Data og AI til videnskab: Vigtige overvejelser

Den første sektion introducerer de grundlæggende koncepter og diskuterer fordelene og udfordringerne ved at gøre videnskabelige data AI-klare.

Det andet afsnit undersøger de vigtigste overvejelser vedrørende databeredskab til AI, og omvendt AI til at kuratere data. Vi bygger på datastandarder, mens vi diskuterer AI-specifikke overvejelser såsom maskinlæsbarhed og biasreduktion, samtidig med at vi fremhæver etiske og miljømæssige overvejelser omkring databeredskab til AI i videnskab.

Det tredje afsnit diskuterer databeredskab inden for rammerne af Open Science og præsenterer to casestudier, der illustrerer, hvordan Open Science-praksisser kan understøtte AI-beredskab til videnskabelig forskning.

Anbefalinger

• Konvergens til eksisterende datarammer og standarder, for eksempel FAIR-R og Croissant, bør bruges af forskere og dataforvaltere.
• Datastyringsstrukturer bør gå ud over tekniske standarder for at fremme lighed, adgang til computerressourcer og kapacitetsopbygning.
• Investering i datainfrastruktur og kompetenceudvikling er en forudsætning for effektiv og konkurrencedygtig brug af kunstig intelligens inden for videnskab.
• Anerkendelse af Karriere inden for dataforvaltning inden for videnskab og incitamenter til at fremme disse færdigheder er en hjørnesten i implementeringen af ​​ovenstående investering.

Data og AI til videnskab: Vigtige overvejelser

September 2025

DOI: 10.24948 / 2025.11

Hent

Dette arbejde blev udført med hjælp fra en bevilling fra International Development Research Centre (IDRC) i Ottawa, Canada. De synspunkter, der udtrykkes heri, repræsenterer ikke nødvendigvis IDRC's eller dets bestyrelses synspunkter.