How librarians are redesigning research in the age of AI

Как библиотекарите променят изследователската практика в ерата на ИИ

Academic research is undergoing a structural shift. On one side stand established systems built on databases, controlled vocabularies, and structured search strategies. On the other side are AI tools with a promise of fast, simplified access to information through natural language.

Librarians operate at the intersection of these two approaches. They do not passively observe the change. They actively test tools, question assumptions, and design new workflows that integrate AI into research without compromising quality.

This transformation moves research from a skill-based activity toward a system-based process.

From search skills to search systems

Traditional academic research required users to:

  • Break topics into keywords
  • Apply Boolean logic
  • Select appropriate databases
  • Iterate queries based on results

These practices required training and support. Librarians played a central role in teaching and guiding users through this process.

AI tools shift this model. Researchers can now:

  • Ask questions in natural language
  • Receive immediate results
  • Access summaries without reading full texts

This shift increases speed and accessibility. At the same time, it introduces limitations:

  • The search process becomes opaque
  • Reproducibility becomes difficult
  • Users may accept outputs without verification

Librarians respond by exploring AI support of research while maintaining transparency and rigor.

Building tools to connect AI and databases

As shared in previous blog post,  one such project is presented by Aster Zhao.

These tools act as intermediaries between users and academic databases. They translate natural language questions into structured queries that databases can process.

Their function includes:

  • Converting user questions into search syntax
  • Executing queries across academic databases
  • Returning structured results

This approach preserves the value of established databases while lowering entry barriers.

Advantages include:

  • Improved access for less experienced users
  • Continued reliance on curated academic sources
  • Alignment with existing research infrastructure

Limitations include:

  • Limited transparency in query generation
  • Reduced control for advanced users
  • Dependence on the quality of AI translation

Librarians use these tools to study how AI can enhance, rather than replace, traditional search practices.

Moving toward iterative and adaptive search

Another direction involves more advanced AI-driven search systems, such as those explored in research by Wang Huajin at Carnegie Mellon.

These systems simulate expert search behavior. Instead of generating a single query, they:

  • Produce multiple search strategies
  • Evaluate results across iterations
  • Refine queries based on feedback

This approach reflects and attempt by experienced researchers and librarians to conduct comprehensive searches.

Sustainable use of AI in research depends on the balance between automation and the control that researchers retain over the process.

Advantages include:

  • Broader coverage of complex topics
  • Reduced likelihood of missing key sources
  • Structured and iterative search processes

Challenges include:

  • Limited transparency in system decisions
  • Difficulty in verifying intermediate steps
  • Variability in performance across topics

Librarians view these systems as promising but emphasize the need for interpretability and user control.

Integrating search with reading and writing

A third direction focuses on integrated research assistants as presented by Alfred Wallace at the University of North Dakota (this is one of my, Plamen Miltenoff’s Alma Maters)

These systems combine multiple stages of research into a unified workflow:

  • Searching for sources
  • Summarizing content
  • Organizing information
  • Supporting writing tasks

This integration reduces fragmentation in the research process.

Advantages include:

  • Increased efficiency
  • Support for early-stage research
  • Assistance for users with limited experience

Risks include:

  • Reduced engagement with primary sources
  • Loss of nuance in summaries
  • Blurring of boundaries between evidence and interpretation

Librarians address these risks by reinforcing the importance of source evaluation and critical reading.

Developing frameworks to understand AI search

In parallel with tool development, librarians such as Aaron Tay focus on conceptual work.

This approach does not produce new tools. Instead, it provides frameworks for understanding and evaluating existing systems.

Key questions include:

  • What function does the system perform
  • How does it generate results
  • What assumptions guide its outputs
  • Can its results be reproduced

These frameworks help researchers distinguish between different types of AI systems and make informed choices.

Without such frameworks, users risk treating all AI tools as equivalent, which leads to inappropriate use.

Making hidden assumptions visible

AI systems rely on underlying assumptions often not visible to users.

Examples include:

  • Criteria for relevance
  • Selection of data sources
  • Methods for generating summaries

Librarians work to uncover these assumptions through systematic testing and comparison.

This effort supports a more critical approach to AI use in research. It shifts attention from outputs to processes.

Creating practical evaluation methods

To support everyday use, librarians develop practical criteria for evaluating AI tools.

Common questions include:

  • Are sources clearly identified
  • Can the search process be traced
  • Does the system allow user control
  • Are summaries clearly distinguished from evidence

These criteria enable researchers to assess tool reliability in specific contexts.

Redefining the role of the librarian

The integration of AI into research changes the role of librarians.

Previous roles included:

  • Teaching database use
  • Supporting search strategy development

Current roles expand to include:

  • Evaluating AI systems
  • Designing research workflows
  • Teaching critical use of AI
  • Promoting transparency and reproducibility

Librarians move from tool instruction toward system design and evaluation.

What this means for research practice

AI tools introduce efficiency into research workflows. They reduce the time required for searching and initial synthesis.

At the same time, they create new risks:

  • Over-reliance on generated summaries
  • Reduced transparency in methods
  • Potential bias in outputs

Researchers must balance efficiency with critical evaluation.

Suggestions for researchers to improve the process

Researchers can take specific steps to strengthen their use of AI in research:

  • Match tools to tasks
    Use AI translation tools for initial search, iterative systems for complex topics, and integrated assistants for early synthesis.
  • Verify sources systematically
    Check original articles rather than relying only on summaries.
  • Document search processes
    Record queries, tools used, and selection criteria to maintain reproducibility.
  • Compare outputs across tools
    Use more than one system to identify inconsistencies or gaps.
  • Maintain control over search strategies
    Refine queries manually when needed instead of relying only on automated outputs.
  • Evaluate transparency
    Prefer tools that show sources, queries, and intermediate steps.
  • Separate evidence from interpretation
    Distinguish between what sources state and how AI summarizes them.
  • Develop basic AI literacy
    Understand how different systems function and what limitations they introduce.

Why this matters

The integration of AI into academic research is no longer optional. It is becoming a standard component of research workflows.

Without critical evaluation and structured use, AI can reduce transparency and weaken research quality.

Librarians contribute by testing systems, exposing limitations, and designing frameworks that support responsible use.

This work remains essential because research depends on trust, traceability, and clarity in how knowledge is produced and validated.

Академичното изследване преминава през структурна промяна. От едната страна стоят утвърдени системи, изградени върху бази данни, контролирани речници и структурирани стратегии за търсене. От другата страна са инструментите с изкуствен интелект, които обещават бърз и опростен достъп до информация чрез естествен език.

Библиотекарите работят точно на пресечната точка между тези два подхода. Те не наблюдават пасивно промяната. Те активно тестват инструменти, поставят под въпрос техните допускания и създават нови изследователски практики, които интегрират ИИ, без да се губи качество.

Тази трансформация премества изследването от дейност, основана на умения, към процес, управляван от системи.

От умения за търсене към системи за търсене

Традиционното академично търсене изискваше от изследователите да:

  • разделят темата на ключови думи
  • използват булева логика
  • избират подходяща база данни
  • променят заявките според резултатите

Тези практики изискваха обучение и подкрепа. Библиотекарите играеха ключова роля в този процес.

ИИ променя този модел. Днес изследователите могат да:

  • задават въпроси на естествен език
  • получават резултати веднага
  • използват обобщения без да четат целите текстове

Това увеличава скоростта и достъпността. В същото време възникват нови ограничения:

  • процесът на търсене остава скрит
  • възпроизводимостта намалява
  • резултатите се приемат без проверка

Библиотекарите реагират, като търсят начини да съчетаят ИИ с прозрачност и научна строгост.

Създаване на инструменти, които свързват ИИ и базите данни

Една линия на развитие включва инструменти като Aster.

Тези инструменти действат като посредници между потребителя и академичните бази данни. Те превеждат въпроси на естествен език в структурирани заявки.

Тяхната функция включва:

  • преобразуване на въпроси в търсещи заявки
  • изпълнение на търсене в академични бази данни
  • връщане на структурирани резултати

Този подход запазва стойността на утвърдените източници и намалява бариерите за достъп.

Устойчивото използване на ИИ в науката зависи от баланса между автоматизацията и контрола, който изследователите запазват върху процеса.

Предимства:

  • по-лесен достъп за начинаещи
  • използване на надеждни академични източници
  • съвместимост със съществуващата инфраструктура

Ограничения:

  • липса на пълна прозрачност при генериране на заявки
  • по-малък контрол за напреднали потребители
  • зависимост от качеството на превода от ИИ

Библиотекарите използват тези инструменти, за да изследват как ИИ може да подпомага, а не да замества търсенето.

Преминаване към итеративно и адаптивно търсене

Друга посока включва по-напреднали системи, базирани на ИИ, като тези, разработвани в изследванията на Wang и други.

Тези системи имитират работата на експертите. Вместо една заявка, те:

  • генерират множество стратегии за търсене
  • оценяват резултатите
  • променят заявките според полученото

Този подход отразява реалната практика на опитните изследователи.

Предимства:

  • по-добро покритие на сложни теми
  • по-малък риск от пропуски
  • систематичен процес на търсене

Предизвикателства:

  • трудна проследимост на решенията
  • ограничена възможност за проверка
  • променливо качество на резултатите

Библиотекарите виждат потенциала, но настояват за по-голяма прозрачност.

Интегриране на търсене, четене и писане

Трета посока включва интегрирани асистенти като Alfred.

Тези системи обединяват няколко етапа от изследването:

  • търсене на източници
  • обобщаване
  • организиране на информация
  • подпомагане на писането

Това намалява фрагментацията в процеса.

Предимства:

  • по-висока ефективност
  • подкрепа за начинаещи
  • ускоряване на началните етапи

Рискове:

  • по-слабо ангажиране с оригиналните източници
  • загуба на нюанси
  • смесване на факти и интерпретации

Библиотекарите подчертават нуждата от критично четене и проверка.

Разработване на рамки за разбиране на ИИ търсене

Паралелно с инструментите, някои библиотекари се фокусират върху анализ и оценка. Работата на Aaron Tay е пример за това.

Този подход поставя въпроси като:

  • Каква функция изпълнява системата
  • Как генерира резултати
  • Какви допускания прави
  • Могат ли резултатите да се възпроизведат

Тези рамки помагат на изследователите да правят информиран избор.

Разкриване на скритите допускания

ИИ системите работят на база решения, които често остават невидими.

Примери:

  • как се определя релевантност
  • кои източници се използват
  • как се създават обобщения

Библиотекарите анализират тези аспекти чрез тестове и сравнения.

Този подход насочва вниманието към процеса, а не само към резултата.

Създаване на практически критерии за оценка

За да подпомогнат ежедневната работа, библиотекарите формулират ясни критерии:

  • показва ли инструментът източниците
  • може ли да се проследи процесът на търсене
  • позволява ли контрол от страна на потребителя
  • отделя ли факти от интерпретации

Тези въпроси подпомагат информираното използване на ИИ.

Промяна в ролята на библиотекаря

ИИ променя професионалната роля.

Преди:

  • обучение за работа с бази данни
  • помощ при изграждане на заявки

Сега:

  • оценка на ИИ инструменти
  • проектиране на изследователски процеси
  • обучение по критично използване на ИИ
  • подкрепа за прозрачност и възпроизводимост

Ролята се измества към стратегическо ниво.

Какво означава това за изследователите

ИИ увеличава ефективността, но въвежда нови рискове:

  • зависимост от обобщения
  • липса на прозрачност
  • възможни пристрастия

Изследователите трябва да балансират скорост и контрол.

Препоръки към изследователите

Изследователите могат да подобрят работата си чрез конкретни действия:

  • съобразяване на инструмента със задачата
    Използване на различни системи според целта на търсенето
  • систематична проверка на източниците
    Преглед на оригиналните публикации
  • документиране на процеса
    Запис на заявки, инструменти и критерии
  • сравняване на резултати
    Използване на повече от един инструмент
  • запазване на контрол върху търсенето
    Ръчно прецизиране при нужда
  • оценка на прозрачността
    Предпочитане на инструменти с ясно показани източници
  • разграничаване на факти и интерпретации
    Анализ на съдържанието, а не само на обобщенията
  • развитие на ИИ грамотност
    Разбиране на начина на работа на системите

Значение

ИИ става част от академичното изследване. Това налага нови изисквания към прозрачност, проверимост и критично мислене.

Работата на библиотекарите е важна, защото гарантира, че тези системи се използват отговорно и в съответствие с научните стандарти. Без такъв подход съществува риск от намаляване на качеството и доверието в научните резултати.