単位
1. 化学における人工知能の概要: 役割、境界、検証、倫理 2. 分子表現と化学構造: SMILES、InChI、RDKit による検証 3. 反応の予測とメカニズム: 製品、状態、副反応の予測 4. スペクトル解釈のサポート: NMR、IR、および質量分析 5. 文献レビューと総合計画: ソース、手順、ロードマップ 6. 化学データ分析と Python: pandas、化学量論とキャリブレーション 7. 分子特性の予測と QSAR: 分解能、pKa およびモデル限界 8. 研究室の文書: 実験ノートブック、ELN、再現性 9. 安全性と危険性の評価: GHS、SDS、および人工知能の限界 10. 確証、幻覚、科学的完全性 11. 実験中の人間: 倫理、プライバシー、責任、エンドツーエンドのワークフロー
ユニット 5 / 11

文献レビューと総合計画: ソース、手順、ロードマップ

利益:

  • 概念、要約、検索戦略における強力で具体的な引用を作成する際に、人工知能を危険なツールとして位置付ける能力
  • データベース内の各引用とDOIを検証することで、偽の情報源のリスクを排除する機能
  • 人間が本物の記事を見つけて人工知能に文章を要約させる安全なワークフローを確立する能力

文献レビューと合成計画: AI を使用したソース、手順、ロードマップ

すべての化学プロジェクトは、「この化合物は以前に作られたことがありますか? どのような方法で? どのような収量で?」という文献レビューから始まります。 AI はこの段階では優れたアクセラレーターです。トピックを要約し、主要な概念を説明し、検索用語を生成し、手順の概要を示します。しかし、それは化学における最も危険な間違い、つまり偽りの帰属の原因でもあります。 AI は、現実的に見えてもまったく存在しない記事、著者、DOI を作成できます。この単元では、引用の規律を放棄することなく、文献や総合計画に AI を使用する方法を学びます。

引用規律が重要なのはなぜですか?

言語モデルはテキストを生成します。 (特に明記されていない限り) データベースにクエリを実行しません。 「Journal of Organic Chemistry、2018、83、4521、Zhang et al.」フォームのリソースとは、モデルにとって「できそうな単語と数字のセット」に過ぎません。この情報源は本物かもしれないし、そうでないかもしれません。モデルは 2 つを区別しません。したがって、YZ が提供する引用はデータベース (DOI アナライザー、PubMed、Crossref、出版社サイト) で確認されずに使用されません。

注意: AI が DOI を与えるからといって、その DOI が有効であるとは限りません。 https://doi.org/ 経由で DOI を解決します。記事につながらない場合は、タイトルと著者が本物に見えても、その情報源は存在しません。

文学においてAIが強いところと弱いところ

  • 強力: 概念の説明、反応クラスの概要、検索キーワードの生成、手順の一般的な手順の概要、記事のテキストの要約 (貼り付け時)。
  • 弱: 特定の記事の存在、正確なページ/ボリューム/DOI 情報、正確な収量値を「記憶から」提供します。これらは最も製造の余地がある領域です。

この区別により、AI を真実の情報源としてではなく、テキスト処理ツール (要約、分類) として使用するという戦略が生まれます。本物の記事を見つけてAIに読んでもらい、要約してもらいます。

ステップバイステップ: 安全な文献 + 計画フロー

  1. 概念を学ぶ: AI にトピック、反応クラス、用語を説明させます。ここでは捏造のリスクは低いです。
  2. 検索用語の生成: AI に 8 ～ 10 個のキーワード/同義語と候補となる雑誌を尋ねます。これらを使って実際のデータベースを検索します。
  3. 本物の論文を入手する: PubChem/Reaxys/Google Scholar から自分で論文を見つけてください。
  4. 要約: 記事のテキストを AI に貼り付け、構造化された要約 (方法、条件、収量、制限) を作成します。
  5. 計画を立てる: 目標に向けた合成ロードマップを作成します。各段を実際のソースに接続します。
  6. 検証: DOI を使用して各引用を解決します。各重要な数値を原文と比較します。

コピー可能な 4 つのテンプレート

1) コンセプト + 検索語の生成 (安全領域):

トピック: 鈴木-宮浦カップリング反応によるアリール-アリール結合の確立。タスク: 1) 反応を 5 つの文で説明する (用語の定義)。2) 文献検索用に 10 個のキーワード/同義語を生成する。3) このトピックが頻繁に掲載される 5 つのジャーナルを推奨する。ルール: 特定の論文/DOI は与えないでください。データベースで検索してみます。

2) 記事の要約 (テキストを提供します):

以下に論文の実験部分を貼り付けます。[テキスト]タスク: 次の見出しで要約します: - 標的化合物とその重要性 - 使用した方法/試薬 - 条件 (温度、時間、溶媒) - 収量 - 記載された制限事項 テキストにない数字は追加しないでください。それ以外の場合は「未指定」と記入してください。

3) 合成ロードマップ (ソースに応じて):

ターゲット: 2-フェニルベンズイミダゾール (SMILES: c1ccc(cc1)c1nc2ccccc2[nH]1)。タスク: 2 段階の合成計画の草案を提示します。各ステップ: 試薬、条件、精製方法。ルール: 各ステップに、「このタイプの反応の典型的な参考文献」情報を追加します。どのキーワードで検索するか。ドイフェイク。

4) 引用確認チェックリスト:

参考文献は以下の4つです。それぞれについて事実確認チェックリストを作成します: どのフィールド (DOI、ジャーナル、巻、年、著者) とどこを確認する必要がありますか? [引用] 注: 引用が正しいと主張するものではありません。確認方法を段階的に教えてください。

弱いプロンプト / 強いプロンプト

弱い：

この化合物の合成に関する情報源を 5 つ教えてください。

AI はおそらく、現実的だが検証されていない帰属を生成し、その一部は捏造されています。

強い：

トピック: 化合物の合成 データベースから実際の情報源を見つけます。私の探索戦略を強化してくださいます。

違い: AI が得意とする作業 (検索戦略、コンセプト) に向けて AI を導き、捏造されやすい作業 (具体的な帰属) からは遠ざけました。

ソースの種類と信頼性

ソース/ツール

提供するもの

信頼性

役割

記憶からのAI（言語モデル）

コンセプト、概要、探索アイデア

コンセプトは重視、リファレンスは少なめ

アイデア/まとめ

AI + 貼り付けられたテキスト

与えられたテキストの要約

高 (テキストに依存)

要約する

DOI パーサー (doi.org)

帰属の信頼性

高い

確認

PubChem / Reaxys / SciFinder

化合物、反応、ソース

高い

一次検索

Google Scholar / 相互参照

論文発見、引用

高い

検証

ミニケース

ケース 1 — 3 つの捏造された情報源。研究者は AI に、あるトピックに関する 6 つの情報源を尋ねました。彼が DOI を 1 つずつ解決したところ、そのうちの 3 つは無効でした。見出しには説得力がありましたが、記事はそうではありませんでした。検証には 25 分かかりましたが、記事に 3 件の偽の引用が入ることは阻止されました。レッスン: 各リファレンスは 1 つずつ解決されます。

ケース 2 — 誤った収量。 「効率は92%です」とAIは手順の概要を説明する際に述べた。ユーザーが元の記事を見つけて見たときの利回りは 64% でした。 AIが記憶から数字をでっち上げたのだ。教訓: 重要な数値を原文と比較し、AI の要約を信用してはいけない。

ケース 3 — コンセプトは価値、参照はリスク。学生はAIにリアクション授業について説明してもらいました。説明は正確で、勉強になりました。では「トップ3記事」は？彼は言い​​ました。そのうち2件は捏造でした。同じセッションにおいて、AI は非常に便利であると同時に危険でもありました。教訓: 同じ車両でも、タスクが異なれば信頼性も異なります。自分の義務に従って信頼してください。

よくある間違い

  • 確認なしに参照を使用する。最も一般的で最も重大な間違い。記事の撤回につながる可能性があります。
  • サマリーから収量/条件番号を取得します。 AI の概要は、ソースではなく「考えられる値」を反映している場合があります。オリジナルと比較してください。
  • AIを検索エンジンと間違える。特に明記されていない限り、言語モデルはライブ データベースにクエリを実行しません。記憶から生成します。
  • 1 つの言語で検索しています。単にトルコ語/英語から重要な用語を省略すると、リソースが不足します。 AI は同義語の生成を支援します。
  • コンセプトとソースが混同されている。 AI が正しい概念を説明するという事実は、AI が与える参照が正しいことを示すものではありません。
ヒント: 最も堅牢なワークフローは、「人間が最初に見つけて、次に AI が要約する」です。実物の記事を持参してAIに文章を読んでもらいます。つまり、AI の強み (要約) を利用し、弱点 (ソース フィッティング) を無効にします。

要約すると

  • AI は、文献の概念、要約、検索戦略において強力で具体的な引用を生成する際に危険です。
  • 誤った引用（捏造論文/DOI）は化学における最も深刻な AI リスクです。すべての参照が確認されます。
  • 最も安全なフロー: 人間が本物の記事を見つけ、AI が文章を要約します。
  • 収量や条件などの重要な数値は、要約ではなく原文から取得します。
  • 合成計画の各ステップを実際のソースに接続します。

アプリケーションタスク

対象化合物を選択します。まず、AI に検索用語と概念的な概要のみを尋ねます (具体的な出所は尋ねません)。実際のデータベースでこれらの用語を含む記事を少なくとも 2 つ検索します。記事のテキストを AI に要約し、収量/条件の数値をオリジナルと比較します。それとは別に、意図的に AI に「5 つの情報源」を尋ね、与えられる DOI を 1 つずつ解読します。そのうちのどれが本物だったのでしょうか? 1ページの「引用検証レポート」を書きます。

チェックリスト

  • [ ] 私は AI を検索エンジンではなく、概念/要約ツールとして位置づけています。
  • [ ] 具体的な引用が必要な場合は、doi.org から各 DOI をデコードします。
  • [ ] 収量/条件の数値を元のソースと比較しています。
  • [ ] 本物の記事を見つけてAIに文章を要約してもらいます。
  • [ ] 私は合成計画の各ステップをソースに帰属させます。
  • [ ] 引用確認レポートを少なくとも 1 つ作成しました。
前へ 次へ