Artificial Intelligence Архіви

ЛІМІТ НА ПОДАННЯ РУКОПИСІВ ЯК ВІДПОВІДЬ НА ПОТІК ШІ-ГЕНЕРОВАНИХ СТАТЕЙ

На сайті Times Higher Education опубліковано статтю Дірка Ліндебаума «Журнали мають обмежити кількість подань від кожного автора — але є нюанс».

У ній професор менеджменту та колишній головний редактор журналу пропонує два взаємопов’язані кроки, які дозволять протистояти ерозії якості наукових публікацій під впливом ШІ. Йдеться про якісні критерії оцінювання, що підкреслюють унікальну позицію автора, а також ліміти на кількість подань. Процес створення знання є соціальною справою: автори, рецензенти й редактори спілкуються, слухають один одного, уточнюють своє бачення, говорять про сумніви й знаходять консенсус. Наразі цей процес знаходиться під загрозою через масове перекладання, написання, рецензування і навіть прийняття редакційних рішень на основі технології ШІ. У 2025 році в науковий обіг потрапило понад 140 тисяч посилань на неіснуючі статті. ШІ допомагає публікувати більше і швидше, оскільки це безпосередньо впливає на кар’єри, але якість досліджень знижується. Упередження ШІ, закладені в навчальних даних, передаються людям і посилюються в петлях зворотного зв’язку «людина–ШІ». Схильність моделей відтворювати дані, на яких їх навчали, також поглиблює тенденцію до зменшення частки справді новаторських ідей. Багато авторів не розкривають використання ШІ, навіть коли журнали вимагають цього або прямо забороняють роботу з ШІ, в результаті політики розкриття працюють гірше, ніж це очікувалося. Контролювати застосування ШІ практично неможливо. Потрібно переглянути критерії підготовки та оцінювання рукописів, які заохочують чіткий, унікальний голос автора: володіння літературою, методом, аналізом, внеском і практичними рекомендаціями. Це особливо важливо в час, коли головним дефіцитом є не доступ до інформації, а здатність формувати й застосовувати обґрунтоване судження в умовах потоку нейрослопу. ШІ може бути корисним як «сократівський співрозмовник» для розвитку ідей, але здатність користуватися ним відповідально залежить від досвіду. Молоді науковці, аспіранти і студенти за нинішньої системи стимулів, яка цінує кількість публікацій вище за якість та оригінальність ідей, можуть не отримати мотивації для формування такої експертизи. Якщо рівень експертизи знизиться, відновити його буде надзвичайно важко. Крім того, є сенс запровадити ліміти на подання. Кожен автор, якого можна ідентифікувати за допомогою ORCID, може подавати до журналу не більше трьох нових рукописів на рік. Також автора можна стимулювати до підвищення якості першої версії: за кожне запрошення до перегляду й повторної подачі автор отримує право на одну додаткову подачу упродовж року, що може зменшити практику використання журналу як засобу «попередньої перевірки» готовності матеріалу. Треба розвивати людське судження й цінувати його у дослідницькому процесі, розуміючи неможливість повністю контролювати використання ШІ. Замість заборон і поліцейських заходів можна управляти обсягом подань і підтримувати експертизу.

Детальніше: https://www.timeshighereducation.com/opinion/journals-should-cap-each-authors-submissions-twist

Фото: pixabay.com

#НРАТ_Усі_новини #НРАТ_Науковцям_новини #НРАТ_Освітянам_новини #НРАТ_ШтучнийІнтелект #НРАТ_АкадемДоброчесність #НРАТ_Бібліотекарям #НРАТ_НауковіВидання_новини #НРАТ_TimesHigherEducation

2026-10-30

ВІД ДЕТЕКТОРІВ ШІ ДО СОКРАТІВСЬКОГО ДІАЛОГУ

На сайті Times Higher Education опубліковано статтю Б. Шеби та М. Бонда «А що, якби ШІ міг зміцнити академічну доброчесність?».

У ній пропонується змінити підхід до системи оцінювання в епоху генеративного ШІ. Традиційні есе більше не є надійним способом перевірки, а детектори ШІ дають хибні спрацьовування й не мають доказової сили. Замість того, щоб удосконалювати процедури виявлення списування, пропонується зробити списування недоречним, використовуючи ШІ як інструмент безперервного, діалогічного оцінювання. Альтернативи на кшталт цілісного перегляду робіт, прямого нагляду, підтверджувальних доказів чи усних іспитів по суті залишаються формами виявлення порушень. А виявлення й дисциплінарні заходи — слабка основа для справжньої академічної доброчесності. Платформа Duologue, яку автори розробили й випробували, дозволяє студенту працювати з тьютором, який пропонує сократівські запитання, перевіряючи, що саме студент уже знає, де він має прогалини в розумінні. Це більше не цифровізований усний іспит, а навчальна подорож, під час якої у режимі реального часу перевіряють нові знання. Duologue не є підтримкою викладання у традиційному сенсі: тут немає аватара, який читає лекції. Система веде студентів через те, що їм потрібно опанувати, підтримуючи їх залежно від наданих відповідей, а не просто «спускаючи» контент зверху, що може бути навіть більш корисним за звичайні семінари. Академічну доброчесність не захистити, ставши кращими у вгадуванні, чи писала текст машина. Навіть якби детекція стала досконалою, есе все одно залишалося б кривим виміром: технічно грамотний текст завжди можна було створити без глибокого розуміння. Натомість доброчесність найкраще захищати, стаючи кращими у демонстрації того, чи здатний студент мислити. У ширшому контексті дискусій про оцінювання в епоху генеративного ШІ фокус зміщується з поліцейських заходів і детекторів – на перебудову процесу навчання так, щоб штучний інтелект працював на розвиток судження студента, а не проти нього.

Детальніше: https://www.timeshighereducation.com/opinion/what-if-ai-could-strengthen-academic-integrity, https://www.duologue.ac.uk/

Фото: pixabay.com

#НРАТ_Усі_новини #НРАТ_Науковцям_новини #НРАТ_Освітянам_новини #НРАТ_ШтучнийІнтелект #НРАТ_АкадемДоброчесність #НРАТ_Бібліотекарям #НРАТ_TimesHigherEducation

2026-10-29

ВІД ЗАБОРОН ДО ВІДПОВІДАЛЬНОГО ВИКОРИСТАННЯ: ЯК ЗМІНЮЄТЬСЯ ПОЛІТИКА НАУКОВИХ ВИДАВНИЦТВ ЩОДО ШІ

На сайті Times Higher Education опубліковано статтю Еллі Джендл «Ми ставимо неправильне запитання про ШІ в дослідженнях».

У ній керівниця політики щодо журналів видавничої групи Springer Nature пропонує змістити увагу з питання, чи використовувався штучний інтелект під час дослідження або підготовки публікації, на те, як саме його застосовували, які ризики це створює та чи забезпечено належний людський контроль. На думку авторки, підходи, побудовані переважно на переліках дозволених і заборонених інструментів, швидко застарівають по мірі розвитку технологій. ШІ вже використовують для пошуку наукової літератури, аналізу даних, написання програмного коду, підготовки й редагування текстів. Проте різні способи його застосування мають різний рівень ризику. Допомога з перекладом, упорядкуванням інформації або читабельністю тексту не тотожна використанню ШІ для формування наукових інтерпретацій, оцінок чи рішень, які безпосередньо впливають на зміст дослідження. Відповідно, відрізнятися мають і заходи контролю. Однією з перешкод для відповідального використання технологій Джендл називає небажання дослідників повідомляти про застосування ШІ. Частина науковців побоюється, що таке розкриття інформації саме по собі викличе сумніви в якості їхньої роботи; інші не розуміють, коли й наскільки докладно потрібно декларувати використання ШІ-інструментів. У результаті суттєвий вплив штучного інтелекту на дослідницький процес може залишатися поза належною перевіркою. Автор наголошує на кількох основних принципах: відповідальності, прозорості, конфіденційності, редакційній незалежності та науковому судженні. Дослідники мають відповідати за точність і доброчесність своїх робіт, а редактори — за ухвалені редакційні рішення. Передавати цю відповідальність системам ШІ не можна. Водночас декларування використання технологій не повинно автоматично сприйматися як ознака порушення. Важливою умовою є узгодженість вимог до ШІ на різних етапах дослідницького процесу — від планування проєкту й подання заявки на фінансування до інституційної перевірки та публікації результатів. Якщо університети, фінансові установи, дослідники й видавці застосовуватимуть несумісні правила, науковцям буде складніше відкрито повідомляти про використання технологій і розуміти наслідки такого розкриття. Отже, неприйнятним є як безумовний дозвіл на використання ШІ, так і відмова від оцінювання конкретних ризиків його застосування. Необхідне прозоре декларування використання ШІ та збереження людської відповідальності. Для наукового видавництва ключовим стає не сам факт застосування цієї технології, а те, чи не підриває її використання достовірність дослідження, конфіденційність і незалежність наукового судження.

Детальніше: https://www.timeshighereducation.com/opinion/were-asking-wrong-question-about-ai-research

Фото: pixabay.com

#НРАТ_Усі_новини #НРАТ_Науковцям_новини #НРАТ_Освітянам_новини #НРАТ_ШтучнийІнтелект #НРАТ_TimesHigherEducation

2026-10-23

ЯК НОВІ ДЕТЕКТОРИ ШІ ДОПОМАГАЮТЬ ПЕРЕВІРЯТИ ДОСТОВІРНІСТЬ НАУКОВИХ ПУБЛІКАЦІЙ

На сайті Times Higher Education опубліковано статтю Розалінд Скіллен «Нові інструменти допомагають виявляти фальщовані зображення у наукових статтях».

У ній розглядаються можливості нових цифрових інструментів для виявлення підроблених, змінених або повторно використаних зображень у наукових публікаціях. Проблема стає все більш актуальною через поширення генеративного штучного інтелекту, здатного створювати переконливі зображення, які можуть видаватися за результати реальних експериментів. Мікробіолог і консультант з питань наукової доброчесності Елізабет Бік, яка раніше виявляла підозрілі зображення переважно вручну, нині використовує інструменти ImageTwin і Proofig. Вони дозволяють проаналізувати зображення, представлені у наукових статтях і порівнюють їх із базами, що містять мільйони раніше опублікованих зображень. Це допомагає знаходити повторне використання матеріалів й виявляти дублювання окремих елементів, які можуть залишитися непоміченими під час звичайної перевірки. Однак виявлення зображень, створених генеративним ШІ, залишається дуже складним завданням. Після публікації зображення часто стискають, через що втрачаються деталі, важливі для цифрової експертизи. Крім того, автоматичні системи можуть помилково позначати старі зображення низької контрастності або не виявляти штучно створені матеріали. Ситуацію ускладнює й часткове використання ШІ: наприклад, фотографія може бути справжньою, але окремий об’єкт або фрагмент фону в ній — згенерованим. Наразі дослідницька група під керівництвом професора Хайхун Е з Пекінського університету пошти та телекомунікацій розробляє інструменти для виявлення маніпуляцій із науковими зображеннями. Моделі навчають на прикладах наборів даних, а нові випадки підробок використовують для їх оновлення. Результати автоматичного аналізу зіставляються з оцінками фахівців. Такі інструменти можуть стати у нагоді для визначення випадків, що потребують додаткової перевірки, але жодним чином не як остаточний доказ порушення. Виявлення використання ШІ не тотожне виявленню шахрайства: розкрито створена ШІ-ілюстрація може бути цілком прийнятною, тоді як традиційно відредаговане зображення здатне істотно спотворювати результати дослідження. Отже, автоматизована перевірка розширює можливості редакторів і дослідників знаходити підозрілі зображення, але не замінює експертного аналізу. Для встановлення достовірності важливо перевіряти походження зображення, історію його обробки та відповідність наведених матеріалів реальному перебігу дослідження. Сам алгоритмічний сигнал не може бути достатньою підставою для звинувачення в науковому шахрайстві.

Детальніше: https://www.timeshighereducation.com/news/new-tools-help-detect-fraudulent-images-scientific-papers

Фото: pixabay.com

#НРАТ_Усі_новини #НРАТ_Науковцям_новини #НРАТ_Освітянам_новини #НРАТ_ШтучнийІнтелект #НРАТ_TimesHigherEducation

2026-10-21

ОЕСР: ЦИФРОВА ІНФРАСТРУКТУРА ПЕРЕХОДИТЬ ВІД РОЗШИРЕННЯ ДОСТУПУ ДО ПІДВИЩЕННЯ ЯКОСТІ ЗВ’ЯЗКУ

Організація економічного співробітництва та розвитку опублікувала статистичний огляд «Високопродуктивні широкосмугові мережі поширюються в країнах ОЕСР на тлі зростання попиту, зумовленого ШІ, хмарними обчисленнями та підключеними пристроями».

У документі проаналізовано зміни у сфері широкосмугового зв’язку, поширення оптоволоконних мереж і 5G, а також розвиток альтернативних технологій доступу до мережі інтернет. Наведені дані свідчать: зі зростанням потреб у передаванні даних країни ОЕСР поступово зміщують увагу з простого збільшення кількості підключень до підвищення швидкості, пропускної здатності та надійності мереж. Частка підключень до фіксованого широкосмугового інтернету, здатних забезпечувати гігабітну швидкість, зросла з 4% у 2020 році до 24% у 2025-му. Оптоволокно вже становить 51% усіх фіксованих широкосмугових підключень у країнах ОЕСР проти 31% п’ять років тому. Водночас загальне охоплення фіксованого широкосмугового зв’язку зростало повільніше: з 33 до 37 підключень на 100 жителів. Це вказує на поступове насичення ринку та перехід користувачів від застарілих технологій до більш продуктивних мереж. Розширюється використання мобільного зв’язку: у 2025 році на одну SIM-картку в країнах ОЕСР припадало в середньому 17 ГБ мобільних даних на місяць, що на 130% більше, ніж у 2020 році. Технологія 5G, доступна в усіх країнах ОЕСР, забезпечувала 46% мобільних широкосмугових підключень проти 19% у 2022 році. Її висока пропускна здатність і мала затримка передавання сигналу важливі для використання ШІ, хмарних сервісів та підключених пристроїв. Паралельно зростає роль альтернативних способів підключення. Частка фіксованого бездротового доступу у структурі фіксованого широкосмугового зв’язку збільшилася з 4,8% у 2023 році до 5,8% у 2025-му. Частка супутникового інтернету за цей період зросла з 0,5% до 1,15%, а кількість супутникових підключень — на 122%. Такі технології можуть допомагати забезпечувати зв’язок у віддалених районах, де прокладання наземної інфраструктури складне або дороге. Аналіз даних ОЕСР дає підстави для висновків про структурну перебудову цифрової інфраструктури, в рамках якої оптоволокно та 5G посилюють позиції, в застарілі технології поступово їх втрачають. Подальший розвиток мереж має відповідати не лише зростанню обсягів передавання даних, а й потребам у швидкому, стабільному та доступному зв’язку.

Детальніше: https://www.oecd.org/en/data/insights/statistical-releases/2026/10/high-capacity-broadband-networks-gain-ground-across-oecd-as-ai-cloud-computing-and-connected-devices-drive-demand.html

Фото: скріншот

#НРАТ_Усі_новини #НРАТ_Науковцям_новини #НРАТ_Освітянам_новини #НРАТ_Інноваторам_новини #НРАТ_ШтучнийІнтелект #НРАТ_OECD

2026-10-20

ОЕСР: АГЕНТСЬКИЙ ШІ

Організація економічного співробітництва та розвитку опублікувала робочий документ «Агентський ШІ в організаціях.

Перші висновки з інтерв’ю з практикуючими фахівцями» із серії «Документи ОЕСР щодо штучного інтелекту». У ньому розглядається, як агентні системи штучного інтелекту розробляються, розгортаються та регулюються на практиці. На основі аналізу інтерв’ю з організаціями з різних регіонів та секторів, експерти досліджують нові види застосування, переваги, проблеми та підходи до управління агентним ШІ. Концептуальний аналіз доповнюється узагальненням думок практиків, що буде корисним для майбутніх досліджень й політичних обговорень різноманітних питань розроблення й упровадження агентного штучного інтелекту.

Детальніше: https://www.oecd.org/en/publications/agentic-ai-in-organisations_1257a26f-en.html, https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/09/agentic-ai-in-organisations_1f17d235/1257a26f-en.pdf, https://doi.org/10.1787/1257a26f-en

Фото: скріншот

2026-10-12

ВІД ОЦІНЮВАННЯ ГОТОВОГО РЕЗУЛЬТАТУ ДО ОЦІНЮВАННЯ НАВЧАЛЬНОГО ПРОГРЕСУ В ЕПОХУ ШІ

На сайті Times Higher Education опубліковано статтю Емми Рансом «Оцінювання вже перероблено для ери ШІ. Чому ж не змінилося виставлення оцінок?».

У ній авторка стверджує, що університети активно переосмислюють зміст і формат студентських завдань через поширення генеративного штучного інтелекту, але значною мірою продовжують оцінювати результати за старою моделлю — передусім за якістю кінцевого продукту. Рансом вважає, що ця невідповідність стала особливо помітною в умовах, коли ШІ може істотно змінити вигляд кінцевої роботи. Якщо студент подає добре написаний текст, сама його якість уже не обов’язково дає змогу зрозуміти, скільки міркувань, роботи та навчального поступу стоїть за результатом. Тому, на думку авторки, питання полягає не лише в тому, як спроєктувати завдання, стійкіші до використання ШІ, а й у тому, як змінити саме судження про якість студентської роботи. Рансом пропонує перехід від оцінювання окремих дисциплін до оцінювання розвитку студента упродовж року. За модульної системи навчання результат часто фіксується через низку окремих завдань і оцінок, які сприймаються як самостійні показники. Натомість оцінювання на рівні року або програми, на думку авторки, дало б змогу бачити не окремі «знімки» результативності, а послідовний розвиток знань і вмінь. Другий напрям — надати більшої ваги взаємному оцінюванню студентів, адже взаємне рецензування є основою наукової системи, тоді як у вищій освіті оцінювання одне одного студентами здебільшого залишається формувальною вправою, а підсумкову оцінку виставляє викладач. Авторка припускає, що за умов використання ШІ академічний час доцільніше спрямовувати не лише на перевірку готового продукту, а й на розвиток здатності студентів критично оцінювати роботу — власну та інших. Третя пропозиція полягає в тому, щоб оцінювати не лише кінцевий результат, а й траєкторію навчання, зосередивши увагу на тому, яку відстань студент пройшов від початкового рівня до підсумкового результату. ГШІ зробив проблему оцінювання особливо гострою: гарний текст може бути результатом дуже різного обсягу самостійної роботи й осмислення. Четвертий напрям — зробити усний захист не винятком, а звичайним елементом оцінювання. Нині усний захист переважно використовується в докторантурі чи в окремих ситуаціях, коли необхідно додатково перевірити роботу здобувача освіти. Розвиток технологій транскрибування та підтримки оцінювання може зменшити проблему масштабованості такого формату. Короткий структурований усний захист значущої роботи дає змогу безпосередньо перевірити розуміння студентом власного результату, його аргументації та прийнятих рішень. Усі чотири пропозиції змінюють сам об’єкт оцінювання: ним стає не готовий артефакт, а розвиток студента, його здатність оцінювати якість, його навчальна траєкторія та здатність пояснити власну роботу. При цьому Рансом визнає, що такого роду зміни створюють серйозні адміністративні труднощі.

Детальніше: https://www.timeshighereducation.com/opinion/assessment-has-been-redesigned-ai-era-why-hasnt-marking

Фото: pixabay.com

#НРАТ_Усі_новини #НРАТ_Науковцям_новини #НРАТ_Освітянам_новини #НРАТ_ШтучнийІнтелект #НРАТ_TimesHigherEducation

2026-10-09

ОЕСР: ЯК ЕКОНОМІЧНА БЕЗПЕКА ФОРМУЄ НАУКУ, ТЕХНОЛОГІЇ ТА ПРОМИСЛОВУ ПОЛІТИКУ

У блозі ОЕСР опублікований матеріал «Як економічна безпека формує науку, технології та промислову політику».

У ньому йдеться про те, що економічна безпека змінює політику в галузі науки, технологій та промисловості, – від штучного інтелекту та напівпровідників до критично важливих мінералів, даних та безпеки досліджень. Експерти акцентують увагу на тому, як проблеми економічної безпеки впливають на політику в галузі технологій, промисловості, ланцюгів поставок і досліджень, а також наслідки для стійкості, відкритості та інновацій. Економічна безпека дедалі більше тісно пов’язана з політикою у сфері науки, технологій та промисловості. Прагнучи захистити свою економічну стабільність і зростання, а також зміцнити власну стійкість, країни дедалі частіше звертаються до політики НТІ для розвитку внутрішнього потенціалу у галузях промисловості, що базуються на науці та технологіях, посилення своєї конкурентоспроможності у стратегічних промислових секторах, управління міжнародними потоками науково-технічних знань та зменшення небажаної залежності у глобальних ланцюгах створення вартості. Це кардинально змінює політику в усіх сферах сучасної економіки: від штучного інтелекту та квантових технологій до напівпровідників, сталі, суднобудування, цифрової інфраструктури, управління даними та співпраці в дослідженнях. Політика в галузі НТІ стає центральною складовою ширшої економічної політики, а також міжнародних відносин у мінливому геополітичному контексті. Хоча політичні виклики різняться в різних галузях науки, технологій та промисловості, вони порушують спільне питання: як країни можуть керувати стратегічними залежностями та зміцнювати стійкість, зберігаючи при цьому відкритість та міжнародну співпрацю, від яких залежать інновації, а зрештою й економічне процвітання? ШІ розглядається не лише як технологія загального призначення, а й як стратегічний потенціал, що має значення для продуктивності, економічної конкурентоспроможності та національної безпеки. Він продовжує залучати зростаючу частку приватних інвестицій: на компанії, що займаються ШІ, припадало 62% світових венчурних інвестицій у 2025 році або 276 млрд дол. США. Стійкі державні інвестиції у дослідження та розробки все частіше розглядаються як стратегічний інструмент для розвитку кібербезпеки, оборони й стратегічної розвідки. Разом ці інвестиції свідчать про те, що конкуренція у сфері штучного інтелекту поширюється на інфраструктуру та дослідницькі можливості, необхідні для розробки та впровадження технології. Подібна тенденція спостерігається у квантових технологіях, ландшафт яких швидко змінюється упродовж останнього десятиліття. Щорічне фінансування квантових досліджень і розробок зросло більше, ніж у п’ять разів у 19 країнах ОЕСР з 2015 року.

Детальніше: https://www.oecd.org/en/blogs/2026/09/how-economic-security-is-shaping-science-technology-and-industrial-policy.html

Фото: скріншот

2026-10-06

ОЕСР: РИНКИ ШТУЧНОГО ІНТЕЛЕКТУ

Організація економічного співробітництва та розвитку опублікувала звіт «Ринки штучного інтелекту» і короткий огляд політики «Останні події та проблеми конкуренції» з серії «Ринки штучного інтелекту».

Документ містить інформацію щодо стану конкуренції на ринках штучного інтелекту, а також аналіз широкого спектру наслідків для економічного зростання. Він спирається на попередні дослідження ОЕСР щодо ринків штучного інтелекту та конкуренції з урахуванням оновлених даних. Експерти наголошують, що окремі сегменти ринків ШІ (зокрема – базові моделі) демонструють високий динамізм протягом останніх трьох років, але на різних рівнях ланцюжка створення вартості штучного інтелекту зберігаються кілька структурних ризиків. Розробка та впровадження ШІ змінюють ефективність бізнесу, структуру витрат, стратегічні переваги, що має свої наслідки. Штучний інтелект може забезпечити значні економічні та соціальні вигоди, які будуть сильнішими, якщо ринки залишатимуться відкритими, інноваційними та конкурентними в усьому ланцюжку створення вартості ШІ. Однак поточна структура ринків ШІ створює значні ризики для конкуренції. Технологічні гіганти стикаються з певною конкуренцією з боку динамічних, спеціалізованих постачальників, що у першу чергу стосується базових моделей, де продуктивність продовжує покращуватися, ціни знижуються, а технологічне лідерство в можливостях моделей штучного інтелекту неодноразово оскаржується. Разом із тим, зростатимуть структурні ризики для конкуренції в ланцюжку створення вартості штучного інтелекту: йдеться про сильну концентрацію ключових ресурсів (обчислення, дані та навички), переваги першопрохідців та зростаючу вертикальну інтеграцію. Подальше швидке удосконалення ШІ та преференційні партнерства з існуючими лідерами в критичних сегментах (особливо – у постачанні чіпів та наданні хмарних послуг) можуть створити визначальні переваги для кількох компаній та ще більше сконцентрувати цифрові ринки.

Детальніше: https://www.oecd.org/en/publications/artificial-intelligence-markets_d531d73f-en.html, https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/07/artificial-intelligence-markets_cce1ac41/d531d73f-en.pdf, https://doi.org/10.1787/d531d73f-en

Фото: скріншот

2026-09-30

ЗАХИСТ ЯКОСТІ ДАНИХ ОФІЦІЙНОЇ СТАТИСТИКИ В ЕРУ ШТУЧНОГО ІНТЕЛЕКТУ

У блозі ОЕСР опублікований матеріал «Захист якості даних офіційної статистики в еру штучного інтелекту».

Генеративний штучний інтелект змінює те, як люди отримують доступ до офіційних статистичних даних. Чи можна забезпечити збереження якості даних та довіру користувачів до отриманої інформації? Все більше людей, зокрема – журналістів, політиків, – отримують доступ до офіційної статистики через чат-ботів та ШІ- помічників, а не через офіційні веб-сайти національних статистичних інститутів чи урядів. Тепер інформація проходить через низку цифрових посередників, які її отримують, інтерпретують та перерозподіляють, що неодмінно буде призводити до втрат і викривлень. Можуть зникнути дані щодо контрольного періоду, примітки, методологічні пояснення, які дозволяють користувачеві судити, чи відповідає показник його конкретному питанню. ШІ може суттєво покращити доступ до офіційної статистики, полегшивши пошук даних та їх сприйняття. Замість безпосередньої взаємодії з таблицями чи інформаційними панелями, користувачі все частіше отримують згенеровані ШІ дані з простими і зрозумілими коментарями. Це робить статистику більш доступною для користувачів-неекспертів, але така зручність має суттєвий недолік: базова інформація вже була відібрана, інтерпретована та узагальнена системою ШІ у такий спосіб, про який користувач майже ніколи не дізнається. Наприклад, виноска до редакції може не пережити шлях ШІ, як і відомості про джерело. Користувачі отримують велику кількість інформації, але не можуть розуміти контекст і базову структуру даних, що необхідно для оцінки якості інформації та її подальшого ефективного використання, адже користувач повинен знати про походження, належність, валідність та репрезентативність даних. Щойно штучний інтелект стає посередником у взаємозв’язку між даними та користувачами, питання якості виходить за рамки оцінювання показника. Тут важливо пам’ятати про відстежуваність, машиночитабельність та репрезентативність. Системи ШІ не мають вбудованої інформації про те, чи було джерело переглянуто, виправлено або вилучено. У дослідженні 2025 року ChatGPT було запропоновано оцінити 217 відкликаних дослідницьких статей і жодного разу чатбот не вказав користувачу на те, що йдеться саме про відкликані матеріали. Надійність відповіді ШІ залежить від структури джерела: точність пошуку досягає 91% для добре структурованого тексту і знижується до 86% для менш структурованого. Системи ШІ загального призначення навчаються на будь-яких даних, яких найбільше у відкритому доступі, але їхня кількість не є свідченням репрезентативності. Офіційна статистика є суспільним благом у строгому економічному сенсі: вона неконкурентна (використання однією особою не применшує використання іншою) і вона не підлягає виключенню (доступ до неї не може бути обмежений), тому вона традиційно надавалася державою, а не ринковими гравцями. ШІ починає змінювати ситуацію: контент залишається публічним, дані залишаються вільними для доступу, але змістовний доступ мігрує за преміум-асистентами, платними інтерфейсами та висококонцентрованою інфраструктурою (50% захищених інтернет-серверів світу розміщена в одній країні). Отже, суспільне благо може стати таким, що підлягає виключенню без будь-якого свідомого рішення про це з боку урядів і громад. Крім того, системи штучного інтелекту не є нейтральними провідниками інформації, оскільки кожна модель містить ціннісні судження щодо акцентів та заборон. Статистичні управління мають унікальні можливості для забезпечення достатньої структурованості, документованості й доступності офіційної статистики, щоб вона слугувала надійним орієнтиром для систем штучного інтелекту. Необхідним кроком є встановлення стандартів для неофіційних даних, включно з даними, створеними громадянами, які все частіше використовуються при ухваленні державних рішень.

Детальніше: https://www.oecd.org/en/blogs/2026/07/protecting-data-quality-in-the-ai-era-of-official-statistics.html

Фото: скріншот

#НРАТ_Усі_новини #НРАТ_Науковцям_новини #НРАТ_Освітянам_новини #НРАТ_ШтучнийІнтелект #НРАТ_OECD

2026-09-25