Normative boundaries of AI in scientific work: Evidence from PhD researchers
Op basis van een enquête onder 3.785 internationale PhD-onderzoekers identificeert deze studie vier duidelijke attitude-profielen met betrekking tot AI in wetenschappelijk werk, waarbij wordt onthuld dat het comfortniveau van onderzoekers wordt bepaald door taakspecifieke grenzen—het accepteren van AI voor literatuurtaken terwijl het gebruik ervan bij kernintellectuele bijdragen zoals schrijven en experimenteel ontwerp wordt afgewezen—in plaats van een eenvoudige binaire keuze tussen acceptatie of afwijzing.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Wetenschap is altijd een menselijke onderneming geweest, een proces waarbij onderzoekers vragen stellen, bewijs verzamelen en nieuwe inzichten opbouwen door hun eigen geest en handen te gebruiken. Maar een nieuw instrument is de laboratorium en de bibliotheek binnengekomen: kunstmatige intelligentie. Deze systemen kunnen nu teksten schrijven, getallen analyseren en door enorme hoeveelheden informatie zoeken sneller dan welke persoon ook. Deze verschuiving roept een fundamentele vraag op over de toekomst van ontdekking: als een machine het werk kan doen, wie doet dan het denken? De zorg gaat niet alleen over de vraag of het werk wordt gedaan, maar over hoe de aard van onderzoek verandert wanneer mensen en machines de last delen. Als een computer een artikel schrijft of een experiment ontwerpt, verdient de menselijke onderzoeker dan nog de eer? Vindt het leerproces dat een student tot expert transformeert nog wel plaats als de machine het zware werk doet? Dit zijn niet alleen technische vragen over software; het zijn vragen over de regels en waarden die bepalen hoe wetenschap tot stand komt.
Om te begrijpen hoe de volgende generatie wetenschappers met dit nieuwe landschap omgaat, keken onderzoekers Francesco Angelini en Johan Lyrvall rechtstreeks naar de mensen die de toekomst van het onderzoek zullen vormgeven: promovendi. Zij analyseerden gegevens uit een grootschalige enquête onder 3.785 PhD-studenten in de wetenschaps-, technologie-, techniek-, geneeskunde- en gezondheidsvelden wereldwijd. In plaats van een simpel ja-of-nee-vraag te stellen over of studenten graag AI gebruiken, vroegen de onderzoekers hen om aan te geven hoe comfortabel zij zich voelden bij het gebruik van deze instrumenten voor vijf specifieke onderdelen van hun dagelijkelijk werk. De taken varieerden van het bijhouden en samenvatten van wetenschappelijke literatuur tot het schrijven van onderzoeksartikelen, het verzamelen en analyseren van gegevens en het ontwerpen van experimenten. Door te kijken naar hoe studenten over elke specifieke taak dachten, konden de onderzoekers zien of er een patroon in hun denken zat. Ze ontdekten dat studenten niet simpelweg verdeeld waren in twee kampen van "liefhebbers" en "tegenstanders" van AI. In plaats daarvan vormden hun houdingen vier duidelijke groepen, wat een complex beeld gaf van waar zij bereid waren machines te laten helpen en waar zij de grens trokken.
De grootste groep, die bijna de helft van alle ondervraagde studenten vertegenwoordigde, vertoonde een duidelijk patroon dat de onderzoekers een "arbeidsverdeling" noemden. Deze studenten voelden zich zeer comfortabel bij het gebruik van AI voor taken zoals het vinden en samenvatten van bestaande wetenschappelijke artikelen. Zij zagen deze activiteiten als ondersteunend werk, waarbij een machine efficiënt door informatie kan sorteren. Echter, dezelfde studenten voelden zich veel minder comfortabel bij het gebruik van AI voor de kernintellectuele taken van onderzoek: het zelf schrijven van het artikel, het analyseren van de gegevens of het ontwerpen van de experimenten. Voor deze groep was de grens duidelijk. Ze waren bereid de machine het achtergrondwerk te laten afhandelen, maar wilden de taken die diep nadenken, creativiteit en uiteindelijke verantwoordelijkheid vereisen stevig in menselijke handen houden. Dit suggereert dat voor veel toekomstige wetenschappers de waarde van AI ligt in het vermogen om te assisteren bij informatiebeheer, en niet in het vermogen om de menselijke geest te vervangen bij de handeling van ontdekking.
Andere groepen in de studie hadden andere opvattingen. Ongeveer een derde van de studenten was ongemakkelijk bij het gebruik van AI voor vrijwel elke onderzoeksopgave, een standpunt dat de onderzoekers de "status quo" noemden. Zij hadden de neiging om de technologie over de hele linie met argusogen te bekijken, hoewel hun ongemak het grootst was bij het schrijven en de data-analyse. Een kleinere groep, ongeveer 16 procent, was het tegenovergestelde: zij waren breed georiënteerd op het comfortabel gebruik van AI voor alles, en zagen het als een algemeen instrument dat kon helpen bij elk deel van het onderzoeksproces. Ten slotte was er een kleine maar opmerkelijke groep van 7 procent die "onbeslist" was. Deze studenten kozen regelmatig voor "weet ik niet" wanneer ze naar hun comfortniveau werden gevraagd, wat suggereert dat ze ofwel onzeker waren over de technologie, of niet genoeg gebruik hadden gemaakt van de instrumenten om een mening te vormen, of nog aan het uitzoeken waren waar de regels staan. Zelfs onder degenen die onzeker waren, was de kans groter dat zij een positieve dan een negatieve houding uitdragen.
De studie onderzocht ook of factoren zoals het vakgebied van de student, het jaar in het programma of de frequentie van het gebruik van AI hun houding veranderde. De resultaten toonden aan dat studenten in STEM-velden iets vaker tot de sceptische "status quo"-groep behoorden vergeleken met studenten in de medische en gezondheidswetenschappen. De algemene patronen bleven echter overeind, ongeacht of een student in het eerste jaar of in het laatste jaar zat, of dat zij fulltime studeerden. Dit suggereert dat de manier waarop studenten de rol van AI zien, niet simpelweg een kwestie is van hoe lang zij al toegang hebben tot de instrumenten, maar eerder een diepere reflectie is van hoe zij de aard van hun werk zien. Het feit dat de "arbeidsverdeling"-groep de grootste is, geeft aan dat de meest voorkomende opkomende norm niet is om AI volledig te verwerpen, noch om het blindelings te accepteren, maar om zorgvuldig te sorteren welke taken bij de machine horen en welke menselijk moeten blijven.
Deze bevindingen hebben belangrijke implicaties voor hoe wetenschap wordt onderwezen en beoordeeld. De onderzoekers suggereren dat de manier waarop we over AI in de wetenschap denken, verder moet gaan dan eenvoudige regels die het gebruik ofwel verbieden of toestaan. In plaats daarvan zouden instellingen en tijdschriften een meer genuanceerde aanpak kunnen adopteren die het onderscheid erkent tussen het gebruik van AI om een bron te vinden en het gebruik van AI om een conclusie te schrijven. Als een student AI gebruikt om honderd papers samen te vatten, is dat een ander soort hulp dan het gebruiken ervan om de kern van een stelling te genereren. De studie impliceert dat de toekomstige wetenschappelijke opleiding zich moet richten op het helpen van studenten om deze grenzen te begrijpen. Het gaat niet alleen om het leren gebruiken van het instrument, maar om het leren welke delen van het onderzoeksproces essentieel zijn voor het ontwikkelen van hun eigen expertise. Als een student de machine het schrijfwerk of de data-analyse laat doen, kunnen zij de kans missen om de kritische denkvaardigheden te ontwikkelen die voortkomen uit het zelf uitvoeren van die taken.
Uiteindelijk legt dit onderzoek een moment van transitie vast. De houdingen van deze PhD-studenten zijn niet vaststaand; ze zullen waarschijnlijk evolueren naarmate de technologie verbetert en de wetenschappelijke gemeenschap nieuwe normen vaststelt. Vandaag de dag is de meest voorkomende visie een selectieve, waarbij AI wordt verwelkomd als een helper voor informatie, maar wordt verzet als een vervanging voor oordeelsvorming. Deze "arbeidsverdeling" kan de standaardmethode worden waarmee wetenschap wordt bedreven, waarbij machines de hoeveelheid informatie afhandelen en mensen zich concentreren op de synthese en de creatie van nieuwe kennis. Naarmate deze studenten afstuderen en de leiders, redacteuren en reviewers van morgen worden, zullen de grenzen die zij nu trekken, helpen definiëren wat legitiem wetenschappelijk werk betekent in een tijdperk van kunstmatige intelligentie. Het artikel beweert de discussie niet te hebben opgelost, maar biedt een helder beeld van waar de lijn momenteel wordt getrokken door de mensen die deze lijn in de jaren die komen zullen oversteken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.