AI in Wetenschappelijk Onderzoek: Productiviteitswinst versus Kwaliteitsrisico’s

AI als Onderzoeksassistent

AI is een ware revolutie voor veel wetenschappelijke disciplines, omdat het de verwerking van gegevens en modellering van materialen en situaties uit de echte wereld mogelijk maakt op een manier die zelfs de krachtigste supercomputers enkele jaren geleden nog niet konden bereiken.

Recente voorbeelden omvatten diverse vormen van AI die worden gebruikt voor:

• Het vinden van nieuwe materialen voor kernfusie‑reactoren.
• Het herstellen van de beeldhelderheid van ruimtetelescopen.
• Het optimaliseren van metaal 3D‑printprocessen.
• Het ontdekken van nieuwe materialen voor zonnecellen, waterstof‑elektrocatalysatoren, superharde materialen, polymeren en vaste‑stroom elektrolyten.

Deze toepassingen vertrouwen meestal op sterk gespecialiseerde AI‑modellen, die nauwkeurig zijn getraind om een specifieke klasse kristallen te onderzoeken of een unieke reeks afbeeldingen te verwerken.

Echter, wanneer we over AI spreken, denkt het brede publiek meestal aan algemene LLM’s (Large Language Models). Deze worden momenteel voornamelijk gebruikt voor het schrijven en verbeteren van tekst, evenals voor het uitvoeren van geavanceerde, leesbare zoekopdrachten in vergelijking met traditionele zoekmachines.

In theorie zou dit niet alleen van toepassing moeten zijn op essays van studenten, slechte poëzie en PowerPoint‑presentaties, maar ook op wetenschappelijk onderzoek en gepubliceerde artikelen.

Dit kan echter een tweesnijdend zwaard zijn, zoals uitgelegd in een recente analyse gepubliceerd in het prestigieuze wetenschappelijke tijdschrift Science¹, getiteld “Scientific production in the era of large language models”.

In deze analyse observeerden onderzoekers van de University of California en Cornell University de output van wetenschappers die LLM’s gebruikten, vergeleken met hun eerdere werk. Ze ontdekten dat hoewel het gebruik van LLM’s de kwaliteit van wetenschappelijke artikelen kan verbeteren, het ook een groter volume aan onderzoek van lagere kwaliteit creëert, waardoor bestaande problemen in de academische wereld verergeren.

Detectie van AI‑gebruik in wetenschappelijke onderzoekspapers

De eerste uitdaging is bepalen hoe wijdverspreid het gebruik van LLM’s is in wetenschappelijk schrijven en wie het gebruikt.

Niet verrassend is dit geen data die onderzoekers spontaan toegeven, aangezien de tools nog nieuw zijn en foutgevoelig kunnen zijn, vooral met betrekking tot technische gegevens of niche‑onderwerpen.

De onderzoekers verzamelden meer dan 2 miljoen papers uit grote wetenschappelijke databases zoals arXiv, bioRxiv en het Social Science Research Network (SSRN), gedateerd van januari 2018 tot juni 2024.

Vervolgens vergeleken ze papers die vóór 2023 zijn geplaatst — verondersteld door mensen geschreven — met AI‑gegenereerde tekst.

Met behulp van deze gegevens ontwikkelden ze een model om AI‑gebruik te detecteren. Met dit instrument bepaalden ze met redelijke nauwkeurigheid welke wetenschappers LLM’s gebruiken en wanneer ze begonnen. Ze volgden vervolgens het publicatievolume van die wetenschappers vóór en na het adopteren van de tools, en of die papers daarna werden geaccepteerd door wetenschappelijke tijdschriften.

AI‑impact op wetenschappelijk onderzoek

Swipe to scroll →

Hogere productiviteit

De eerste conclusie is dat het gebruik van LLM’s de productiviteit van wetenschappers verhoogt, althans gemeten aan het aantal publicaties.

Op arXiv plaatsten wetenschappers die gemarkeerd waren als LLM‑gebruikers ongeveer een derde meer papers dan degenen die geen AI leken te gebruiken. Op bioRxiv en SSRN was de stijging meer dan 50%.

Aangezien de “publish or perish”-cultuur de loopbaanpaden van de meeste wetenschappers bepaalt, heeft deze volumetoename een serieuze impact op hun carrièretrajecten.

Een ander inzicht is dat de boost sterker was voor wetenschappers die verondersteld worden geen moedertaalsprekers van het Engels te zijn.

Zo plaatsten onderzoekers verbonden aan Aziatische instellingen tussen de 43,0% en 89,3% meer papers nadat de detector suggereerde dat ze LLM’s waren gaan gebruiken.

Dit is logisch; veel wetenschappers zijn technisch briljant en in staat Engels te lezen (een vereiste in de moderne academische wereld), maar kunnen moeite hebben met het construeren van duidelijke, elegante zinnen in een tweede taal.

Brede inzet van LLM’s zou het speelveld kunnen egaliseren voor niet‑moedertaalsprekers, waardoor hoogwaardig onderzoek internationale erkenning kan krijgen, ongeacht de taalvaardigheid van de auteur.

Betere ontdekking van wetenschappelijke kennis

LLM’s kunnen ook worden gebruikt om papers te vinden die relevant zijn voor een specifiek onderwerp, met behulp van gespecialiseerde AI’s zoals Elicit, ResearchRabbit of Scite.

Een aanzienlijk deel van wetenschappelijk onderzoek bestaat uit het vinden en lezen van andere papers om informatie af te leiden of experimentele protocollen te identificeren die in nieuwe contexten opnieuw kunnen worden gebruikt.

AI’s geven over het algemeen de voorkeur aan recentere papers en hechten minder gewicht aan citatieaantallen vergeleken met traditionele zoekmachines. Daardoor bieden ze een alternatief voor wetenschappers die op zoek zijn naar nieuwe ideeën of minder besproken experimenten.

“Mensen die LLM’s gebruiken, verbinden zich met meer diverse kennis, wat mogelijk meer creatieve ideeën stimuleert.”

Keigo Kusumegi, een promovendus aan de Cornell University

Deze hypothese zou in de toekomst getest kunnen worden door te controleren of papers die met AI‑ondersteuning zijn geschreven, meer diverse bibliografieën hebben of innovatiever en interdisciplinaire zijn.

AI als een nieuw vraagstuk in wetenschap & academie

In de afgelopen jaren heeft wetenschappelijk onderzoek — vooral binnen de sociale wetenschappen — een crisis van reproduceerbaarheid doorgemaakt.

Omdat de resultaten van veel papers niet door andere onderzoekers kunnen worden gereproduceerd, kunnen ogenschijnlijk serieuze studies gebrekkig of zelfs frauduleus zijn. Dit wordt beschreven als een “existentiële crisis voor de wetenschap.”

Historisch gezien is complex schrijven — inclusief langere zinnen en verfijnde woordenschat — een heuristiek geweest voor onderzoek van hogere kwaliteit. Hoewel niet waterdicht, hielp het om deskundig geschreven onderzoek te onderscheiden van slordige analyses.

Daarentegen hebben papers die met AI‑ondersteuning zijn geschreven momenteel minder kans om door tijdschriften te worden geaccepteerd.

In het algemeen bedreigt dit het verder ontkoppelen van de metric “gepubliceerde papers” van het daadwerkelijke talent van een onderzoeker. Redacteuren en beoordelaars kunnen moeite hebben om de meest waardevolle inzendingen te identificeren, vooral nu AI steeds efficiënter en menselijker wordt.

Ten slotte kunnen enorme hoeveelheden “slop” — valse maar plausibel uitziende onderzoekspapers — via AI worden gegenereerd. Dit risico is niet beperkt tot sociale media; het vormt een aanzienlijk probleem voor wetenschappelijk onderzoek, waar de tijd van beoordelaars al een schaars goed was vóór de opkomst van LLM’s.

Wat AI betekent voor de toekomst van wetenschappelijk onderzoek

Omdat AI een hulpmiddel is, moeten onderzoekers leren het effectief te gebruiken. Het is bijna onmogelijk om LLM’s uit onderzoekslaboratoria te verbannen, en detectie zal alleen maar moeilijker worden.

Aanpassing en het productief gebruik van AI in wetenschappelijk schrijven zullen het bepalende onderwerp van de toekomst zijn.

“Reeds nu is de vraag niet ‘Heb je AI gebruikt?’ De vraag is ‘Hoe precies heb je AI gebruikt, en was het nuttig?'”

Aanwervingspraktijken in de wetenschap kunnen profiteren van een terugkeer naar kwalitatieve metrics, zoals diepgaande interviews en technische tests, in plaats van uitsluitend te vertrouwen op publicatievolume.

Evenzo moeten beoordelaars en wetenschappelijke tijdschriften zich aanpassen. Mogelijk zullen systemen die verifiëren of een inzending afkomstig is van een legitiem onderzoekslab vóór analyse vereist zijn om de massaproductie van nep‑papers te blokkeren.

Uiteindelijk zal een diepgaand begrip van de technische elementen van een paper, in plaats van linguïstische elegantie, het belangrijkste criterium worden bij het beoordelen van kwaliteit.

Investeren in AI‑innovatie

Nvidia

Nvidia is geëvolueerd van een grafische kaartfabrikant gericht op gamers tot ‘s werelds grootste bedrijf, dankzij haar centrale rol in het leveren van AI‑hardware aan de gehele technologiesector.

Als pionier op het gebied van AI‑specifieke hardware was Nvidia de eerste die onderzoekers hielp deze tools te benutten. “CUDA”, een algemene programmeerinterface voor Nvidia’s GPU’s, opende de deur voor toepassingen buiten gaming, en effende de weg voor de AI‑applicaties van vandaag.

“Onderzoekers realiseerden zich dat door deze gaming‑kaart genaamd GeForce aan te schaffen en aan hun computer toe te voegen, ze in feite een persoonlijke supercomputer hebben.

Moleculaire dynamica, seismische verwerking, CT‑reconstructie, beeldverwerking — een hele reeks verschillende toepassingen.

Jensen Huang, in een interview met Sequoia

Het is waarschijnlijk dat Nvidia‑hardware, hetzij direct of geïntegreerd in de clouds van Microsoft (MSFT ), Google, Meta en OpenAI, de hardware van keuze voor onderzoekers zal blijven.

AI‑capex wordt verwacht te stijgen tot wel $200 miljard in 2025, bovenop de steeds groeiende cumulatieve uitgaven van de grootste technologiebedrijven. Andere elektronische componenten, zoals high‑performance RAM, zijn nu schaars nu de productie van Nvidia‑chips opschaalt.

Hoewel wetenschappelijk onderzoek mogelijk niet het grootste deel van AI‑computatie vertegenwoordigt in vergelijking met consument‑ of B2B‑gebruik, zou het de meest impactvolle langetermijnaandrijving kunnen worden, met beloftes voor nieuwe legeringen, medicijnen en wetenschappelijke methodologieën.

(U kunt meer lezen over de geschiedenis van Nvidia, het huidige bedrijf en de toekomstige vooruitzichten in ons speciale investeringsrapport over het bedrijf.)

Bestudeerde studie

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. Wetenschappelijke productie in het tijdperk van grote taalmodellen.Science. 18 dec 2025. Vol 390, Issue 6779 pp. 1240-1243. DOI: 10.1126/science.adw3000}