potenziale per confrontare gli studi, riprodurre i risultati e automatizzare la ricerca rimane in gran parte inespresso.

Per affrontare questa lacuna, un grande team internazionale di ricercatori ha introdotto SciSchema.org, una nuova collezione di modelli strutturati progettati per descrivere i processi scientifici in un modo che sia comprensibile sia per gli esseri umani che per i computer. Il team, composto da esperti di campi così diversi come la biologia, la fisica, la psicologia e la scienza dei materiali, non ha semplicemente scritto questi modelli a mano. Al contrario, ha sviluppato un flusso di lavoro collaborativo in cui esperti umani hanno guidato modelli di intelligenza artificiale per estrarre, dai migliaia di articoli scientifici, i componenti essenziali di specifici esperimenti. Il risultato è un insieme di 16 distinti "schema", o profili strutturati, che coprono processi che vanno dall'editing dei geni tramite CRISPR-Cas9 alla ricostruzione di eventi di neutrini nella fisica delle particelle. Questi schemi definiscono esattamente quali informazioni devono essere registrate per un dato tipo di esperimento — come gli strumenti specifici utilizzati, le condizioni in cui operavano e i passaggi precisi compiuti — trasformando la prosa disordinata e non strutturata dei tradizionali articoli in dati puliti e confrontabili.

Il progetto è iniziato identificando 16 processi scientifici specifici che sono ben stabiliti e frequentemente descritti nella letteratura, assicurando che ci fosse materiale sufficiente su cui lavorare. Il team ha poi reclutato esperti di dominio per ogni processo, dai biologi molecolari agli psicologi, per agire come guide. Questi esperti hanno fornito una descrizione di base delle procedure standard del loro campo e una collezione di articoli scientifici pertinenti. Il cuore del lavoro è consistito in un sistema "human-in-the-loop" (l'uomo nel ciclo), in cui modelli linguistici di grandi dimensioni — strumenti di IA avanzati capaci di leggere e comprendere il testo — sono stati incaricati di leggere questi articoli e proporre un profilo strutturato del processo. L'IA scansionava il testo, identificava dettagli ricorrenti come le impostazioni della temperatura o le concentrazioni chimiche, e redigeva uno schema che organizzava questi dettagli in categorie logiche.

Tuttove, l'IA non ha lavorato da sola. Dopo che i modelli avevano generato le bozze iniziali, gli esperti umani le hanno revisionate, indicando dettagli mancanti, correggendo la terminologia e suggerendo come diverse parti di informazione dovessero essere raggruppate. Questo feedback veniva riportato nell'IA, che quindi perfezionava le proprie bozze. Questo ciclo di generazione e correzione da parte degli esperti è stato ripetuto in diverse fasi, con l'IA che leggeva un numero sempre maggiore di articoli ad ogni passaggio. Il processo è stato progettato per essere iterativo, permettendo all'IA di imparare dalle correzioni degli esperti e di costruire gradualmente una struttura più accurata e completa. Il team ha testato questo flusso di lavoro utilizzando 12 diversi modelli di IA, che spaziavano da modelli più piccoli e veloci a modelli massicci e complessi, per vedere quali approcci producessero i risultati migliori.

L'esito di questo rigoroso processo è stata la creazione di 16 schemi finali, annotati dagli esperti. Ogni schema funge da modello maestro per un tipo specifico di processo scientifico. Ad esempio, lo schema per la "Reazione a catena della polimerasi", una tecnica comune utilizzata per copiare il DNA, definisce campi specifici per i materiali biologici utilizzati, il design dei primer genetici, le condizioni di ciclaggio termico e i dati risultanti. Allo stesso modo, lo schema per il "Test di fatica di materiali metallici" delinea i campi per il tipo di metallo, la forma del campione di prova, le forze applicate e le condizioni ambientali. Questi schemi non sono riempiti con i dati di esperimenti specifici; piuttosto, sono i moduli vuoti che gli scienziati possono usare per registrare i propri dati in modo standardizzato. Utilizzando questi modelli, un ricercatore può garantire che ogni dettaglio critico del proprio esperimento sia catturato in un formato che possa essere facilmente cercato, confrontato con altri studi ed elaborato da un software.

I ricercatori hanno scoperto che la qualità degli schemi finali dipendeva fortemente dalla collaborazione tra l'IA e gli esperti umani. Sebbene i modelli di IA fossero capaci di generare strutture complesse e identificare schemi attraverso centinaia di articoli, spesso richiedevano la guida umana per garantire l'accuratezza scientifica e la terminologia appropriata. Il team ha osservato che i modelli di IA diventavano più dettagliati e strutturalmente complessi man mano che venivano esposti a più articoli e a più round di feedback degli esperti. Gli schemi più grandi e dettagliati sono stati generati dai modelli di istruzione più avanzati, che producevano profili con centinaia di campi specifici e molteplici livelli di organizzazione. Tuttavia, la decisione finale su cosa costituisse la struttura "gold standard" spettava sempre agli esperti umani, che selezionavano gli elementi migliori dalle varie bozze dell'IA per creare la versione finale.

Uno dei risultati chiave dello studio è stato che questa partnership uomo-IA poteva produrre schemi di alta qualità e specifici per il dominio molto più velocemente di quanto consentirebbero i metodi manuali tradizionali. Il team è riuscito a sviluppare e validare tutti i 16 schemi in soli due mesi, un arco temporale che sarebbe stato impossibile se gli esperti avessero dovuto estrarre e organizzare manualmente ogni dettaglio da migliaia di articoli. Il processo ha anche rivelato che diversi tipi di processi scientifici richiedono diversi livelli di dettaglio. Alcuni processi, come il "Compito di Stroop" usato in psicologia per misurare i tempi di reazione, hanno prodotto schemi con meno campi e meno annidamento, riflettendo la natura più semplice e standardizzata degli esperimenti. Altri, come la "Preparazione della libreria Bulk RNA-seq" in biologia, hanno prodotto schemi altamente complessi con profondi livelli di informazioni annidate, rispecchiando la natura intricata e multi-fase delle procedure di laboratorio (wet-lab) coinvolte.

La collezione rilasciata include non solo gli schemi finali, ma anche l'intera cronologia di come sono stati creati. L'archivio dei dati contiene le bozze intermedie generate dall'IA, il feedback fornito dagli esperti e i metadati degli articoli utilizzati nel processo. Questa trasparenza consente ad altri ricercatori di vedere esattamente come sono stati costruiti gli schemi, di comprendere il ragionamento dietro specifiche scelte di progettazione e di riutilizzare i materiali per i propri progetti. Gli schemi sono disponibili in due formati: uno progettato per documenti informatici standard e un altro per i grafi di conoscenza (knowledge graphs), ovvero reti di dati collegati utilizzati per connettere informazioni tra diverse fonti. Questo doppio formato assicura che gli schemi possano essere utilizzati in una vasta gamma di sistemi software, dai semplici moduli di inserimento dati a complessi database scientifici.

La significatività di questo lavoro risiede nel suo potenziale di cambiare il modo in cui la conoscenza scientifica viene conservata e condivisa. Fornendo un modo strutturato per descrivere il "come" della scienza, SciSchema.org rende possibile andare oltre i limiti della ricerca basata sul testo. Invece di cercare articoli che menzionano una specifica parola chiave, i ricercatori potrebbero eventualmente cercare tutti gli esperimenti che hanno utilizzato una specifica combinazione di strumenti, condizioni e materiali, indipendentemente da come gli autori originali li abbiano descritti nella loro prosa. Questa capacità è essenziale per il futuro della scienza, dove la capacità di confrontare, riprodurre e automatizzare gli esperimenti sarà critica per risolvere problemi globali complessi. Il progetto dimostra che, sebbene l'intelligenza artificiale sia uno strumento potente per organizzare le informazioni, è più efficace quando guidata dall'esperienza umana, creando una sinergia che può catturare la sfumatura e la profondità della pratica scientifica in una forma leggibile dalle macchine.

Il team ha reso queste risorse liberamente disponibili al pubblico, rilasciando gli schemi, il codice utilizzato per generarli e gli strumenti di analisi sotto licenze aperte. Ciò assicura che la comunità scientifica possa costruire su questa base, aggiungendo nuovi schemi per altri processi e perfezionando quelli esistenti secondo necessità. Il progetto include anche connessioni con l'Open Research Knowledge Graph, un sistema che permette a queste descrizioni strutturate di essere collegate direttamente ai documenti scientifici originali, creando un ponte tra il testo grezzo della scoperta e i dati strutturati della riproducibilità. In questo modo, SciSchema.org offre un passo pratico verso un futuro in cui i metodi della scienza saranno accessibili, confrontabili e riutilizzabili tanto quanto i risultati stessi.