Когато изкуственият интелект стане научен асистент:
| Artificial intelligence is changing how researchers discover, access, and use scholarly information. Instead of searching academic databases, opening journal articles, and examining references individually, researchers increasingly ask AI assistants to retrieve, summarize, and synthesize scientific literature. But this transition raises several important questions. How can we verify the sources behind AI-generated answers? How do researchers and authors receive appropriate recognition? And how can academic libraries measure the use of scholarly resources when AI systems access them on behalf of users? These questions are central to TRACE: Trusted Retrieval & Attribution for Content Ecosystems, a new initiative introduced in October 2026. What Is The Scholarly Kitchen? The Scholarly Kitchen is an independent, moderated blog established in 2008 by the Society for Scholarly Publishing. It brings together experts in scholarly communication to examine developments in academic publishing, research integrity, open access, information technologies, and academic libraries. On October 7, 2026, Todd A. Carpenter, Executive Director of the National Information Standards Organization (NISO), published an article introducing TRACE and explaining why scholarly communication needs new technical infrastructure for the AI era. What Is TRACE and Why Do We Need It? TRACE brings together scholarly publishers, standards organizations, repositories, technology providers, and other stakeholders to improve the interoperability, transparency, and trustworthiness of AI-assisted scholarly communication. The initiative addresses a growing problem: AI systems increasingly act as intermediaries between researchers and scientific publications, but the infrastructure supporting scholarly communication was primarily designed for human readers. Traditionally, academic libraries and publishers could measure article downloads, database searches, and website visits. Researchers could follow citations to original publications. AI changes this relationship. An assistant may retrieve information from multiple publications, summarize their findings, and provide an answer without the researcher visiting any of the original sources. This creates three interconnected challenges: verifying where information originated, ensuring appropriate attribution, and measuring how AI systems use scholarly content. TRACE aims to address these challenges through shared technical standards rather than through solutions developed independently by individual publishers or AI companies. Three Projects Addressing Three Fundamental Problems The TRACE initiative begins with three complementary projects. 1. NISO: Making AI-Generated Information Traceable The first project focuses on provenance, meaning the documented origin of information and the processes through which an AI system retrieves and uses it. NISO is launching a pilot, planned for up to 12 months, to develop a minimum metadata model that can accompany scholarly content when AI systems retrieve, summarize, or cite it. For example, when an AI assistant summarizes a research paper, the system should be able to identify the original publication, its version, and potentially the specific passage, figure, or dataset supporting an answer. This is particularly important because AI systems sometimes generate fabricated references or cite genuine publications that do not support their claims. The NISO project focuses on provenance during AI inference, when systems retrieve and process information to generate responses. It does not attempt to reconstruct every source used during foundation-model training. 2. COUNTER: Measuring Scholarly Content Usage by AI The second project addresses a challenge for academic libraries: traditional usage statistics no longer capture every interaction with scholarly content. COUNTER, the organization responsible for widely adopted standards for reporting electronic resource usage, is extending its work to include AI-related interactions. This includes measuring when AI systems retrieve scholarly publications, use them to ground generated answers, or cite them in responses. Why does this matter? University libraries invest substantial resources in journal subscriptions, databases, and other digital collections. If researchers increasingly obtain information through AI assistants, conventional download statistics may underestimate how extensively those collections support research. New AI usage metrics would help libraries evaluate resources, negotiate licenses, and demonstrate the contribution of scholarly collections to teaching and research. 3. Ithaka S+R and STM: How Should AI Agents Access Scholarly Content? The third project, The Endpoint Question, is a three-month study led by Ithaka S+R in collaboration with STM. It examines how AI agents discover scholarly information, authenticate users, access licensed or open content, preserve source information, and record usage. Consider a university researcher asking an AI assistant to review recent publications on a particular topic. The assistant may need access to subscription journals, institutional repositories, and open-access databases. Each resource has different access conditions and technical interfaces. The project will investigate how these systems can communicate more effectively, including potential approaches based on protocols such as the Model Context Protocol (MCP). Its findings will inform future standards development. What Does TRACE Mean for Academic Libraries? The initiative signals several possible changes in academic library services. First, information literacy must expand to include AI provenance. Librarians will increasingly need to teach students and researchers how to verify AI-generated claims, inspect original publications, and distinguish authentic citations from misleading references. Second, collection assessment must account for AI-mediated access. Libraries may need new indicators alongside traditional COUNTER statistics to understand how subscribed and open scholarly resources support AI-assisted research. Third, institutional repositories need to become more accessible to AI systems. Reliable metadata, persistent identifiers, appropriate access mechanisms, and clear licensing information will become increasingly important. Fourth, libraries have a role in institutional AI governance. When universities evaluate research assistants and AI discovery platforms, source transparency, attribution, access rights, and verification capabilities should become part of procurement and evaluation criteria. These are implications of TRACE’s proposed direction, rather than capabilities already delivered by the initiative. From Finding Information to Verifying AI-Mediated Knowledge TRACE represents an important development in the relationship between artificial intelligence, academic libraries, and scholarly publishing. Its ambition is not to replace established systems such as DOI, Crossref, or existing scholarly repositories. Instead, it seeks to connect and extend the infrastructure supporting trustworthy scholarly communication. The initiative is still at an early stage. Its projects must produce evidence, test technical approaches, and develop standards that publishers, libraries, and AI developers can implement. For universities, the central lesson is already relevant. Academic libraries will increasingly need to support researchers who encounter scientific knowledge through AI systems rather than directly through library databases. Their responsibilities will extend from helping users discover information to ensuring they can establish its origin, verify its accuracy, and understand how AI systems have used scholarly sources. The question is no longer simply whether researchers should use AI for literature searches. It is also whether the scholarly communication infrastructure can make those AI-assisted searches transparent, accountable, and trustworthy. | Защо проектът TRACE е важен за академичните библиотеки Изкуственият интелект променя начина, по който изследователите откриват, получават достъп до и използват научна информация. Вместо да търсят в академични бази данни, да отварят научни статии и да преглеждат отделни библиографски източници, изследователите все по-често възлагат на AI асистенти да намират, обобщават и синтезират научна литература. Тази промяна обаче поставя няколко важни въпроса. Как можем да проверим източниците, на които се основават отговорите, генерирани от AI? Как да гарантираме правилното позоваване на авторите и техните публикации? И как академичните библиотеки могат да измерват използването на научни ресурси, когато AI системите ги достъпват от името на потребителите? Тези въпроси са в основата на TRACE: Trusted Retrieval & Attribution for Content Ecosystems, нова инициатива, представена през октомври 2026 г. Какво представлява The Scholarly Kitchen? The Scholarly Kitchen е независим, модериран блог, създаден през 2008 г. от Society for Scholarly Publishing (Общество за научно публикуване). Платформата обединява експерти в областта на научната комуникация, които анализират развитието на академичното публикуване, научната етика, отворения достъп, информационните технологии и академичните библиотеки. На 7 октомври 2026 г. Тод А. Карпентър (Todd A. Carpenter), изпълнителен директор на Националната организация за информационни стандарти (NISO), публикува статия, представяща проекта TRACE и необходимостта от нова техническа инфраструктура за научната комуникация в ерата на изкуствения интелект. Какво представлява TRACE и защо е необходим? TRACE обединява научни издателства, организации за стандартизация, научни хранилища, технологични компании и други заинтересовани страни с цел подобряване на оперативната съвместимост, прозрачността и надеждността на научната комуникация, подпомагана от AI. Инициативата разглежда нарастващ проблем: AI системите все по-често изпълняват ролята на посредници между изследователите и научните публикации, докато инфраструктурата на научната комуникация е проектирана предимно за потребители, които сами търсят и четат информация. Традиционно академичните библиотеки и издателствата измерват изтеглянията на статии, търсенията в бази данни и посещенията на уебсайтове. Изследователите могат да проследяват цитиранията до оригиналните публикации. AI променя тези взаимоотношения. Един асистент може да извлече информация от множество публикации, да обобщи резултатите им и да предостави отговор, без изследователят да посещава нито един от оригиналните източници. Това създава три взаимосвързани предизвикателства: проверка на произхода на информацията, осигуряване на коректно позоваване и измерване на начина, по който AI системите използват научно съдържание. TRACE се стреми да отговори на тези предизвикателства чрез общи технически стандарти, вместо чрез решения, разработвани независимо от отделни издателства или AI компании. Три проекта, насочени към три основни проблема Инициативата TRACE започва с три взаимно допълващи се проекта. 1. NISO: Проследимост на информацията, генерирана от AI Първият проект се фокусира върху произхода на информацията (provenance), тоест документирането на нейния източник и процесите, чрез които AI системата я извлича и използва. NISO стартира пилотен проект с продължителност до 12 месеца, чиято цел е да разработи минимален модел на метаданни, съпътстващи научното съдържание при неговото извличане, обобщаване или цитиране от AI системи. Например, когато AI асистент обобщава научна статия, системата трябва да може да идентифицира оригиналната публикация, нейната версия и евентуално конкретния пасаж, фигура или набор от данни, които подкрепят даден отговор. Това е особено важно, тъй като AI системите понякога генерират несъществуващи библиографски източници или цитират реални публикации, които не подкрепят представените твърдения. Проектът на NISO се концентрира върху проследяването на произхода на информацията по време на AI инференция, когато системите извличат и обработват информация, за да генерират отговори. Той няма за цел да възстановява всички източници, използвани при обучението на базовите AI модели. 2. COUNTER: Измерване на използването на научно съдържание от AI Вторият проект разглежда важно предизвикателство пред академичните библиотеки: традиционната статистика за използването на информационни ресурси вече не обхваща всички взаимодействия с научно съдържание. COUNTER, организацията, която разработва широко използвани стандарти за отчитане на електронните информационни ресурси, разширява дейността си, за да включи взаимодействията с AI. Това включва измерване на случаите, когато AI системи извличат научни публикации, използват ги като основа за генерирани отговори или ги цитират. Защо това е важно? Университетските библиотеки инвестират значителни средства в абонаменти за научни списания, бази данни и други дигитални колекции. Ако изследователите все по-често получават информация чрез AI асистенти, традиционната статистика за изтеглянията може да подценява реалната степен, в която тези ресурси подпомагат научната дейност. Новите показатели за използване на съдържание от AI биха помогнали на библиотеките да оценяват информационните ресурси, да договарят лицензи и да демонстрират приноса на научните колекции към обучението и изследванията. 3. Ithaka S+R и STM: Как AI агентите трябва да получават достъп до научно съдържание? Третият проект, The Endpoint Question, представлява тримесечно изследване, ръководено от Ithaka S+R в сътрудничество със STM. То разглежда как AI агентите откриват научна информация, удостоверяват правата за достъп на потребителите, използват лицензирано или свободно достъпно съдържание, запазват информацията за източниците и регистрират използването им. Да разгледаме пример, при който университетски изследовател възлага на AI асистент да направи обзор на последните публикации по определена тема. Асистентът може да се нуждае от достъп до абонаментни научни списания, институционални хранилища и бази данни с отворен достъп. Всеки от тези ресурси има различни условия за достъп и технически интерфейси. Проектът ще изследва как тези системи могат да взаимодействат по-ефективно, включително чрез потенциални решения, основани на протоколи като Model Context Protocol (MCP). Резултатите ще подпомогнат разработването на бъдещи стандарти. Какво означава TRACE за академичните библиотеки? Инициативата очертава няколко възможни промени в услугите на академичните библиотеки. Първо, информационната грамотност трябва да включва проследяване на произхода на AI информацията. Библиотекарите все по-често ще трябва да обучават студенти и изследователи как да проверяват твърдения, генерирани от AI, да преглеждат оригиналните публикации и да разграничават автентичните цитирания от подвеждащи библиографски препратки. Второ, оценяването на библиотечните колекции трябва да отчита достъпа чрез AI. Библиотеките може да се нуждаят от нови показатели, допълващи традиционната статистика на COUNTER, за да разбират как абонаментните и свободно достъпните научни ресурси подпомагат изследванията с AI. Трето, институционалните научни хранилища трябва да станат по-достъпни за AI системите. Надеждните метаданни, постоянните идентификатори, подходящите механизми за достъп и ясните лицензионни условия ще придобиват все по-голямо значение. Четвърто, библиотеките имат роля в институционалното управление на AI. Когато университетите оценяват научни AI асистенти и платформи за откриване на информация, прозрачността на източниците, правилното позоваване, правата за достъп и възможностите за проверка трябва да бъдат част от критериите за избор и оценяване. Това са възможни последствия от посоката, в която се развива TRACE, а не вече реализирани функционалности на инициативата. От откриването на информация към проверката на знания, получени чрез AI TRACE представлява важна стъпка в развитието на отношенията между изкуствения интелект, академичните библиотеки и научното публикуване. Неговата цел не е да замени установени системи като DOI, Crossref или съществуващите научни хранилища. Вместо това инициативата се стреми да свърже и разшири инфраструктурата, която поддържа надеждната научна комуникация. Проектът все още е в начален етап. Предстои отделните инициативи да съберат доказателства, да тестват технически подходи и да разработят стандарти, които издателствата, библиотеките и разработчиците на AI ще могат да прилагат. За университетите основният извод вече е актуален. Академичните библиотеки все по-често ще трябва да подпомагат изследователи, които достигат до научното знание чрез AI системи, вместо директно чрез библиотечните бази данни. Техните отговорности ще се разширят от подпомагане на откриването на информация към осигуряване на възможности за установяване на нейния произход, проверка на достоверността ѝ и разбиране на начина, по който AI системите са използвали научните източници. Въпросът вече не е само дали изследователите трябва да използват AI за търсене на научна литература. Също толкова важно е дали инфраструктурата на научната комуникация може да направи тези търсения прозрачни, проследими и надеждни. |