Kako AI Menja Najpouzdaniji Alat Nauke: Sistematski Pregledi Na Prekretnici

Kada naučnici i regulatori traže jasne odgovore o zdravstvenim rizicima — na primer da li Tylenol izaziva autizam (dokazano: ne) — oslanjaju se na sistematske preglede, koje se smatraju zlatnim standardom medicine. Odluke zasnovane na ovim pregledima utiču na propisivanje lekova, imunizacione politike i zaštitu životne sredine. Problem je što je izvođenje sistematskih pregleda dugotrajan i radno intenzivan proces. Novi alati zasnovani na veštačkoj inteligenciji (AI) obećavaju značajno ubrzanje, ali to donosi i nova rizike koji moraju biti pažljivo adresirani.

Kako funkcionišu sistematski pregledi

Sistemski pregled odgovara na jasno definisano naučno pitanje prikupljanjem i procenom svih relevantnih studija. Proces uključuje: plan pretrage, zaselekciju radova po unapred određenim kriterijumima, procenu kvaliteta studija i sintezu dokaza. U idealnom slučaju svaki korak je dokumentovan tako da je pregled transparentan i reproduktivan — što otežava selektivno biranje dokaza.

Zašto je proces spor i kako AI može pomoći

U praksi timovi provode mesece (češće 10–14 meseci, ponekad i godine) pregledajući desetine hiljada naslova i sažetaka, zatim pune tekstove i izvlače podatke po strogom protokolu. Najzahtevniji deo — skrining hiljada sažetaka — predstavlja glavni kandidat za automatizaciju. Postoje dve glavne vrste alata:

• Podrška za radne tokove: alati koji rangiraju naslove i sažetke po verovatnoći relevantnosti (reviewer ostaje donosilac konačnih odluka).
• Generativni alati: sistemi poput Elicit i SciSpace koji pokušavaju da odgovore na pitanja, pretraže literaturu i sažmu dokaze; ili hibridni alati kao Nested Knowledge koji integrišu AI unutar poznatih softverskih okvira.

Rizici i ograničenja

Brzina dolazi uz ozbiljne izazove:

• Reproducibilnost: mnogi modeli vraćaju različite rezultate na isti upit u različito vreme ili pri malim promenama u formulaciji upita.
• Transparentnost: generativni modeli su često „crne kutije“, što otežava praćenje i verifikaciju postupka koji je doveo do zaključka.
• Ograničen pristup izvorima: alati koji su trenirani na besplatnim izvorima ne obuhvataju sve baze podataka; pretplate i pristup komercijalnim arhivima i dalje su važni za sveobuhvatan uvid.
• Nejednakost pristupa: plaćeni alati i velike baze podataka mogu produbiti jaz između bogatijih i siromašnijih zemalja.
• Iluzija potpunosti: korišćenje AI može dati utisak da su „sve studije“ pretražene, iako to često nije slučaj.

Regulative i smernice

Do sada su preporuke za odgovornu upotrebu AI u sintezi dokaza bile raznolike i opšte. U novembru 2025. četiri vodeće organizacije za sintezu dokaza — Cochrane, The Campbell Collaboration, JBI i Collaboration for Environmental Evidence — objavile su pozicioni dokument RAISE (Responsible Use of AI In Evidence Synthesis). RAISE naglašava odgovornost ljudskih recenzenata i potrebu za rigoroznim testiranjem alata, ali još uvek ne daje dovoljno detaljan proceduralni okvir koji mnogi istraživači priželjkuju.

Praktični primeri i etičke implikacije

Neki alati već daju konzistentne zaključke: autor je proverio tvrdnju o povezanosti vakcina i autizma uz pomoć Elicit-a, koji je u više pokušaja dao isti zaključak — da studije ne pokazuju povezanost. U tekstu se navodi i događaj iz januara 2026. vezan za reviziju imunizacionog rasporeda, što ilustruje kako rezultati sinteze dokaza mogu imati brze političke posledice.

Opasnost: nepravilna ili nekritički validirana upotreba AI može stvoriti lažan utisak naučne verodostojnosti i dodatno narušiti poverenje javnosti u nauku.

Kako smanjiti rizike

Mere koje mogu pomoći da se rizici ublaže uključuju razvoj alata sa jasno dokumentovanim procedurama, audit tragovima (logovima) koji omogućavaju reprodukciju rezultata, otvoren pristup bazama podataka i nezavisne evaluacije performansi AI u kontekstu konkretnih pregleda. Stručnjaci naglašavaju da je, barem trenutno, ljudska verifikacija i dalje obavezna.

Zaključak

AI ima potencijal da ubrza i osnaži sistematske preglede, omogući „žive“ sinteze i proširi pristup literaturi na više jezika. Ipak, dok se ne reše problemi reproduktivnosti, transparentnosti i pristupa podacima, AI treba da bude alat koji podržava, a ne zamenjuje, stručnu procenu. Potrebne su jasne smernice, rigorozne evaluacije i veća dostupnost podataka kako bi prednosti AI postale stvarnost bez ugrožavanja poverenja u nauku.