به گزارش گروه علم و فناوری ایسکانیوز، مقاله جدیدی که توسط تیمی از محققان دانشکده مدیریت Kellog و مؤسسه سیستمهای پیچیده در دانشگاه نورث وسترن منتشر شده الگوی یادگیری عمیق را ارائه می دهد که به طور بالقوه می تواند تعیین کند که کدام مقاله قابل تولید است و کدام خیر.
اگر سیستم هوش مصنوعی بتواند بین مطالعات قابل تکرارو غیر قابل تکرار تفاوت قائل شود؛ دانشگاهها، مؤسسات تحقیقاتی، شرکتها و نهادهای امکان فیلترینگ هزاران مقاله تحقیقاتی را خواهند داشت تا مشخص شود کدام مقاله مفید و قابل اعتماد است.
سیستم های هوش مصنوعی توسعه یافته توسط تیم نورث وسترن از نوع شواهد تجربی/ آماری هستند که محققان به طور معمول برای اثبات اعتبار مطالعات خود از آن استفاده می کنند. این مدل در واقع از تکنیک های پردازش زبان طبیعی استفاده می کند تا قابلیت اطمینان مقاله را تعیین کند. این سیستم الگوهای زبان استفاده شده توسط نویسندگان مقاله را استخراج می کند و تعیین می کند که کدام الگوهای کلمه قابلیت اطمینان بیشتری از سایرین دارند.
برایان اوزی محقق و استاد مدیریت دانشکده مدیریت Kellog اظهار امیدواری کرد که روزی با استفاده از هوش مصنوعی بتوان به محققان در زمینه تولید مقاله کمک کرد.
وی اعلام کرد که هنوز در مورد الگوها و جزئیاتی که مدل آن ها آموخته مطمئن نیستند مدل های یادگیری ماشین اغلب مثل یک جعبه سیاه هستند که مشکل رایج در هوش مصنوعی است اما این واقعیت می تواند دانشمندان دیگر را برای استفاده از این مدل حساس کند.
وی گفت: « ما می خواهیم این کار را برای مسئله کووید-19 شروع کنیم این روزها آزمایشات زیادی در این زمینه انجام می شود و وقت هم برای تکرار آن ها و دوباره کاری وجود ندارد.
اوزی و سایر محققان امیدوارند با استفاده از تکنیک های پردازش بیشتر زبان طبیعی، از جمله تکنیک هایی که تیم برای تجزیه و تحلیل رونوشت های تماس در مورد سود شرکت ها ایجاد کرده اند، این مدل را بهبود بخشند.
تیم تحقیقاتی در حال حاضر یک بانک اطلاعاتی در حدود 30 هزار رونوشت تماس ایجاد کرده است که آنها را برای یافتن سرنخها تجزیه و تحلیل می کند. اگر تیم بتواند مدلی موفق بسازد؛ تحلیلگران و سرمایه گذاران ترغیب به استفاده از این ابزار می شوند و بنابراین می تواند راه را برای استفاده های ابتکاری دیگر برای مدل و تکنیک های آن هموار کند.
انتهای پیام/