Tekoälyn hyödyntäminen tieteen tekemisessä

Tekoälyn kehitys on ottanut valtavia harppauksia viime aikoina. Tekoälyllä tarkoitetaan tietokoneohjelmia, jotka pystyvät toimimaan älykkäällä, ihmismäisellä tavalla: ne pystyvät esimerkiksi ratkaisemaan ongelmia tai analysoimaan dataa eli löytämään datasta kuvioita ja yhteyksiä. Tekoälyssä on eri osa-alueita, kuten konenäkö, koneoppiminen ja syväoppiminen. Näissä algoritmit luokittelevat syötteen dataa ja tekevät siitä ennusteita.

Viime aikoina ns. generatiivinen tekoäly on tehnyt isoja läpimurtoja. Generatiivinen tekoäly ei vain tulkitse tietoa, vaan pystyy luomaan ja generoimaan uutta tietoa tai sisältöä, kuten tekstiä tai kuvia. Viraaliksi noussut ChatGPT on esimerkki generatiivisesta tekoälystä. ChatGPT on OpenAI:n kehittämä kielimalli, jolle voidaan esittää kysymyksiä tai pyyntöjä. Sitä voidaan siis käyttää esimerkiksi tekstisisällön tuottamiseen, kuvien tekemiseen ja tehtävissä avustamiseen, kuten yhteenvetojen tekemiseen.

Tekoälyn murros – uhka vai mahdollisuus?

Tekoälyn murroksesta voidaan olla monta mieltä. Se on nähty uhkana työpaikoille, mutta toiset kokevat sen vapauttavan ihmisiä rutiininomaisista töistä. Tekoäly uhkaa kuitenkin jo luoviakin aloja, kuten viestintää ja kuvittajia. Tekoäly on ollut hyödyksi esimerkiksi lääketieteessä, kuten antibioottien löytämisessä, mutta se voi olla myös hyvin tehokas informaatiovaikuttamisen ja manipuloinnin väline, koska se voi tuottaa mielipiteitä ja tekstejä halutulla tavalla hyvin nopeasti. Tekoälyn tuottaman tekstin myös pelätään hiljalleen laimentavan internetin moninaisuuden. Usein taustalla on myös huoli tekoälyn liian nopeasta kehittymisestä: etiikka ja moraali eivät välttämättä pysy perässä.

Tekoäly on kuitenkin tullut jäädäkseen, joten siihen ei auta kuin sopeutua esimerkiksi työelämässä. Tulevaisuudessa ihmiset, jotka pystyvät hyödyntämään ja ymmärtämään tekoälyä tulevat menestymään helpommin, koska tekoäly tulee ulottumaan yhteiskunnan jokaiselle osa-alueelle. Miten tekoälyn läpimurto näkyy sitten tieteen maailmassa? Voiko tutkija opetella hyödyntämään sitä?

Tekoälyn neuvot sen hyödyntämiseen tieteessä

Kysyin sekä ChatGPT:ltä että Microsoftin Bing AI Searchilta, miten ChatGPT:n tapaiset kielimallit voivat mullistaa tieteen tekemisen ja miten tutkijat voivat niitä hyödyntää. Bing antoi suomeksi lyhyemmän vastauksen, ChatGPT englanniksi pidemmän.

ChatGPT:n vastaus:

ChatGPT toi esille seuraavia tapoja hyödyntää generatiivista tekoälyä tieteen tekemisessä:

Tiedon etsiminen: tutkijat voivat kysyä eri aiheista kysymyksiä ja saada käsityksiä ja oivalluksia monien eri alojen aiheista.

Kirjallisuuskatsaukset: ChatGPT voi tiivistää tieteellisiä artikkeleja, ehdottaa relevantteja artikkeleita tai tarjota kontekstia tiettyihin tutkimusaloihin. Se voi auttaa tutkijoita pysymään ajant asalla viimeisistä löydöksistä ja tunnistaa avainviitteitä.

Ideoiden luominen: tutkijat voivat käyttää ChatGPT:tä ideoiden brainstormaamiseen ja saadakseen ehdotuksia tutkimusten suunnasta, koeasetelmista tai mahdollisista yhteistyökuvioista. ChatGPT:n kyky luoda luovia vastauksia voi inspiroida tutkijoita ja tarjota vaihtoehtoisia näkökulmia.

Kokeellinen suunnittelu: tutkijat voviat konsultoida ChatGPT:tä hienosäätääkseen koeasetelmia, kuten mitä muuttujia tulisi ottaa huomioon, kontrolliryhmät sekä mahdolliset sudenkuopat. Tekoäly voi tarjota näkemyksiä, jotka pohjautuvat olemassaolevaan tieteelliseen tietoon ja auttavat optimoimaan kokeen protokollia.

Datan analysointi ja tulkitseminen: ChatGPT voi auttaa tutkijoita analysoimaan ja tulkitsemaan dataa. Tutkijat voivat keskustella löydöksistään, saada selityksiä, tutkituttaa kuvioita tai luoda hypoteeseja, jotka pohjautuvat heidän keräämäänsä dataan.

Tilastolliset analyysit: ChatGPT voi avustaa tutkijoita tekemään tilastollisia analyyseja tarjoamalla neuvoja sopiville menetelmille / testeille, selittämällä tilastollisia termejä ja auttamalla tulkitsemaan tuloksia.

Tieteellinen viestintä: ChatGPT voi tukea tutkijoita viestinnässä. Tutkijat voivat harjoitella monimutkaisten termien selittämistä yksinkertaisemmilla termeillä, saada palautetta kirjoituksestaan tai esityksestään ja saada apua viestinnän strategioiden hiomiseen.

Yhteistyö ja poikkitieteellinen tutkimus: ChatGPT voi edistää yhteistyötä eri alojen tutkijoiden välillä. Se voi auttaa kuromaan tiedoissa olevia aukkoja, edistää poikkitieteellistä keskustelua ja edesauttaa tehokasta kommunikointia eri alojen asiantuntijoiden välillä.

Vertaisarviointi: tutkijat voivat saada palautetta tutkimuksestaan tai käsikirjoituksestaan keskustelemalla ChatGPT:n kanssa. Vaikka se ei voikaan korvata ihmistä vertaisarvioinnissa, se voi tarjota alustavia näkemyksiä ja auttaa tunnistamaan mahdolliset kehityksen alueet.

Tieteellinen opetus: ChatGPT voi avustaa opetuksessa tarjoamalla selityksiä, vastaamalla oppilaiden kysymyksiin ja edistämällä interaktiivista oppimiskokemusta. Sitä voidaan käyttää verkkokursseilla tai itseohjautuvassa oppimisessa.

ChatGPT kuitenkin muistuttaa, että on tärkeää ymmärtää, että tekoäly on vain työkalu. Sen tuotoksia tulee tarkastella kriittisesti ja varmistaa perinteisen tieteellisen metodin kautta, eli se ei voi korvata ihmistä.

Bingin vastaus:

Bingin vastaukseen sisältyi samoja vinkkejä liittyen data-analyysiin, raportointiin ja kommunikointiin:

”Tieteen tekeminen on yhä monimutkaisempaa ja vaativampaa. Tutkijat joutuvat käsittelemään valtavia määriä dataa, kirjoittamaan pitkiä raportteja ja artikkeleita, sekä kommunikoimaan eri alojen asiantuntijoiden kanssa. Tämä kaikki vie paljon aikaa ja resursseja, jotka voisivat olla hyödyllisemmin käytössä itse tutkimuksen edistämisessä.

Tähän haasteeseen voi vastata chatGPT:n tapaiset kielimallit, jotka ovat tekoälyn luomia ohjelmia, jotka osaavat tuottaa ja ymmärtää luonnollista kieltä. Kielimallit voivat auttaa tutkijoita monella tavalla, kuten:

– Data-analyysi: Kielimallit voivat analysoida suuria datamääriä ja tiivistää niistä olennaiset tiedot ja havainnot. Kielimallit voivat myös ehdottaa uusia tutkimuskysymyksiä tai hypoteeseja datan perusteella.

– Raportointi: Kielimallit voivat kirjoittaa selkeitä ja ytimekkäitä raportteja ja artikkeleita tutkimuksen tuloksista ja menetelmistä. Kielimallit voivat myös muokata tekstiä eri kohderyhmille sopivaksi, esimerkiksi yleistajuisemmaksi tai tieteellisemmäksi.

– Kommunikaatio: Kielimallit voivat toimia tulkkina eri kielten ja alojen välillä, jolloin tutkijat voivat helpommin jakaa tietoa ja ideoita keskenään. Kielimallit voivat myös osallistua keskusteluihin ja antaa palautetta tai kritiikkiä.

ChatGPT:n tapaiset kielimallit ovat siis potentiaalisesti mullistavia työkaluja tieteen tekemiselle, sillä ne voivat tehostaa, nopeuttaa ja parantaa tutkimusprosessia. Tietenkin kielimallien käyttöön liittyy myös eettisiä ja metodologisia kysymyksiä, jotka vaativat huolellista harkintaa ja valvontaa. Kielimallit eivät korvaa ihmisen älykkyyttä tai luovuutta, vaan täydentävät niitä.”

Kysyin Bingiltä jatkokysymykseksi, miten ChatGPT voi auttaa tieteellisessä kirjoittamisessa. Vastaus kuului:

” ChatGPT on AI-ohjelmisto, joka voi auttaa tieteellisen artikkelin kirjoitusprosessissa ja auttaa kirjallisuuskatsauksessa, tutkimuskysymysten tunnistamisessa, nykytilan yleiskatsauksen antamisessa ja avustaa tehtävissä, kuten muotoilussa ja kielen tarkistuksessa. ChatGPT voi myös auttaa tiedemiehiä parantamaan kirjoitustyyliään analysoimalla heidän tekstiään, tarjoamalla parannusehdotuksia ja esimerkkejä hyvin kirjoitetuista tieteellisistä artikkeleista tai lauseista.

On kuitenkin huomattava, että vaikka ChatGPT voi auttaa tieteellisen artikkelin sisällön tuottamisessa, se ei voi kirjoittaa artikkelia kokonaan itse. Ihmisen asiantuntemus, kriittinen ajattelu ja analyysi ovat edelleen välttämättömiä kirjoitusprosessissa.”

Näen vastausten pohjalta mielenkiintoisia mahdollisuuksia siinä, miten tekoäly voisi olla hyödyksi tieteen tekemisessä, erityisesti liittyen suuren datamäärän hallitsemiseen.

ChatGPT:n kokeileminen käytännössä

Aioin joku aika sitten kirjoittaa tiivistelmän someen Chakrabortyn ym. (2019) artikkelista (huomasin vasta myöhemmin, että kyseessä olikin vuosia vanha artikkeli, joten en tuotosta ikinä julkaissutkaan). Mieleeni tuli kokeilla, voisiko ChatGPT tosiaan olla siinä avuksi. Pyysin siltä tiivistelmää artikkelin tekstinpätkästä, josta halusin saada paremman yleiskäsityksen. Syötin siis ChatGPT:lle tekstin artikkelin kohdasta ja kehoitin tekemään siitä tiivistelmän. Sen antaman vastauksen jälkeen pyysin vielä lyhyempää vastausta, jonka ChatGPT antoikin (nämä kuvissa alhaalla).

Could you summarise me the next text: "While investigating whether adult Drosophila behaviorally responds to diseased individuals in their environment, we discovered that flies show an aversive response after exposure to dead conspecifics. In our initial experiments, we established a binary choice assay (T-maze) in which flies that were previously infected with the lethal pathogen Pseudomonas aeruginosa PLCS were placed behind a screen in one side of a T-maze and healthy flies were placed in the opposite side. When naive choosers were loaded into the T-maze, we found that they sorted non-randomly, in that they avoided the side of the T-maze containing a group of flies that had been infected 24–48 h previously (Supplementary Fig. 1a). We consistently failed to observe avoidance in naive choosers to groups of flies that had been infected for <24 h. Flies began dying from our Pseudomonas infection roughly 24 h post infection, suggesting that the appearance of dead flies rather than infection might be the cause for the aversion. We therefore asked whether dead flies alone were sufficient to create an aversive stimulus. We found that they were not (Supplementary Fig. 1b). When comparing preference between only healthy live flies vs. only dead flies, naive choosers preferred dead flies (Supplementary Fig. 1c), presumably due to CO2 emitted from live animals, which is a known repulsive stimulus25, establishing that the dead animals themselves were not intrinsically aversive. We therefore asked whether a mixture of dead flies with healthy live flies was aversive compared to healthy live flies alone. We observed a strong preference of naive flies choosing the side of the T-maze without dead animals (Supplementary Fig. 1d). Finally, healthy flies from different laboratory strains that had been pre-exposed to dead conspecifics for 48 h (the dead flies were removed immediately prior to the choice assay) exhibited aversive qualities (Fig. 1a, b), establishing that the presence of dead flies in the T-maze was not required for aversion. Together, these data indicated that dead fly exposure triggered changes in healthy live individuals that repelled naive choosers." — Kysymykseni ChatGPT:lle ja tekstinpätkä, josta pyysin sitä tekemään tiivistelmän.

The researchers conducted an investigation to determine whether adult fruit flies (Drosophila) respond to diseased individuals in their environment. They discovered that flies display an aversive response when exposed to dead flies of the same species. They set up an experiment using a T-maze, where one side contained flies previously infected with a lethal pathogen and the other side contained healthy flies. The flies that had not been previously exposed to the infected flies consistently avoided the side of the maze with the infected flies that had been dead for 24-48 hours. However, the avoidance behavior was not observed when the infected flies had been dead for less than 24 hours. This suggested that the presence of dead flies, rather than the infection itself, caused the aversion.

To determine if dead flies alone were enough to create an aversive stimulus, the researchers conducted further experiments. They found that dead flies alone did not trigger an aversive response. When comparing preferences between healthy live flies and dead flies, the flies showed a preference for the dead flies, likely due to the repulsive CO2 emitted by live animals. The researchers then investigated whether a mixture of dead flies and healthy live flies would be aversive compared to healthy live flies alone. They observed that the naive flies strongly preferred the side of the T-maze without dead flies.

Furthermore, they examined whether healthy flies that had been pre-exposed to dead flies exhibited aversive qualities. These flies, which had been exposed to dead flies for 48 hours before the experiment, displayed aversion in the choice assay, even though the dead flies were removed prior to the test. This finding indicated that the presence of dead flies in the T-maze was not necessary for the aversion to occur. Overall, the results indicated that exposure to dead flies triggered changes in healthy flies that repelled other naive flies. — ChatGPT:n antama vastaus.

Could you make the answer shorter? In their investigation, researchers discovered that adult fruit flies (Drosophila) display an aversive response when exposed to dead flies of the same species. The presence of dead flies caused the aversion, rather than the infection itself. Dead flies alone did not trigger aversion, but a mixture of dead flies with healthy live flies did. Additionally, healthy flies pre-exposed to dead flies showed aversive qualities even without the presence of dead flies. This indicates that exposure to dead flies leads to changes in healthy flies that repel other flies. — Pyyntöni lyhyemmälle tiivistelmälle ja ChatGPT:n vastaus siihen. Olen myöhemmin lukenut, että parhaimmat tulokset saa jos ChatGPT:ltä ei pyydä, vaan käskee sitä tekemään jotain.

Koin tämän hyödylliseksi, koska ChatGPT:n tiivistelmän avulla sain itselleni vieraasta aiheesta jonkinlaisen ensikäsityksen. Toki on tärkeää, että myös itse lukee tekstin ja varmistaa, pitääkö ChatGPT:n antama tiivistelmä paikkansa. Mutta ChatGPT:n antamien vastausten perusteella on helpompi tietää, mitä asioita tekstistä kannatta etsiä ja mihin kohdistaa ensin huomionsa. Näin ainakin minulle oli nopeampaa muodostaa selkeämpi kuva artikkelin sisällöstä, koska sen käsitteet olivat tutumpia.

Täältä löytyy hyviä esimerkkejä siitä, miten ChatGPT:tä on hyödynnetty käytännössä esimerkiksi raporttien tekemisessä tai tietovyöryn hallinnassa.

Täältä puolestaan löytyy ChatGPT:n ”Cheat Sheet”, jossa selitetään lyhyesti muun muassa avaintermit, avainominaisuudet sekä kehoitteet, joilla voi tehdä yleisimpiä asioita, kuten tiivistää tekstiä, tuottaa uusia ideoita ja kehittää kirjoitustaan. Kehoite on siis ohje tai kysymys, joka tekoälylle esitetään: silläkin on väliä, miten ne muotoilee.

Vaikka tekoäly tuntuu avaavan paljon ovia ja mahdollistavan omien resurssien vapauttamisen datamäärän hallitsemisesta toisenlaisiin asioihin, tekoälyn tarjoamat valmiit ja helpot vastaukset aiheuttavat kuitenkin myös huolta. Voi olla houkuttelevaa nykymaailman kiireen ja kovien paineiden alla hyödyntää liian huolettomasti tekoälyn tuottamia vastauksia. Toivon, että tulevaisuuden tieteentekijät (ja muutkin opiskelijat) opettelevat myös itse käyttämään ja ennen kaikkea kehittämään omaa ajatteluprosessiaan, koska se on tärkeää esimerkiksi silloin, kun arvioidaan tekoälyn vastausten paikkansapitävyyttä. Tutkimuksen tekemisessä ja tieteessä on myös tärkeää oppia ajattelemaan tieteellisellä tavalla ja kriittisesti, jotta voi esimerkiksi arvioida omien ja toisten tuloksien paikkansapitävyyttä. Tämä tieteellinen ajattelutapa kehittyy juurikin oman ajattelun ja pohdinnan käyttämisen kautta. Jään seuraamaan mielenkiinnolla, miten tekoäly tulee muuttamaan maailmaa.

Lähteet:

Chakraborty, T. S., Gendron, C. M., Lyu, Y., Munneke, A. S., DeMarco, M. N., Hoisington, Z. W., & Pletcher, S. D. (2019). Sensory perception of dead conspecifics induces aversive cues and modulates lifespan through serotonin in Drosophila. Nature communications, 10(1), 2365.

https://www.ibm.com/topics/artificial-intelligence

https://www.ranktracker.com/fi/blog/all-you-need-to-know-about-generative-ai-and-its-uses-on-linked-in/

https://markkinoinnintrendit.fi/generatiivinen-tekoaly/

https://yle.fi/a/3-12229190

https://www.bbc.com/news/health-65709834

https://yle.fi/a/74-20039030

https://yrityksille.otavamedia.fi/blogit-ja-ajankohtaista/chatgpt-kayttokokemukset-ja-tulevaisuuden-nakymat/

https://www.joinsuperhuman.io/confirmation/cheatsheet?utm_source=www.joinsuperhuman.ai&utm_medium=newsletter

Kansikuva: Kuva Gerd Altmann Pixabaystä

Categories:

Jasmin Nevala Muuta kiinnostavaa Tutkimuksen tekemisestä Uncategorized