Több, de rosszabb kutatást végezhetnek az AI miatt a tudósok, elméleti tanulmány szerint

Az AI-eszközök, még tökéletes működésük esetén sem garantálják a tudományos kutatások minőségének javulását, sőt, akár rosszabb eredményeket is hozhatnak — érvel egy új elméleti tanulmány. A Princeton, a Washingtoni Egyetem és más intézmények kutatói által jegyzett tanulmány szerint az AI által megtakarított idő arra ösztönzi a kutatókat, hogy kevesebb erőfeszítést fordítsanak egy-egy projektre, nem pedig arra, hogy mélyebben beleássák magukat az adott témába. (The Decoder)

A modell szerint egy kutatási projekt két szakaszból áll: először a kutató felméri az ötlet életképességét, majd eldönti, hogy elhagyja-e azt, vagy folytatja. A folytatás magában foglalja a kötelező részeket, mint az ábrák készítése, a szöveg formázása és a benyújtás, valamint egy önkéntes részt, mint extra kísérletek futtatása vagy mélyebb elemzés.

Hatás a kutatási szakaszokra

A tanulmány három forgatókönyvet vázol fel attól függően, hogy az AI melyik szakaszban segít a kutatási folyamatban. Az első esetben, amikor az AI az ötletek korai értékelésében segít, a kutatók válogatósabbá válnak, mivel az újrakezdés olcsóbb. Azonban még ezek a projektek is kevésbé alaposak lesznek, mivel az így megtakarított időt jobban érdemes új projektek indítására fordítani. Ez a minta jellemző a technikai területekre.

A második forgatókönyvben az AI a publikálási folyamatot gyorsítja, például az írás, a formázás és az elemzés során. Mivel egy cikk elkészítése kevesebb erőfeszítést igényel, gyengébb projektek is érdemessé válnak a folytatásra. Több cikk kerül forgalomba, de mindegyik sekélyesebb lesz. Ez a minta jellemző a terepmunkán alapuló tudományágakra. Csak a harmadik esetben, amikor az AI az önkéntes, mélyebb elemzési fázist gyorsítja, javul a kutatás minősége. Ez az a szakasz, ahol a kutatók az időhiány miatt mindig is „levágták a sarkokat”.

Empirikus adatok és intézményi válaszok

„Mint munkaerőt-kiegészítő technológia, az LLM-ek növelik az időnk költségét, arra késztetve minket, hogy többet csináljunk, de rosszabbul — ahelyett, hogy ugyanannyit csinálnánk, de jobban” — írják a szerzők. Az OpenAI egyik esettanulmánya, amely nyolc tudományos esettanulmányt vizsgált, akár 60-szoros gyorsulást mutatott a kutatási szoftverek átírásában, de a szűk keresztmetszet a kódolásról az ellenőrzésre és a karbantartásra tolódott át.

Az METR egy tanulmánya szerint a tapasztalt nyílt forráskódú fejlesztők 19 százalékkal több időt töltöttek a feladatok befejezésével, annak ellenére, hogy 24 százalékkal gyorsabbnak érezték magukat. A publikációs rendszerben is látható a súrlódás: azokban a mezőkben, ahol az LLM-ek felgyorsítják az írást, a benyújtások száma gyorsan emelkedik, megterhelve a már amúgy is túlterhelt lektorálási rendszert.

A tanulmány szerint az intézményi válaszoknak tudományág-specifikusnak kell lenniük, mert az AI hatása a kutatásra nem egységes gyorsulás. Attól függ, melyik folyamatszakasz kap felgyorsítást. A szoftverfejlesztésről szóló közelmúltbeli tanulmány hasonló dinamikát ír le a „közös javak tragédiájaként”, ahol az egyéni termelékenységi nyereség az output későbbi felülvizsgálatáért és karbantartásáért felelősök rovására történik. A kutatás eredményeit előnyomtatott formában tették közzé a Princeton és a Washingtoni Egyetem kutatói.