Wetenschap heeft altijd vertrouwd op het geschreven woord om te delen hoe ontdekkingen tot stand zijn gekomen. Een onderzoeker beschrijft een experiment in een tijdschriftartikel door lijsten van materialen, instellingen van machines en stapsgewijze instructies samen te weven in paragrafen tekst. Deze aanpak werkt goed voor menselijke lezers die context kunnen afleiden en hiaten kunnen invullen, maar het vormt een aanzienlijke barrière voor machines. Computers worstelen met het begrijpen dat "verwarmd tot 80 graden" in het ene artikel hetzelfde betekent als "gehandhaafd op 353 Kelvin" in een ander, of dat een specifiek chemisch proces beschreven in een biologisch laboratorium een vergelijkbare logica volgt als een proces in een chemisch laboratorium. Nu de wetenschap meer geautomatiseerd en interdisciplinair wordt, met kunstmatige intelligentiesystemen en robotische laboratoria die proberen deze instructies te lezen en uit te voeren, is het gebrek aan een gemeenschappelijke, gestructureerde taal voor wetenschappelijke methoden een knelpunt geworden. Zonder een manier om de proza van ontdekking te vertalen naar een rigide, machineleesbaar formaat, blijft het potentieel voor het vergelijken van studies, het reproduceren van resultaten en het automatiseren van onderzoek grotendeels onbenut.

Om dit gat te dichten, heeft een groot, internationaal team van onderzoekers SciSchema.org geïntroduceerd, een nieuwe collectie gestructureerde sjablonen ontworpen om wetenschappelijke processen te beschrijven op een manier die zowel door mensen als door computers begrepen kan worden. Het team, bestaande uit experts uit diverse velden zoals biologie, fysica, psychologie en materiaalkunde, heeft deze sjablonen niet simpelweg met de hand geschreven. In plaats daarvan ontwikkelden zij een collaboratieve workflow waarbij menselijke experts kunstmatige intelligentiemodellen aanstuurden om duizenden wetenschappelijke artikelen te minen en de essentiële componenten van specifieke experimenten te extraheren. Het resultaat is een set van 16 onderscheidende "schema's", of gestructureerde contouren, die processen beslaan variërend van het bewerken van genen met CRISPR-Cas9 tot de reconstructie van neutrino-gebeurtenissen in de deeltjesfysica. Deze schema's definiëren exact welke informatie moet worden vastgelegd voor een bepaald type experiment—zoals de specifieke instrumenten die worden gebruikt, de omstandigheden waaronder ze functioneerden en de precieze stappen die zijn genomen—waardoor de rommelige, ongestructureerde proza van traditionele artikelen wordt getransformeerd in schone, vergelijkbare data.

Het project begon met het identificeren van 16 specifieke wetenschappelijke processen die goed gevestigd zijn en veelvuldig in de literatuur worden beschreven, om er zeker van te zijn dat er voldoende materiaal beschikbaar was. Het team riep vervolgens domeinexperts aan voor elk proces op, van moleculaire biologen tot psychologen, om als gids te fungeren. Deze experts leverden een basisbeschrijving van de standaardprocedures in hun vakgebied en een collectie relevante wetenschappelijke artikelen. De kern van het werk bestond uit een "human-in-the-loop"-systeem, waarbij grote taalmodellen—geavanceerde AI-tools die in staat zijn tekst te lezen en te begrijpen—de taak kregen om deze artikelen te lezen en een gestructureerde contourafunctie voor het proces voor te stellen. De AI zou de tekst scannen, terugkerende details zoals temperatuurinstellingen of chemische concentraties identificeren, en een schema opstellen dat deze details in logische categorieën organiseert.

De AI werkte echter niet alleen. Nadat de modellen hun eerste concepten hadden gegenereerd, beoordeelden de menselijke experts deze, waarbij ze ontbrekende details aanwezen, terminologie corrigeerden en suggereerden hoe verschillende stukken informatie gegroepeerd moesten worden. Deze feedback werd teruggekoppeld naar de AI, die vervolgens haar concepten verfijnde. Deze cyclus van generatie en expertcorrectie werd herhaald over meerdere fasen, waarbij de AI steeds meer artikelen las bij elke stap. Het proces was ontworpen om iteratief te zijn, zodat de AI kon leren van de correcties van de experts en geleidelijk een nauwkeurigere en uitgebreidere structuur kon opbouken. Het team testte deze workflow met 12 verschillende AI-modellen, variërend van kleinere, snellere modellen tot massieve, complexe modellen, om te zien welke benaderingen de beste resultaten produceerden.

De uitkomst van dit rigoureuze proces was de creatie van 16 definitieve, door experts geannoteerde schema's. Elk schema dient als een mastertemplate voor een specifiek type wetenschappelijk proces. Zo definieert het schema voor "Polymerase Kettingreactie", een veelgebruikte techniek voor het kopiëren van DNA, specifieke velden voor de gebruikte biologische materialen, het ontwerp van de genetische primers, de thermische cyclingscondities en de resulterende data. Op dezelfde manier schetst het schema voor "Vermoeidheidstesten van metalen materialen" velden voor het type metaal, de vorm van het testmonster, de uitgeoefende krachten en de omgevingscondities. Deze schema's zijn niet gevuld met data van specifieke experimenten; het zijn eerder de lege formulieren die wetenschappers kunnen gebruiken om hun eigen data op een gestandaardiseerde manier vast te leggen. Door deze sjablonen te gebruiken, kan een onderzoeker ervoor zorgen dat elk cruciaal detail van zijn experiment wordt vastgelegd in een formaat dat gemakkelijk doorzoekbaar, vergelijkbaar met andere studies en verwerkbaar door software is.

De onderzoekers ontdekten dat de kwaliteit van de uiteindelijke schema's sterk afhing van de samenwerking tussen de AI en de menselijke experts. Hoewel de AI-modellen in staat waren om complexe structuren te genereren en patronen over honderden artikelen te identificeren, hadden ze vaak menselijke begeleiding nodig om wetenschappelijke nauwkeurigheid en passende terminologie te waarborgen. Het team merkte op dat de AI-modellen gedetailleerder en structureel complexer werden naarmate ze werden blootgesteld aan meer artikelen en meer rondes van deskundige feedback. De grootste en meest gedetailleerde schema's werden gegenereerd door de meest geavanceerde instructievolgende modellen, die contouren produceerden met honderden specifieke velden en meerdere lagen van organisatie. Echter, de uiteindelijke beslissing over wat een "gouden standaard" structuur vormde, lag altijd bij de menselijke experts, die de beste elementen uit de verschillende concepten van de AI selecteerden om de definitieve versie te creëren.

Een belangrijke bevinding van de studie was dat deze mens-AI-partnerschap kwalitatief hoogwaardige, domeinspecifieke schema's veel sneller kon produceren dan traditionele handmatige methoden zouden toelaten. Het team slaagde erin om alle 16 schema's in slechts twee maanden te ontwikkelen en te valideren, een tijdskader dat onmogelijk zou zijn geweest als experts handmatig elk detail uit duizenden artikelen hadden moeten extraheren en organiseren. Het proces onthulde ook dat verschillende soorten wetenschappelijke processen verschillende niveaus van detail vereisen. Sommige processen, zoals de "Stroop-taak" die in de psychologie wordt gebruikt om reactietijden te meten, resulteerden in schema's met minder velden en minder nesting, wat de eenvoudigere, meer gestandaardiseerde aard van de experimenten weerspiegelt. Andere, zoals de "Bulk RNA-seq Library Preparation" in de biologie, resulteerden in zeer complexe schema's met diepe lagen van geneste informatie, wat de ingewikkelde en meerstaps natuur van de betrokken natte laboratoriumprocedures weerspiegelt.

De gepubliceerde collectie bevat niet alleen de definitieve schema's, maar ook de volledige geschiedenis van hoe ze zijn gemaakt. Het data-archief bevat de tussenliggende concepten die door de AI zijn gegenereerd, de feedback van de experts en de metadata van de gebruikte artikelen. Deze transparantie stelt andere onderzoekers in staat om precies te zien hoe de schema's zijn opgebouwd, de redenen achter specifieke ontwerpkeuzes te begrijpen en de materialen voor hun eigen projecten te hergebruiken. De schema's zijn beschikbaar in twee formaten: één ontworpen voor standaard computerdocumenten en een andere voor kennisgrafen, die netwerken van gelinkte data zijn die informatie over verschillende bronnen heen verbinden. Dit dubbele formaat zorgt ervoor dat de schema's kunnen worden gebruikt in een breed scala aan softwaresystemen, van eenvoudige gegevensinvoervormen tot complexe wetenschappelijke databases.

De betekenis van dit werk ligt in het potentieel om de manier waarop wetenschappelijke kennis wordt opgeslagen en gedeeld te veranderen. Door een gestructureerde manier te bieden om het "hoe" van de wetenschap te beschrijven, maakt SciSchema.org het mogelijk om verder te gaan dan de beperkingen van tekstgebaseerd zoeken. In plaats van te zoeken naar artikelen die een specifieke trefwoord vermelden, zouden onderzoekers uiteindelijk kunnen zoeken naar alle experimenten die een specifieke combinatie van instrumenten, condities en materialen gebruikten, ongeacht hoe de oorspronkelijke auteurs dat in hun proza beschreven. Deze capaciteit is essentieel voor de toekomst van de wetenschap, waarin het vermogen om experimenten te vergelijken, te reproduceren en te automatiseren cruciaal zal zijn voor het oplossen van complexe wereldwijde uitdagingen. Het project demonstreert dat hoewel kunstmatige intelligentie een krachtig hulpmiddel is voor het organiseren van informatie, het het meest effectief is wanneer het wordt gestuurd door menselijke expertise, wat een synergie creëert die de nuance en diepte van wetenschappelijke praktijk kan vangen in een machineleesbare vorm.

Het team heeft deze middelen gratis beschikbaar gesteld aan het publiek door de schema's, de code die werd gebruikt om ze te genereren, en de analyse-instrumenten onder open licenties vrij te geven. Dit zorgt ervoor dat de wetenschappelijke gemeenschap op dit fundament kan voortbouwen, door nieuwe schema's voor andere processen toe te voegen en de bestaande te verfijnen indien nodig. Het project omvat ook verbindingen met de Open Research Knowledge Graph, een systeem dat deze gestructureerde beschrijvingen direct kan koppelen aan de oorspronkelijke wetenschappelijke artikelen, waardoor een brug wordt geslagen tussen de ruwe tekst van ontdekking en de gestructureerde data van reproduceerbaarheid. Hiermee biedt SciSchema.org een praktische stap naar een toekomst waarin de methoden van de wetenschap even toegankelijk, vergelijkbaar en herbruikbaar zijn als de resultaten zelf.