Das wissenschaftliche Such- & Erkundungssystem #ORKGAsk bietet Antworten aus fast 80 Mio. wissenschaftlichen Dokumenten & hilft Forschenden dabei, die wissenschaftlichen Publikationen zu finden, nach denen sie wirklich suchen.

Der #TIB-Dienst wurde im Mai 2024 eingeführt & feiert nun also Geburtstag! Ein schöner Anlass, unseren Kollegen Dr. #AllardOelen & Dr. #MohamadYaserJaradeh, die das #KI-basierte Tool innerhalb von vier Monaten entwickelt haben, 3 Fragen zu stellen: https://blog.tib.eu/2025/05/15/drei-fragen-an-dr-allard-oelen-und-dr-mohamad-yaser-jaradeh-zu-orkg-ask

Drei Fragen an Dr. Allard Oelen und Dr. Mohamad Yaser Jaradeh zu ORKG Ask

read this article in English

Der Dienst „ORKG Ask“, eingeführt im Mai 2024, ist nun schon ein Jahr alt. Das wissenschaftliche Such- und Erkundungssystem bietet Antworten aus fast 80 Millionen wissenschaftlichen Dokumenten und hilft Forschenden dabei, die wissenschaftlichen Publikationen zu finden, nach denen sie wirklich suchen. Dr. Allard Oelen und Dr. Mohamad Yaser Jaradeh von der TIB haben das KI-basierte Tool innerhalb von vier Monaten entwickelt. Im Interview sprechen sie über das Tool, seine Funktionen, die Herausforderungen bei der Entwicklung und in den ersten zwölf Monaten sowie darüber, welche Funktionen in den kommenden Monaten noch hinzukommen werden.

Was waren die Beweggründe für die Entwicklung von ORKG Ask und wie unterscheidet es sich von anderen wissenschaftlichen Suchsystemen? Welche einzigartigen Vorteile bietet es den Nutzer:innen und welche Auswirkungen wird das Tool auf die wissenschaftliche Forschung haben?

Dr. Allard Oelen: ORKG Ask ist eine wissenschaftliche Suchmaschine der nächsten Generation, die die neuesten Technologien der künstlichen Intelligenz (KI) wie Large Language Models (LLMs) und semantische Einbettung nutzt, um Forschende bei der effizienteren Suche nach relevanten Artikeln zu unterstützen.

Dr. Mohamad Yaser Jaradeh: Bestehende Suchsysteme verwenden häufig eine Stichwortsuche und überlassen es den Forschenden selbst, relevantes Wissen aus den vorgeschlagenen Artikeln zu extrahieren. ORKG Ask verwendet stattdessen eine neuronale semantische Suche, die es ermöglicht, über die reine Stichwortsuche hinauszugehen, um die wirklich relevanten Arbeiten zu finden. Darüber hinaus verwendet Ask LLMs, um Schlüsselwörter und Informationen aus den Artikeln zu extrahieren und direkte und detaillierte Antworten auf Forschungsfragen zu liefern.

Vor welchen Herausforderungen standen Sie bei der Entwicklung von ORKG Ask und wie haben Sie diese gemeistert?

Dr. Allard Oelen:  Wir wollten sicherstellen, dass das System einfach zu bedienen und für alle zugänglich ist. Deshalb haben wir einige Funktionen hinzugefügt, über die moderne Webapplikationen heute verfügen, wie einen Dark Mode, volle Responsivität, Zugang für Nutzer:innen mit Sehbehinderung sowie die Möglichkeit, die Benutzeroberfläche in verschiedenen Sprachen zu nutzen.

Dr. Mohamad Yaser Jaradeh: Und da der Dienst öffentlich zugänglich und für die Öffentlichkeit bestimmt ist und nicht nur ein Prototyp, haben wir die neuesten Technologien und Best Practices für Entwicklungsanwendungen verwendet. Auch eventuelle zukünftige Entwickler:innen werden davon profitieren, da ORKG Ask vollständig Open Source ist und sie somit einfacher zur Codebasis beitragen können.

Welche Entwicklungen gab es in den vergangenen zwölf Monaten seitdem ORKG Ask online ist und welche Verbesserungen sind für ORKG Ask zukünftig geplant, um den Nutzen für die wissenschaftliche Gemeinschaft zu erhöhen?

Dr. Mohamad Yaser Jaradeh: Kürzlich haben wir neue Funktionen zur Reproduzierbarkeit eingeführt, die es für die Nutzer:innen transparenter machen, wie die Antworten generiert werden. Für die Zukunft arbeiten wir daran, die LLMs für unsere speziellen Anwendungsfälle anzupassen, um die Reaktionsfähigkeit und Effizienz der Ergebnisse zu verbessern. Außerdem möchten wir das von den Nutzer:innen gesammelte Feedback verwenden, um die Entwicklungsanstrengungen weiter zu optimieren. Wenn Sie Vorschläge dafür haben, kontaktieren Sie uns bitte.

Dr. Allard Oelen: Im Moment planen wir eine engere Integration mit dem eigentlichen ORKG-System, wo Ask zur Erstellung von ORKG-Vergleichen verwendet werden kann. Außerdem planen wir, an der Herkunft der Daten zu arbeiten und den Nutzer:innen zu zeigen, wie spezifische LLM-Daten extrahiert werden, und es dem Anwender:innen zu ermöglichen, die extrahierten LLM-Informationen mit Schemata weiter zu spezifizieren. Ein weiterer Schritt wird sein, dass Forschungseinrichtungen und Interessierte alle Funktionen von Ask auf ihre eigenen Datenbestände anwenden können.

Über den ORKG

Der Open Research Knowledge Graph (ORKG) ist ein Dienst, der darauf abzielt, die Art und Weise, wie wissenschaftliche Erkenntnisse geteilt und genutzt werden, zu revolutionieren. Durch die Schaffung eines strukturierten, durchsuchbaren Wissensgraphen macht der ORKG wissenschaftliche Informationen zugänglicher und nutzbarer für die globale Forschungsgemeinschaft.

#ORKGAsk #LizenzCCBY40INT #ORKG #Wissenskommunikation #KünstlicheIntelligenz #KI

Three questions to Dr Allard Oelen and Dr Mohamad Yaser Jaradeh on one year of ORGK Ask

diesen Beitrag auf Deutsch lesen

The “ORKG Ask” service was launched in May 2024 and is now a year old. This scientific search and discovery system provides answers from almost 80 million scientific documents, helping researchers to find the scientific publications they need. Dr Allard Oelen and Dr Mohamad Yaser Jaradeh from TIB developed the AI-based tool in just four months. In this interview, they discuss the tool, its functions, the challenges they faced during development and in the first year, and the features that will be added in the coming months.

What motivated the development of ORKG Ask, and how does ORKG Ask differ from other scientific search systems? What unique advantages does it offer users, and what impact will the tool have on scientific research?

Dr Allard Oelen: ORKG Ask is a next-generation scholarly search engine that uses the latest artificial intelligence (AI) technologies, such as large language models (LLMs) and semantic embeddings, to help researchers find relevant papers more efficiently.

Dr Mohamad Yaser Jaradeh: Established search systems often use keyword-based searches, leaving researchers to extract relevant information from the candidate articles themselves. ORKG Ask, on the other hand, uses a neural semantic search, which enables it to do more than just match keywords; it can actually find relevant work. It also uses LLMs to extract key concepts and information from articles, providing direct and detailed answers to research questions.

What challenges did you face during the development of ORKG Ask and how did you solve them?

Dr Allard Oelen: We wanted to ensure the system was easy to use and accessible for everyone. This means we added several features that modern-day web applications have, such as a dark mode, full responsiveness, accessibility for visually impaired users, and the possibility to use the interface in multiple languages.

Dr Mohamad Yaser Jaradeh: Also, since the service is available publicly in production to the public, and not just a prototype, we used the latest technologies and best practices for development applications. ORKG Ask is fully open source, this also benefits potential future developers, for whom it is then easier to contribute to the codebase.

What developments have been made in the past twelve months since ORKG Ask went online and what improvements are planned for ORKG Ask in the future to increase its usefulness for the scientific community?

Dr Mohamad Yaser Jaradeh: ORKG Ask is still in its infancy and there are a lot of plans to improve the service further. Recently, we introduced new reproducibility features, making it more transparent to users how answers are generated. For the future, we are working on customizing the LLMs for our particular usecases to improve the responsivenss and effiency of the results, Furthermore we want to leverage user-collected feedback to further guide development efforts, so in case you have any suggestions, please get in touch with us.

Dr Allard Oelen: For now, we plan to make a tighter integration with the core ORKG system, where Ask can be used to create ORKG Comparisons. Also, we plan to work on data provenance, showing to the user how specific LLM data is extracted, allow the user to further specify the LLM extracted information with schemas. As well as, permitting research institutes and interested parties in applying all functionalities of Ask on their own datasets.

About the ORKG

The Open Research Knowledge Graph (ORKG) is a service that aims to revolutionise the way scientific knowledge is shared and used. By creating a structured, searchable knowledge graph, the ORKG makes scientific information more accessible and usable for the global research community.

#AI #LargeLanguageModel #LizenzCCBY40INT #ORKG #ORKGAsk #scholarlyCommunication

Spezialisierte KI-Anwendungen für die Forschung profitieren von #OpenAccess-Artikeln als Datengrundlage – und Nutzende können dank Open Access einfach die Quellen prüfen. Blog-Post von Anna-Lena Lorenz (ORKG Community-Managerin, @tibhannover):

https://open-access.network/blog/orkg-ask-ki-auf-der-suche-nach-antworten-in-open-access-artikeln

#ORKGAsk #AI

Frag die Quantenphysik – KI auf der Suche nach Antworten in physikalischer Literatur

Die Quantenphysik ist eines der faszinierendsten Forschungsfelder unserer Zeit. So ist es nicht verwunderlich, dass auch einhundert Jahre nach ihrer Begründung weiter viel publiziert wird. Von Grundlagenforschung bis zur Anwendung, von Quantenverschränkung bis Qbits: Allein im Quantenjahr 2025 verzeichnet arXiv bislang über 6.000 Veröffentlichungen zur Quantenphysik.

Während die Forschung in den letzten hundert Jahren gewaltige Fortschritte gemacht hat, hat sich die Art, neue Erkenntnisse zu kommunizieren kaum verändert. Noch immer wird Wissen in Artikeln festgehalten – eine Kommunikationsform von Menschen für Menschen, die nur wenig Raum für maschinelle Unterstützung lässt. Die Nachteile dieses dokumentenzentrierten Informationsflusses sind deutlich spürbar. Gesucht wird Wissen, gefunden werden Dokumente. Der Open Research Knowledge Graph (ORKG) schafft auf verschiedenen Ebenen Abhilfe.

ORKG Ask – schneller Einstieg in ein neues Forschungsthema

Einen besonders nutzerfreundlichen Zugang ermöglicht der KI-Assistent ORKG Ask. Forschenden können ihre Fragen in natürlicher Sprache stellen und erhalten eine Antwort aus fast 80 Millionen Open-Access-Veröffentlichungen. Zusätzlich zur synthetisierten Kurzzusammenfassung zeigt ORKG Ask eine tabellarische Übersicht der relevantesten Veröffentlichungen an.

Auf die Frage „How can hybrid classical-quantum algorithms be optimized for performance on NISQ devices?“ antwortet Ask beispielsweise folgendermaßen:

Tabellenansicht in ORGK Ask

Die Detailansicht beinhaltet eine Tabelle mit den wichtigsten Veröffentlichungen und deren Inhalten. Anschließend können Forschende nach Erscheinungsjahr, Anzahl der Zitierungen oder nach bestimmten Autor:innen filtern.

Derzeit arbeiten wir an einer mehrsprachlichen Ausgabe sowie an einer Anpassung der Antwort an das Vorwissen der Nutzenden. So können zukünftig nicht nur Forschende, sondern auch die interessierte Öffentlichkeit ihre Fragen an die Quantenphysik und viele weitere wissenschaftliche Themen stellen.

Wissensgraphen – maschinenlesbare Informationen

Während ORKG Ask einen guten Einstieg in ein Forschungsthema darstellt, geht der Wissensgraph den nächsten Schritt. Hier können Forschende das Wissen relevanter Publikationen aus den Artikeln in PDF-Form befreien und in eine maschinenlesbare Form übersetzen. Kernideen, Methoden, Datensätze und Ergebnisse werden dabei nicht nur erfasst, sondern präzise miteinander in Beziehung gesetzt. So wird sichtbar, welche Paper ähnliche Fragestellungen behandeln, wo methodische Unterschiede bestehen oder welche Experimente vergleichbare Resultate erzielt haben.

Der ORKG macht es möglich, komplexe Inhalte semi-automatisch zu vergleichen und anschließend nachzunutzen. Ein Beispiel dafür ist der folgende Vergleich, den ein Nutzer zum Thema „Transition energies of highly charged ions (HCI) produced in an electron beam ion trap (EBIT), for the purpose of Quantum Electrodynamic (QED) studies“ angelegt hat: https://orkg.org/comparison/R221781. Hier wurden insgesamt 13 Forschungsbeiträge verglichen. Die entstandene Tabelle kann nun beispielsweise mit dem ORKG Pythonpaket abgerufen und für eigene Arbeiten verwendet werden.

Die Inhalte des Wissensgraphen werden von Forschenden selbst eingebracht und kollaborativ bearbeitet.

Mithilfe gesucht – Aufbau einer Wissensbasis für die Quantenphysik

Im Quantenjahr 2025 hoffen wir, die Wissensbasis des ORKG auf dem Gebiet der Physik weiter ausbauen zu können. Dafür hoffen wir auf die Mithilfe interessierter Physiker:innen bei der Kuratierung von Inhalten. Wer sich intensiver mit dem ORKG auseinandersetzen möchte, hat derzeit noch bis zum 11. Mai 2025 die Gelegenheit, sich auf unsere Curation Grants zu bewerben. Aber auch darüber hinaus sind wir immer an einer Zusammenarbeit interessiert. Zu erreichen ist das Team des ORKG unter info@orkg.org

#ForschungUndEntwicklung #KI #LizenzCCBY40INT #ORKG #ORKGAsk #Wissensgraph

And just last week, we presented at the Workshop on New Media Art Archiving, which took place at ZKM | Center for Art and Media Karlsruhe. #WNMAA2025

A blog post up on the @tibhannover blog, outlines the key topics discussed at the workshop and how current developments in #RDM on national and international level can deliver the goal of the workshop to interconnect media art archives globally. Specifically services such as #KGI4NFDI and #TS4NFDI from #Base4NFDI, in addition to tools such as #Qlever and #ORKGask provide relevant points of reference for the further development of a decentralised media art archive infrastructure.

🔗🔖 https://blog.tib.eu/2025/02/10/connecting-media-art-archives/

#TIBopenness | Auf der Suche nach Informationen bekommen Forschende & Studierende jetzt #KI-Unterstützung: #ORKGAsk (https://ask.orkg.org) durchsucht knapp 80 Mio. #OpenAccess Publikationen nach Antworten auf Forschungsfragen.
Dabei legen wir besonderen Wert auf Offenheit, Transparenz & Reproduzierbarkeit. ORKG Ask ist deswegen #OpenSource & verwendet das offene Sprachmodell #Mistral. So bieten wir Forschenden eine zuverlässige KI & errichten einen Leuchtturm in der Publikationsflut.

Der neue Dienst "ORKG Ask" der #TIB ist eine wissenschafliches Such- und Recherchesystem, das Forschende bei Suchen und Finden von wissenschafltichen Aritikeln unterstützt. Forschende können ihre Farge in natürlicher Sprache eingeben und erhalten eine Antwort, die aus relevanten wissenschaftlichen Artikeln zusammengestelle wird.
https://ask.orkg.org/

Technische Details finden Sie hier.
https://ask.orkg.org/pages/about

Am besten ausprobieren.

#ORKG #orkgask #LLM #AI #NLP @tibhannover

Zum 5-jährigen Bestehen des Open Research Knowledge Graph (@orkg) dürfen wir heute vorstellen: Unseren neuen Dienst #ORKGask – ein wissenschaftliches Such- und Erkundungssystem, das Forschenden dabei hilft, die wissenschaftlichen Beiträge zu finden, nach denen sie wirklich suchen!

Warum mit ORKG Ask eine neue Ära der wissenschaftlichen Forschung startet und wie @soeren_auer, #TIB-Direktor und Leiter des #ORKG-Teams, den neuen Dienst einordnet, erfahrt ihr hier: https://www.tib.eu/de/die-tib/neuigkeiten-und-termine/aktuelles/detail/neuer-dienst-orkg-ask-gestartet-antworten-aus-80-millionen-wissenschaftlichen-publikationen

The #ORKG core concept is to act as a lighthouse in a sea of (mostly unstructured, mostly PDF) scientific papers. Today the reveal is a new interaction interface, #ORKGAsk, which allows users to more effectively explore and compare vast amounts of papers based on a question prompt and analysis of the paper abstracts. Short synthesized text answers (via LLMs) are also included. Users can also build their own paper library and search through those, if their papers are not already indexed.

Interface concept is based on supported human-machine collaboration (rather than attempting full automation). Nice dark mode features too. ✨