Os mecanismos de busca tornaram-se uma ferramenta padrão para localizar informações, a ponto de o nome do mais comum deles ter se tornado sinônimo do próprio ato de pesquisar. No entanto, a vastidão de informações disponíveis por meio desses mecanismos pode ser um obstáculo ao consultar especificidades, como conceitos científicos e pesquisas. Retornar resultados úteis e relevantes sem deixar passar informações novas é um equilíbrio desafiador, mas novas ferramentas e capacidades de design estão aprimorando esse processo.
Pesquisadores científicos conhecem bem esse desafio e, sem as ferramentas certas, pode ser difícil encontrar publicações e materiais relevantes. Se os resultados forem amplos demais, você não consegue encontrar o que realmente importa. Se as respostas forem restritas demais, você pode perder uma nova ideia importante.
Encontrar o ponto ideal para a pesquisa científica pode ser desafiador, mas, felizmente, não é algo inalcançável.
Recall versus precisão em mecanismos de busca
Para entender a busca científica, é importante primeiro compreender como os mecanismos de busca funcionam. O Google, por exemplo, prioriza o recall. Em outras palavras, ele maximiza o número de respostas que podem ser retornadas para uma consulta. Não há a preocupação de que o usuário precise revisar todas as respostas possíveis, e a tecnologia tenta classificar os resultados por relevância para que as informações mais valiosas para o usuário fiquem no topo da página de resultados.
Por outro lado, outros mecanismos de busca podem priorizar a precisão, o que maximiza as respostas mais relevantes para uma determinada consulta. Esse tipo de busca é semelhante ao uso do catálogo de uma biblioteca: existe um conjunto estabelecido de resultados com vários campos para especificação da busca, como título, autor e data. Maximizar a precisão pode aumentar suas chances de obter um conjunto de resultados gerenciável, mas também aumenta a possibilidade de perder algo que esteja fora dos parâmetros da busca de precisão.
Vamos explorar um exemplo dessa diferença: se um usuário pesquisar o termo “Plasticizer 40T”, um mecanismo de busca comum não reconhecerá que toda a consulta representa uma substância comercial única. Priorizando o recall, ele retornará resultados genéricos para plastificantes que não incluem “40T”. O usuário terá que realizar uma segunda consulta, refinando para incluir “40T” nos resultados.
Uma busca mais focada em precisão e com conhecimento científico, por exemplo, via CAS SciFinderⓇ, avalia a consulta em relação a dados de ontologia curados e a reconhece como uma entidade de substância nova. Portanto, ele retorna imediatamente resultados para a substância específica Plasticizer 40T, mesmo que um nome diferente para essa substância seja usado no texto do artigo (veja a Figura 1).
Projetar as capacidades de busca certas é fundamental para o que fazemos na CAS, e é por isso que o CAS SciFinder consegue reconhecer facilmente uma substância nova em um termo com conexões de pesquisa científica. Ferramentas de busca desenvolvidas por cientistas são inerentemente mais sensíveis à terminologia usada por outros pesquisadores. No entanto, pesquisar uma substância comercial ainda é um exercício bastante definido. O que acontece quando um pesquisador busca relevância, mas também abrangência relacionada a uma doença, campo de estudo ou conceito?
Como encontrar o ponto ideal do mecanismo de busca
Uma maneira comum de equilibrar abrangência e profundidade é por meio da busca booleana, que utiliza “e”, “ou” e outras conjunções para conectar termos. O uso de aspas para agrupar termos de busca também pode ajudar a refinar consultas para obter resultados mais precisos.
Independentemente de como formulam uma consulta, os pesquisadores podem encontrar o ponto ideal com um mecanismo de busca que utiliza dados estruturados e reconhece sequências de texto com vários termos. Dados estruturados possuem um formato consistente e são organizados em coleções com base em suas características. O algoritmo de busca pode, então, identificar e avaliar com mais eficiência quais resultados retornar. Reconhecer sequências de texto únicas com vários termos como entidades únicas e pesquisá-las dessa forma reduz resultados irrelevantes que seriam gerados pela busca individual de fragmentos dos termos.
Como desenvolver esse tipo de corpus de conteúdo? Por meio de uma curadoria cuidadosa e do uso de ontologias para construir uma compreensão refinada das consultas dos usuários. A CAS Content CollectionTM, por exemplo, é o maior repositório de informações científicas com curadoria humana, e nossas políticas de curadoria identificam os termos e substâncias mais relevantes para criar entradas indexadas exclusivas. Devido à curadoria, os resultados da pesquisa não se limitam ao conteúdo do título ou resumo de uma determinada publicação.
Nossa indexação inclui conceitos e terminologias das seções experimentais da literatura científica que são específicos para a novidade da ciência naquela publicação. Por exemplo, a seção introdutória de um artigo de periódico pode definir um metacontexto de interesse para o autor — como a próxima cura revolucionária para uma determinada doença —, mas a novidade real do artigo é um novo método analítico para avaliar um processo químico. Uma solução como o CAS SciFinder, que utiliza dados com curadoria, focará no método analítico, e não no metacontexto, para responder melhor à consulta do usuário.
As ontologias conectam as ideias certas para resultados relevantes
A maneira como construímos essas conexões é por meio de ontologias, que são coleções de terminologia com curadoria que incluem o registro de relações de sinonímia. Essas relações fornecem uma lista de termos refinada, porém extensa, para aproveitar. Se um usuário pesquisar uma substância por um nome comercial, nossa ontologia incluirá variações de nomes químicos, outros nomes comerciais e até mesmo identificadores internos em pedidos de patentes. Sem essas conexões, um mecanismo de busca comum não consegue identificar resultados relevantes.
É por isso que uma ferramenta de busca criada por cientistas para cientistas pode impulsionar uma inovação mais eficiente — eles podem fornecer resultados mais relevantes e rápidos do que um mecanismo de busca que prioriza apenas a abrangência, e os dados capturam relações hierárquicas entre terminologias-chave.
Por exemplo, pesquisar o termo Sonic Hedgehog no CAS SciFinder em comparação com um mecanismo de busca comum gera resultados marcadamente diferentes. O CAS SciFinder reconhece imediatamente que se trata de uma proteína e retorna publicações científicas relevantes (veja a Figura 3). Um mecanismo de busca geral, no entanto, retorna o famoso personagem de videogame, e não as informações sobre a proteína que um cientista estaria procurando.
Além das ontologias, a indexação com curadoria humana possibilita descobertas onde os algoritmos geralmente falham. Um ser humano pode reconhecer as conexões entre um código e uma estrutura química e construir relações que definem uma entidade química que abordagens de indexação não humanas poderiam perder. Isso permite a captura de dados em diagramas, como moléculas e compostos, e conecta essas informações a explicações que podem estar em tabelas, gráficos ou textos em outras partes da publicação (veja a Figura 4).
Sem curadoria, um mecanismo de busca típico precisa depender do reconhecimento óptico de caracteres (OCR) para gráficos e diagramas, e algo tão simples quanto uma baixa resolução de imagem pode levar à perda de uma descoberta importante. Soluções com curadoria humana, como as de nossas equipes no CAS, aproveitam o melhor da experiência humana com a velocidade e os avanços algorítmicos da tecnologia de ponta.
A qualidade dos dados é fundamental para o futuro da pesquisa
A pesquisa científica não é como procurar a avaliação de um restaurante local, e tanto instituições acadêmicas quanto comerciais se beneficiam de soluções que equilibram abrangência e precisão. À medida que o corpo de conhecimento cresce em qualquer área científica, as capacidades de busca precisam evoluir. Isso se tornará ainda mais crítico à medida que ferramentas baseadas em IA se tornarem o padrão. Grandes modelos de linguagem (LLMs) podem ter dificuldades com a pesquisa científica, a menos que sejam treinados com os dados adequados e possuam camadas de redes neurais para lidar com dados não textuais.
Com curadoria especializada, ontologias robustas e a capacidade de aproveitar dados não textuais, soluções especializadas podem enfrentar o desafio de refinar e melhorar continuamente a pesquisa científica e as descobertas inovadoras.
