AI సైన్స్లోని కొన్ని పదాలను మార్చింది, సైన్స్ను మాత్రం కాదు — ఇప్పటికైతే
2022 చివరలో పెద్ద భాషా నమూనాలు ప్రజలకు అందుబాటులోకి వచ్చినప్పటి నుంచి, పరిశోధకులు రాయడానికి, సవరించడానికి, సాహిత్యాన్ని శోధించడానికి వాటిని ఉపయోగిస్తున్నారు. ఉత్పాదకతలో, గుర్తింపులో (visibility) వ్యక్తిగత శాస్త్రవేత్తలకు అవి నిజమైన లాభాలు ఇచ్చాయని అధ్యయనాలు చెబుతున్నాయి. కానీ మొత్తం సైన్స్ గురించి ఆందోళనలు పెరిగాయి: ఉత్పాదకత నాణ్యతను పణంగా పెట్టి వచ్చే ఒక “AI వైరుధ్యం” (AI paradox), “AI చెత్త” (AI slop) వెల్లువ, ఆలోచనల పరిధిని కుదించే, మెల్లగా విస్తరిస్తున్న ఒక ఏకపంట ధోరణి (monoculture).
న్యూజెర్సీ ఇన్స్టిట్యూట్ ఆఫ్ టెక్నాలజీకి (New Jersey Institute of Technology) చెందిన రాన్ బెకర్మన్ (Ron Bekkerman), నికోల్ లీ (Nichole Li), బహారే కార్గర్ (Bahareh Kargar), మార్క్ సోమర్స్ (Mark Somers) ఏదైనా విరిగిందేమో కొలవడానికి పూనుకున్నారు — ఒక ఆదర్శీకరించిన గతంతో పోల్చి కాదు, అప్పటికే కొనసాగుతున్న ధోరణులతో పోల్చి.
పదేళ్ల పూర్తి పాఠాలు
వారి కార్పస్లో (corpus) 2015 నుంచి 2025 మధ్య ప్రచురితమైన సుమారు 2.5 మిలియన్ పూర్తి-పాఠ పరిశోధనా పత్రాలు ఉన్నాయి, ఐదు విభాగాల్లో: కంప్యూటర్ సైన్స్, గణితం, భౌతిక శాస్త్రం (arXiv నుంచి), ఆరోగ్య శాస్త్రాలు, జీవ శాస్త్రాలు (PubMed Central నుంచి). సారాంశాలను (abstracts) మాత్రమే చూడకుండా, వారు మొత్తం పత్రాలను విశ్లేషించారు, ప్రశ్నల ఒక నిచ్చెన వెంబడి: ఏ పదాలు వాడారు, భాష ఎంత సమృద్ధిగా, ఎంత సాంకేతికంగా ఉంది, అంశాలు ఎంత వైవిధ్యంగా ఉన్నాయి, పత్రాలు ఎలా నిర్మితమయ్యాయి, వాటిని ఎవరు రాస్తారు.
పద్ధతి అంతటా ఒకటే: ప్రతి ధోరణిని 2022కి ముందు, తర్వాత పోల్చి, ఒక విరామం కోసం వెతకడం.
పెరిగి పడిపోయిన పదాలు
అత్యంత సాధారణమైన 20,000 ఆంగ్ల పదాల నుంచి మొదలుపెట్టి, వాటిని 14,484 మూల రూపాలకు (base forms) కుదించి, బృందం 2022 తర్వాత ఎగబాకిన 796 పదాలను, తగ్గిన 199 పదాలను, పెరిగి తర్వాత పడిపోయిన 71 పదాలను కనుగొంది. పెరిగినవి భాషా నమూనాలు ఇష్టపడే మెరుగుపెట్టిన విశ్లేషణాత్మక పదాలు, ఉదాహరణకు “establish”, “underscore”; తగ్గినవి “good”, “happen” వంటి సాదా పదాలు. ప్రఖ్యాత “delve” పెరిగి-పడిపోయే నమూనాను చూపిస్తుంది: 2023కి ముందు దాదాపు కనిపించని ఈ పదం 2024లో గరిష్ఠానికి చేరింది, 2025లో వేగంగా పడిపోయింది — నమూనాలను నవీకరించడం వల్ల, పాఠకులు అప్రమత్తం కావడం వల్ల అని రచయితలు సూచిస్తున్నారు.
సంకేతం కంప్యూటర్ సైన్స్లో అత్యంత బలంగా, గణితంలో అత్యంత బలహీనంగా ఉంది — గణితంలో రచనను లాంఛనప్రాయ సంకేతలిపి (formal notation) అదుపులో ఉంచుతుంది. అది సారాంశాలకే పరిమితం కాదు: ఎగబాకుతున్న పదాలు పత్రాల ప్రధాన భాగంలోనూ కనిపిస్తాయి.
శాస్త్రీయ భాష పలచబడలేదు
అయితే సంబంధిత పదాలు — వెయ్యికి కొంచెం ఎక్కువ — పదుల మిలియన్ల విభిన్న పదాల పదసంపదలో ఒక నీటిబొట్టు మాత్రమే. 50 పదాల జారే కిటికీలపై (sliding windows) కొలిచిన పద వైవిధ్యం (lexical diversity), ఏ విభాగంలోనూ 2022లో వాలులో గణనీయమైన మార్పును చూపదు. శాస్త్రీయ పరిభాష సాంద్రత ఐదు రంగాల్లోనూ పెరుగుతూనే ఉంది. రచయితల మాటల్లో, “కాలక్రమేణా శాస్త్రీయ పత్రాలు మరింత శాస్త్రీయంగా కనిపిస్తున్నాయి”.
అంశాలు: రెండు తప్పుడు హెచ్చరికలు
పత్రాలు అంతకంతకూ ఒకే విషయాల గురించి మాట్లాడుతున్నాయా? భౌతిక శాస్త్రం, గణితంలో, అంశాల వైవిధ్యం (topic diversity) స్థిరంగా ఉంది. కంప్యూటర్ సైన్స్లో, అది దాదాపు సరళరేఖలా పడిపోతుంది — కానీ ఆ క్షీణత 2022కి చాలా ముందే మొదలైంది, ఆ రంగం డీప్ లెర్నింగ్ (deep learning), జనరేటివ్ AI వైపు కేంద్రీకృతమవుతున్న క్రమంలో; 2021 నుంచి అది కొంచెం నెమ్మదించింది కూడా.
ఆరోగ్య, జీవ శాస్త్రాల్లో మాత్రం 2022 తర్వాత మరింత తీవ్రమైన క్షీణత కనిపించింది. కానీ పత్రాల మధ్య పోలికలో చాలా భాగం వాటి ఆకృతి (format) నుంచే వచ్చింది: లైసెన్సులు, ప్రకటనలు (disclosures), సహకారుల పాత్రల (contributor roles) గురించిన ప్రామాణిక భాగాలు — జీవవైద్య సాహిత్యం ఏకీకృత ఆకృతి వైపు కదిలిన క్రమంలో వచ్చినవి. అలాంటి 105 ప్రామాణిక పదబంధాలను (boilerplate phrases) వడపోసి తీసేస్తే, క్షీణతలో చాలా భాగం మాయమైంది.
మూసలో పోసిన పత్రాలు
దాదాపు 438,000 కంప్యూటర్ సైన్స్ పత్రాలపై అధ్యయనం చేసిన వాటి నిర్మాణం చాలా మారింది — కానీ స్థిరంగా. కేవలం ఒకటి నుంచి మూడు భాగాలు (sections) మాత్రమే ఉన్న పత్రాలు 17% నుంచి 4%కి తగ్గాయి, ఎనిమిది లేదా అంతకంటే ఎక్కువ భాగాలు ఉన్నవి 5% నుంచి 30%కి పెరిగాయి. ఉపోద్ఘాతాలు సగటున 2,141 నుంచి 1,236 పదాలకు కుదించుకుపోయాయి, అదే సమయంలో ఉల్లేఖనాల జాబితాల (reference lists) పొడవు దాదాపు రెట్టింపైంది. ఈ ధోరణుల్లో ఏదీ 2022లో విరగలేదు.
పెద్ద బృందాలు, ఎక్కువ పత్రాలు — చాలావరకు మునుపటిలాగే
2022కి ముందే ప్రతి విభాగంలోనూ సహ-రచయితల బృందాలు పెరుగుతూ వచ్చాయి, అవి కేవలం పెరుగుతూనే ఉన్నాయి. ఒక మినహాయింపు ప్రత్యేకంగా కనిపిస్తుంది: ఆసియాకు చెందిన కంప్యూటర్ సైన్స్ బృందాలు 2022 తర్వాత మరింత వేగంగా పెరిగాయి. కంప్యూటర్ సైన్స్, భౌతిక శాస్త్రాల్లో 2022 తర్వాత పత్రాల సంఖ్య కూడా మరింత వేగంగా పెరిగింది; దీన్ని రచయితలు భాషా నమూనాలతో ముడిపెడతారు. 2023లో జీవవైద్య ప్రచురణల్లో కనిపించిన ఎగుడు, COVID కాలపు అంతరాయం వల్ల 2022లో వచ్చిన పతనం నుంచి కోలుకోవడం అయ్యే అవకాశమే ఎక్కువ.
ఇంకా కాదు
మొత్తం సైన్స్ స్థాయిలో “AI వైరుధ్యం”కి రచయితలు పెద్దగా ఆధారాలు కనుగొనలేదు. ఫ్యాషన్గా మారిన కొన్ని పదాలను ఒక విప్లవానికి రుజువుగా చదవకూడదని వారు హెచ్చరిస్తారు, ఈ ఉద్రిక్తతను నిర్వహించడానికి విధానమే — ప్రకటనలపై (disclosure), సహచర సమీక్షపై (peer review) — సరైన సాధనమని వాదిస్తారు. అయితే, వారి భరోసాకు ఒక కాలపరిమితి ఉంది. అధ్యయనం 2022 తర్వాతి మూడు సంవత్సరాలను మాత్రమే కవర్ చేస్తుంది, రచనలోని గమనించదగ్గ లక్షణాలను మాత్రమే కొలుస్తుంది; “LLMలు పరిశోధనా ప్రక్రియలోకి చొచ్చుకుపోతున్న వేగం” ఆందోళనకరమని రచయితలు భావిస్తున్నారు.
