Autonome, von LLM-getriebene Forschung von Daten zu menschlich überprüfbaren Forschungsarbeiten

Da KI verspricht, die wissenschaftliche Entdeckung zu beschleunigen, bleibt unklar, ob vollständig KI-gesteuerte Forschung möglich ist und ob sie sich an die wesentlichen wissenschaftlichen Werte wie Transparenz, Nachvollziehbarkeit und Überprüfbarkeit halten kann. In Anlehnung an menschliche wissenschaftliche Praktiken haben wir data-to-paper entwickelt, eine Automatisierungsplattform, die interaktive LLM-Agenten durch einen vollständigen schrittweisen Forschungsprozess führt, während sie den Informationsfluss programmgesteuert zurückverfolgt und menschliche Aufsicht sowie Interaktionen ermöglicht. Im Autopilotmodus, der nur mit annotierten Daten versorgt wird, entwickelte data-to-paper Hypothesen, entwarf Forschungspläne, schrieb und debuggte Analysecodes, generierte und interpretierte Ergebnisse und erstellte vollständige und informationsnachvollziehbare Forschungsarbeiten. Auch wenn die Neuheit der Forschung relativ begrenzt war, zeigte der Prozess die autonome Generierung von de novo quantitativen Erkenntnissen aus Daten. Für einfache Forschungsziele kann ein vollständig autonomer Zyklus Manuskripte erstellen, die peer-reviewte Publikationen ohne wesentliche Fehler in etwa 80-90 % wiedergeben, doch mit zunehmender Komplexität der Ziele wird menschliches Co-Pilotieren entscheidend, um die Genauigkeit zu gewährleisten. Über den Prozess selbst hinaus sind auch die erstellten Manuskripte von Natur aus überprüfbar, da die Informationsverfolgung es ermöglicht, Ergebnisse, Methoden und Daten programmgesteuert zu verknüpfen. Unsere Arbeit zeigt somit das Potenzial für eine KI-gesteuerte Beschleunigung wissenschaftlicher Entdeckungen, während sie Nachvollziehbarkeit, Transparenz und Überprüfbarkeit stärkt, anstatt sie zu gefährden.