Możliwości wykorzystania sztucznej inteligencji w przeprowadzeniu systematycznego przeglądu literatury zostały opisane w artykule The Automation of Science? Possibilities and Boundaries of AI Applications for Conducting Systematic Literature Reviews (Tomczyk, Brüggemann, Doligalski 2024). Jego celem było ustalenie w jakim stopniu aplikacje oparte na sztucznej inteligencji mogą wspomagać różne etapy procesu systematycznego przeglądu literatury, a także określenie użyteczności dwudziestu dwóch aplikacji w tej kwestii.
Systematyczny przegląd literatury jest metodą badawczą, która pozwala na identyfikację, ocenę i syntezę istniejących publikacji w sposób rygorystyczny, transparentny i powtarzalny. Ze względu na rosnącą liczbę publikacji, automatyzacja tego procesu staje się wskazana, aby przyspieszyć analizę literatury, poprawić jej dokładność oraz zapewnić transparentność.
Automatyzacja procesu dokonywania przeglądów literatury niesie za sobą liczne korzyści. Należą do nich:
- Zwiększenie efektywności i oszczędność czasu.
- Poprawa dokładności i minimalizacja błędów.
- Zwiększenie transparentności procesu i powtarzalności wyników.
Autorzy, opierając się na literaturze przedmiotu, zidentyfikowali sześć kluczowych etapów systematycznego przeglądu literatury:
- Formułowanie pytania badawczego (Sztuczna inteligencja pomaga w identyfikacji luk badawczych i formułowaniu pytań badawczych na podstawie analizy literatury).
- Zbieranie danych i identyfikacja słów kluczowych (Narzędzia sztucznej inteligencji wyszukują artykuły i sugerują adekwatne słowa kluczowe).
- Przygotowanie bazy danych (Sztuczna inteligencja wspomaga organizację i czyszczenie danych oraz przygotowanie bazy artykułów do analizy).
- Analiza bibliometryczna i statystyki opisowe (Na tym etapie sztuczna inteligencja może wspierać analizę statystyczną i wizualizację danych, choć jest to funkcjonalność, która – jak wynika z badań – rzadko jest zintegrowana w narzędziach wspierających przeglądy literatury.)
- Ekstrakcja i synteza danych (Sztuczna inteligencja wyodrębnia kluczowe informacje z artykułów, co zwiększa precyzję i pozwala zaoszczędzić czas)
- Przygotowanie raportu (Na końcowym etapie sztuczna inteligencja wspomaga pisanie raportu, generując teksty na podstawie zebranych danych)
Autorzy dokonali przeglądu dwudziestu dwóch aplikacji wykorzystujących sztuczną inteligencję, analizując ich przydatność na poszczególnych etapach systematycznego przeglądu literatury. Analizie zostały poddane następujące programy: Petal, Epsilon, Textero, MirrorThink, Scite, Consensus.app, Research Buddy, Perplexity, Jenni, Elicit, SciSpace, Open Read, Semantic Scholar, SystemPro, Cambiran, Paper Digest, PowerDrill, AcademicGPT, Julius, SciSummary, Scholarcy oraz ResearchAIde. Zidentyfikowane narzędzia różnią się pod względem funkcjonalności, a ich ocena została przeprowadzona pod kątem możliwości wspierania każdego z powyższych sześciu etapów przeglądu literatury.
Analizę aplikacji można przedstawić w następujący sposób. Petal, Epsilon i Textero to najwyżej sklasyfikowane aplikacje, oferujące kompleksowe funkcje badawcze obejmujące analizę danych, dostęp do bazy danych, ekstrakcję, raportowanie i zarządzanie plikami PDF. MirrorThink, SciSpace, Open Read, Scite, Elicit i Consensus.app plasują się tuż za nimi, wyróżniając się w różnych aspektach badawczych, w tym w dostępie do baz danych i ekstrakcji. Research Buddy, AcademicGPT, Perplexity, PowerDrill i Jenni zajmują natomiast średnie pozycje w rankingu, koncentrując się na konkretnych potrzebach badawczych, takich jak dostęp do baz danych i generowanie treści. Semantic Scholar, SystemPro, SciSummary, Scholarcy i ResearchAIde zajmują niższe pozycje, kładąc nacisk na generowanie raportów. Cambiran i Paper Digest są podobne pod względem zapewniania dostępu do danych i baz danych. Julius ma najniższą rangę, specjalizując się w ograniczonym zakresie w innych obszarach badawczych. Szczegółowe wyniki analizy przedstawione są w artykule.
Wprawdzie sztuczna inteligencja wspiera wykonanie systematycznego przeglądu literatury, autorzy zwracają uwagę na jej ograniczenia:
- Jakość danych (Ekstrakcja i synteza danych przez sztuczną inteligencję są wrażliwe na jakość wprowadzanych danych, co wymaga ciągłej kontroli ze strony badacza)
- Rozumienie kontekstu (Chociaż sztuczna jest coraz lepsza w analizie specjalistycznego języka, to pełne zrozumienie kontekstu i interpretacja wyników nadal należą do kompetencji badacza).
- Problemy z ambiwalencją (Sztuczna inteligencja wciąż ma trudności z prawidłowym odczytywaniem wieloznaczności oraz z analizą złożonego języka, co może wpłynąć na wyniki badania)
Podsumowując warto podkreślić, że zastosowanie sztucznej inteligencji w systematycznych przeglądach literatury oferuje ogromny potencjał do zwiększenia efektywności i dokładności procesu badawczego. Jednak technologia ta nie zastąpi badacza. Sztuczna inteligencja powinna być postrzegane jako narzędzie go wspomagające. Kluczową rolę w badanym procesie odgrywa nadal człowiek, który nadzoruje proces oraz odpowiada za interpretację wyników i ostateczny kształt przeglądu.