هر ساله حدود 2.5 میلیون مقاله علمی توسط محققان، پژوهشگران و دانشمندان جهان به چاپ می‌رسد و از سال 1665 تا به امروز در مجموعه بیش از 50 میلیون مقاله به انتشار رسیده است. به علاوه، سرعا انتشار این مقالات علمی نیز افزایش یافته است. به دلیل تکثر بیش از حد در این زمینه محققان نمی‌توانند تمامی مقالات منتشر شده در حوزه تخصصی‌شان را مطالعه کنند و جستجو کردن برای یک مقاله خاص می‌تواند کاری طاقت‌فرسا باشد.
پال الن، یکی از موسسان شرکت مایکروسافت و مدیر موسسه Allen Institute for Artificial Intelligence دست به کار شد. آخرین دستاورد این موسسه یک موتور جستجو با اسم Semantic Scholar است که جستجوی مقالات علمی را انجام می‌دهد و از فناوری یادگیری ماشینی و سایر سیستم‌های هوش مصنوعی نیز بهره می‌گیرد.
این موتور جستجو از سال 2015 کار خود را با تمرکز بر روی مقالات علوم کامپیوتر آغاز کرد. اکنون سرویس آن توسعه پیدا کرده و شامل مقالات مربوط به علوم اعصاب هم می‌شود. هم اکنون Semantic Scholar بیش از 10 میلیون مقاله علمی را شامل می‌شود.
یکی از اهداف این موتور جستجو جایگزینی Google Scholar است. Semantic Scholar برای تجزیه و تحلیل همه مقالات از سیستم هوش مصنوعی و آلگوریتم پردازش زبان طبیعی استفاده می‌کند.
یکی از نقاط ضعف Google Scholar و PubMed پردازش فراداده‌ها است. به طور مثال اگر نام یک نویسنده یا مقاله چند بار تکرار شده باشد در درک اینکه این مقاله بر روی چه ارگانیسمی تست شده یا به یک متغیر اختلاطی اشاره کرده دچار مشکل می‌شوند.
Semantic Scholar تمام متون مقالات را تحلیل می‌کند و با توجه به اینکه در همان حوزه مقالات بسیاری را خوانده است می‌تواند به درستی عبارات کلیدی را که بهنظرش ارزش بیشتری دارند، جستجو کند. این موتور جستجو با استفاده از پردازش زبان طبیعی می‌تواند تشخیص دهد که مقالات نتایج شخصی را بررسی می‌کنند یا نتایج تحقیق و تجربه دیگران را نیز استفاده کرده‌اند. به همین دلیل می‌تواند به جزئیات بسیار کلیدی دست پیدا کند.
نمایش جستجوها در Semantic Scholar بسیار سریع است و ارتباط خوبی با موضوع مورد جستجو دارد و به خوبی دسته‌بندی شده‌اند.
برچسب‌ها: