A ciência sempre dependeu da palavra escrita para compartilhar como as descobertas foram feitas. Um pesquisador descreve um experimento em um artigo de periódico, tecendo listas de materiais, configurações de máquinas e instruções passo a passo em parágrafos de texto. Essa abordagem funciona bem para leitores humanos, que podem inferir o contexto e preencher lacunas, mas cria uma barreira significativa para as máquinas. Os computadores têm dificuldade em entender que "aquecido a 80 graus" em um artigo significa o mesmo que "mantido a 353 Kelvin" em outro, ou que um processo químico específico descrito em um laboratório de biologia segue uma lógica semelhante à de um laboratório de química. À medida que a ciência se torna mais automatizada e interdisciplinar, com sistemas de inteligência artificial e laboratórios robóticos tentando ler e executar essas instruções, a falta de uma linguagem comum e estruturada para métodos científicos tornou-se um gargalo. Sem uma maneira de traduzir a prosa da descoberta em um formato rígido e legível por máquina, o potencial para comparar estudos, reproduzir resultados e automatizar a pesquisa permanece amplamente inexplorado.

Para abordar essa lacuna, uma grande equipe internacional de pesquisadores introduziu o SciSchema.org, uma nova coleção de modelos estruturados projetados para descrever processos científicos de uma forma que tanto humanos quanto computadores possam entender. A equipe, composta por especialistas de campos tão diversos quanto biologia, física, psicologia e ciência dos materiais, não escreveu esses modelos manualmente. Em vez disso, desenvolveram um fluxo de trabalho colaborativo onde especialistas humanos guiaram modelos de inteligência artificial para minerar milhares de artigos científicos e extrair os componentes essenciais de experimentos específicos. O resultado é um conjunto de 16 "schemas" distintos, ou esboços estruturados, cobrindo processos que variam desde a edição de genes usando CRISPR-Cas9 até a reconstrução de eventos de neutrinos na física de partículas. Esses schemas definem exatamente quais informações precisam ser registradas para um determinado tipo de experimento — como os instrumentos específicos usados, as condições sob as quais operaram e as etapas precisas realizadas — transformando a prosa desestruturada e caótica dos artigos tradicionais em dados limpos e comparáveis.

O projeto começou identificando 16 processos científicos específicos que são bem estabelecidos e frequentemente descritos na literatura, garantindo que houvesse material suficiente para trabalhar. A equipe então recrutou especialistas de domínio para cada processo, de biólogos moleculares a psicólogos, para atuarem como guias. Esses especialistas forneceram uma descrição básica dos procedimentos padrão de seus campos e uma coleção de artigos científicos relevantes. O núcleo do trabalho envolveu um sistema "human-in-the-loop" (humano no ciclo), onde modelos de linguagem de grande escala — ferramentas de IA avançadas capazes de ler e compreender texto — foram encarregados de ler esses artigos e propor um esboço estruturado para o processo. A IA faria a varredura do texto, identificaria detalhes recorrentes como configurações de temperatura ou concentrações químicas e elaboraria um schema que organizasse esses detalhes em categorias lógicas.

No entanto, a IA não trabalhou sozinha. Após os modelos gerarem seus rascunhos iniciais, os especialistas humanos os revisaram, apontando detalhes ausentes, corrigindo a terminologia e sugerindo como diferentes partes da informação deveriam ser agrupadas. Esse feedback foi reintegrado à IA, que então refinou seus rascunhos. Esse ciclo de geração e correção por especialistas foi repetido ao longo de várias etapas, com a IA lendo cada vez mais artigos em cada etapa. O processo foi desenhado para ser iterativo, permitindo que a IA aprendesse com as correções dos especialistas e construísse gradualmente uma estrutura mais precisa e abrangente. A equipe testou esse fluxo de trabalho usando 12 modelos de IA diferentes, variando de modelos menores e mais rápidos a modelos massivos e complexos, para ver quais abordagens produziam os melhores resultados.

O resultado desse processo rigoroso foi a criação de 16 schemas finais, anotados por especialistas. Cada schema serve como um modelo mestre para um tipo específico de processo científico. Por exemplo, o schema para "Reação em Cadeia da Polimerase", uma técnica comum usada para copiar DNA, define campos específicos para os materiais biológicos utilizados, o design dos primers genéticos, as condições de ciclagem térmica e os dados resultantes. Da mesma forma, o schema para "Teste de Fadiga de Materiais Metálicos" delineia campos para o tipo de metal, a forma da amostra de teste, as forças aplicadas e as condições ambientais. Esses schemas não estão preenchidos com dados de experimentos específicos; em vez disso, são os formulários vazios que os cientistas podem usar para registrar seus próprios dados de uma forma padronizada. Ao usar esses modelos, um pesquisador pode garantir que cada detalhe crítico de seu experimento seja capturado em um formato que possa ser facilmente pesquisado, comparado com outros estudos e processado por software.

Os pesquisadores descobriram que a qualidade dos schemas finais dependia fortemente da colaboração entre a IA e os especialistas humanos. Embora os modelos de IA fossem capazes de gerar estruturas complexas e identificar padrões em centenas de artigos, eles frequentemente exigiam orientação humana para garantir a precisão científica e a terminologia apropriada. A equipe observou que os modelos de IA tornavam-se mais detalhados e estruturalmente complexos à medida que eram expostos a mais artigos e mais rodadas de feedback de especialistas. Os schemas mais amplos e detalhados foram gerados pelos modelos de seguimento de instruções mais avançados, que produziram esboços com centenas de campos específicos e múltiplas camadas de organização. No entanto, a decisão final sobre o que constituía a estrutura "padrão ouro" sempre recaía sobre os especialistas humanos, que selecionavam os melhores elementos dos vários rascunhos da IA para criar a versão final.

Uma das principais descobertas do estudo foi que essa parceria entre humano e IA poderia produzir schemas de domínio específico de alta qualidade muito mais rápido do que os métodos manuais tradicionais permitiriam. A equipe conseguiu desenvolver e validar todos os 16 schemas em apenas dois meses, um prazo que seria impossível se os especialistas tivessem que extrair e organizar manualmente cada detalidade de milhares de artigos. O processo também revelou que diferentes tipos de processos científicos requerem diferentes níveis de detalhamento. Alguns processos, como a "Tarefa de Stroop" usada na psicologia para medir tempos de reação, resultaram em schemas com menos campos e menos aninhamento, refletindo a natureza mais simples e padronizada dos experimentos. Outros, como a "Preparação de Biblioteca de RNA-seq Bulk" na biologia, resultaram em schemas altamente complexos com profundas camadas de informações aninhadas, espelhando a natureza intrincada e de múltiplas etapas dos procedimentos de bancada envolvidos.

A coleção liberada inclui não apenas os schemas finais, mas também todo o histórico de como foram criados. O arquivo de dados contém os rascunhos intermediários gerados pela IA, o feedback fornecido pelos especialistas e os metadados dos artigos usados no processo. Essa transparência permite que outros pesquisadores vejam exatamente como os schemas foram construídos, entendam o raciocínio por trás de escolhas de design específicas e reutilizem os materiais em seus próprios projetos. Os schemas estão disponíveis em dois formatos: um projetado para documentos de computador padrão e outro para grafos de conhecimento, que são redes de dados interconectados usados para conectar informações entre diferentes fontes. Esse formato duplo garante que os schemas possam ser usados em uma ampla variedade de sistemas de software, desde formulários simples de entrada de dados até bancos de dados científicos complexos.

A significância deste trabalho reside no seu potencial para mudar a forma como o conhecimento científico é armazenado e compartil-hado. Ao fornecer uma maneira estruturada de descrever o "como" da ciência, o SciSchema.org torna possível ir além das limitações da busca baseada em texto. Em vez de procurar artigos que mencionem uma palavra-chave específica, os pesquisadores poderiam, futuramente, pesquisar por todos os experimentos que utilizaram uma combinação específica de instrumentos, condições e materiais, independentemente de como os autores originais os descreveram em sua prosa. Essa capacidade é essencial para o futuro da ciência, onde a habilidade de comparar, reproduzir e automatizar experimentos será crítica para resolver desafios globais complexos. O projeto demonstra que, embora a inteligência artificial seja uma ferramenta poderosa para organizar informações, ela é mais eficaz quando guiada pela expertise humana, criando uma sinergia que pode capturar a nuance e a profundidade da prática científica em uma forma legível por máquina.

A equipe disponibilizou esses recursos gratuitamente ao público, lançando os schemas, o código usado para gerá-los e as ferramentas de análise sob licenças abertas. Isso garante que a comunidade científica possa construir sobre este fundamento, adicionando novos schemas para outros processos e refinando os existentes conforme necessário. O projeto também inclui conexões com o Open Research Knowledge Graph, um sistema que permite que essas descrições estruturadas sejam vinculadas diretamente aos artigos científicos originais, criando uma ponte entre o texto bruto da descoberta e os dados estruturados da reprodutibilidade. Ao fazer isso, o SciSchema.org oferece um passo prático em direção a um futuro onde os métodos da ciência serão tão acessíveis, comparáveis e reutilizáveis quanto os próprios resultados.