От достъп до информация към подкрепа на научните изследвания; Защо AI инструментите променят мястото на академическите библиотеки
| Podcast | Подкаст |
| Before AI, libraries helped researchers find, evaluate, and access information. Today, AI research tools are changing that role. Libraries are no longer standing at the entrance to the research process. They are becoming active participants in every stage of it. Russel Michalak sees this as placing libraries directly in the “messy middle.” The messy middle is the space between the opportunities AI creates and the responsibilities universities must continue to uphold. AI can accelerate research, but it cannot replace academic judgment. Libraries are uniquely positioned to help researchers benefit from AI while protecting research quality. New AI research platforms illustrate this shift. Systems such as Claude Science are moving beyond answering questions. They aim to support complete research workflows by combining literature discovery, document analysis, coding, data analysis, visualization, manuscript drafting, and citation checking within a single environment. Instead of switching between multiple applications, researchers can complete much of their work in one AI-supported workspace. For researchers, this is an attractive proposition. Literature reviews become faster. Data can be cleaned more efficiently. Figures and tables can be generated automatically. Draft manuscripts can be prepared in minutes instead of days. Yet every advantage introduces new questions. Can the researcher explain how the AI reached its conclusions? Were important studies overlooked? Were references verified? Can another researcher reproduce the analysis? These questions define the messy middle. Libraries have always helped researchers judge the quality of information. AI expands that responsibility. Instead of teaching only database searching or citation management, librarians increasingly need to help researchers evaluate AI-generated outputs, verify evidence, document AI-assisted workflows, and understand the limitations of automated analysis. Consider a doctoral student beginning a literature review. An AI assistant quickly identifies fifty relevant articles, groups them into themes, and produces a summary of current research. This saves hours of work. But the summary should not become the literature review. The student still needs to examine the original articles, evaluate the research methods, identify disagreements between studies, and determine whether important publications are missing. AI accelerates information processing, but academic judgment remains a human responsibility. The same applies to data analysis. AI can recommend statistical techniques, generate code, detect patterns, and prepare visualizations. These capabilities help researchers work more efficiently. However, researchers remain responsible for deciding whether the chosen methods are appropriate, whether assumptions have been tested, whether results are interpreted correctly, and whether the analysis can be reproduced. Libraries are increasingly supporting these conversations through research data management, open science, reproducibility, and AI literacy initiatives. Another challenge lies in transparency. Many AI systems operate as commercial platforms. Researchers often cannot fully examine the ranking of the results, prioritization of sources the generation of responses were generated. Universities therefore need guidance on issues such as data privacy, copyright, confidential research materials, and responsible disclosure of AI use. Libraries already have expertise in scholarly communication, licensing, metadata, and information governance. AI extends these responsibilities into a new area of close connection between information literacy and AI literacy. This is why libraries now occupy the messy middle. They help researchers balance efficiency with evidence, convenience with transparency, and innovation with research integrity. The question then becomes: how should universities decide what responsible AI use looks like? This is where the Delphi Method offers an important complement. In an earlier Science & Research Institute’s blog post, we discussed the Delphi Method as a structured approach for addressing complex problems where evidence alone cannot provide clear answers. Rather than relying on one expert, the Delphi process brings together diverse specialists who participate in several rounds of anonymous feedback. Over time, areas of agreement emerge while important disagreements remain visible. AI research tools present exactly this type of challenge. Universities must decide: Which AI research tools should faculty and students use? Which research activities require disclosure of AI assistance? How should AI-generated analyses be verified? Which research data should never be uploaded to commercial AI platforms? What role should libraries play in supporting researchers? These questions cannot be answered by technology vendors alone. They require contributions from librarians, researchers, doctoral supervisors, research ethics committees, IT specialists, legal experts, and university leaders. A Delphi study could help universities develop evidence-informed institutional guidance by bringing these perspectives together. AI can even support the Delphi process by summarizing responses, identifying recurring themes, and preparing reports between rounds. At the same time, participants must remain aware of a new risk. If experts rely on similar AI tools to formulate their responses, the technology itself may unintentionally increase agreement and create the appearance of consensus. Human oversight remains essential. For libraries, this represents an important opportunity. Rather than viewing AI as another database or search tool, libraries can become trusted partners in helping researchers use AI responsibly. They can teach critical evaluation of AI outputs, support transparent research workflows, promote reproducibility, and contribute to institutional AI governance. The messy middle is not a temporary phase fort universities eventually to overcome. As AI continues to reshape research, new questions will continue to emerge. Libraries have always helped researchers navigate complexity. In the age of AI, that role becomes more important than ever. Their expertise no longer begins with finding information. It extends to helping the academic community decide how knowledge should be created, verified, documented, and trusted. | Преди появата на изкуствения интелект библиотеките подпомагаха изследователите да откриват, оценяват и получават достъп до информация. Днес AI инструментите за научни изследвания променят тази роля. Библиотеките вече не стоят само на входа на изследователския процес. Те се превръщат в активен участник във всеки негов етап. Ръсел Михалак определя тази нова роля като поставяне на библиотеките в самия център на „сложната среда“ (the messy middle). „Сложната среда“ е пространството между възможностите, които създава изкуственият интелект, и отговорностите, които университетите трябва да продължат да изпълняват. AI може да ускори научните изследвания, но не може да замени академичната преценка. Именно библиотеките са в уникална позиция да помогнат на изследователите да използват предимствата на AI, като едновременно с това защитават качеството на научните изследвания. Новото поколение AI платформи ясно показва тази промяна. Системи като Claude Science вече не се ограничават до това да отговарят на въпроси. Те са създадени да подпомагат целия изследователски процес, като обединяват откриването на научна литература, анализа на документи, програмирането, обработката на данни, визуализацията, подготовката на ръкописи и проверката на цитати в една работна среда. Вместо да преминават между множество различни приложения, изследователите могат да извършат голяма част от работата си в един AI подпомаган работен процес. За учените това е привлекателна възможност. Литературните обзори се изготвят по-бързо. Данните се почистват по-ефективно. Таблици и графики могат да бъдат генерирани автоматично. Първите варианти на научни статии се създават за минути вместо за дни. Но всяко предимство поставя нови въпроси. Може ли изследователят да обясни как AI е достигнал до своите заключения? Пропуснати ли са важни научни публикации? Проверени ли са всички цитирани източници? Може ли друг изследовател да възпроизведе анализа? Именно тези въпроси определят „сложната среда“. Библиотеките винаги са подпомагали изследователите при оценяването на качеството на информацията. Изкуственият интелект разширява тази отговорност. Освен обучение за работа с научни бази данни или управление на библиографски източници, библиотекарите все по-често трябва да подпомагат изследователите при оценяването на AI генерирани резултати, проверката на доказателствата, документирането на AI подпомогнати работни процеси и разбирането на ограниченията на автоматизирания анализ. Да разгледаме един пример. Докторант започва литературен обзор. AI асистент бързо открива петдесет подходящи публикации, групира ги по теми и създава обобщение на текущото състояние на научните изследвания. Това спестява часове работа. Но това обобщение не трябва да се превръща в самия литературен обзор. Докторантът все още трябва да прочете оригиналните публикации, да оцени използваните методи, да открие различията между отделните изследвания и да прецени дали не липсват важни трудове. AI ускорява обработката на информацията, но академичната преценка остава човешка отговорност. Същото важи и за анализа на данни. AI може да препоръча статистически методи, да генерира програмен код, да открива закономерности и да подготвя визуализации. Това помага на изследователите да работят по-ефективно. Въпреки това именно изследователят носи отговорност да прецени дали избраните методи са подходящи, дали са проверени необходимите предпоставки, дали резултатите са интерпретирани правилно и дали анализът може да бъде възпроизведен. Все по-често библиотеките подкрепят този процес чрез инициативи, свързани с управление на научни данни, отворена наука, възпроизводимост на научните изследвания и AI грамотност. Друго важно предизвикателство е прозрачността. Много AI системи функционират като търговски платформи. Изследователите често не могат да проследят как са подредени резултатите, защо определени източници са получили приоритет или по какъв начин е генериран даден отговор. Затова университетите се нуждаят от ясни насоки относно защитата на данните, авторското право, работата с поверителни научни материали и отговорното деклариране на използването на AI. Библиотеките вече притежават експертиза в областта на научната комуникация, лицензирането, метаданните и управлението на информацията. Изкуственият интелект разширява тези компетентности в нова област, в която информационната грамотност и AI грамотността се преплитат все по-тясно. Именно затова библиотеките днес се намират в „сложната среда“. Те помагат на изследователите да намерят баланс между ефективността и надеждността на доказателствата, между удобството и прозрачността, между иновациите и научната почтеност. Следващият въпрос е: как университетите могат да определят как изглежда отговорното използване на AI? Тук методът Делфи предлага ценно решение. В предишна публикация в блога на Научноизследователския Институт разгледахме метода Делфи като структуриран подход за решаване на сложни проблеми, при които наличните доказателства сами по себе си не дават еднозначен отговор. Вместо да разчита на мнението на един експерт, методът събира специалисти с различен опит, които участват в няколко последователни кръга на анонимна обратна връзка. Постепенно се очертават областите на съгласие, като същевременно важните различия в мненията остават видими. AI инструментите за научни изследвания поставят именно такъв тип въпроси. Университетите трябва да решат: • Кои AI инструменти за научни изследвания трябва да използват преподавателите и студентите? • При кои изследователски дейности използването на AI трябва да бъде декларирано? • Как трябва да се проверяват AI генерираните анализи? • Кои научни данни никога не трябва да се качват в комерсиални AI платформи? • Каква трябва да бъде ролята на библиотеките в подкрепа на изследователите? На тези въпроси не могат да отговорят единствено разработчиците на технологии. Необходимо е участието на библиотекари, учени, научни ръководители, комисии по научна етика, IT специалисти, юристи и университетското ръководство. Едно Делфи изследване може да помогне на университетите да разработят институционални насоки, основани на доказателства, като обедини всички тези гледни точки. Самият AI също може да подпомогне процеса Делфи чрез обобщаване на отговорите, откриване на повтарящи се теми и подготовка на междинни доклади. В същото време участниците трябва да бъдат внимателни към един нов риск. Ако експертите използват сходни AI инструменти при формулирането на своите становища, технологията може неволно да увеличи степента на съгласие и да създаде привидно единодушие. Затова човешката преценка остава незаменима. За библиотеките това представлява важна възможност. Вместо да възприемат AI като поредната база данни или инструмент за търсене, библиотеките могат да се превърнат в надежден партньор, който подпомага изследователите да използват AI отговорно. Те могат да обучават за критична оценка на AI резултатите, да подпомагат прозрачните научни работни процеси, да насърчават възпроизводимостта на научните изследвания и да участват в изграждането на университетски политики за използване на AI. „Сложната среда“ не е временен етап, който университетите скоро ще преодолеят. С развитието на AI ще възникват все повече нови въпроси. Библиотеките винаги са помагали на изследователите да се ориентират в сложността на научната информация. В ерата на изкуствения интелект тази роля става още по-значима. Тяхната експертиза вече не започва и не завършва с откриването на информация. Тя се разширява към подпомагане на академичната общност да решава как знанието трябва да бъде създавано, проверявано, документирано и заслужаващо доверие. |