Benchmark Ai2 Novelty pokazuje, że oceny badań mogą się odwrócić po zmianie promptu

Ai2 opublikowało 27 października benchmark badawczy pokazujący, że oceny AI dotyczące naukowej oryginalności mogą gwałtownie się zmieniać, gdy badacze modyfikują instrukcje. Benchmark Ai2 Novelty towarzyszy badaniu Old Ideas, Novel Problems, analizującemu duże modele językowe, czyli systemy AI szkolone do generowania i interpretowania języka. Według Ai2 zmiana promptu obniżyła trafność GPT-5.4 z 93,5% do 40,9% dla tych samych par pomysłów badawczych.

Wynik ten podważa konkretną obietnicę: wykorzystywanie automatycznych ewaluatorów do ustalania, że pomysły badawcze wygenerowane przez AI wnoszą coś nowego. Sędzia nowości, ewaluator AI oceniający oryginalność względem istniejących prac, może wpływać na to, które propozycje otrzymają dalszą uwagę. Jeśli rozsądne instrukcje prowadzą do sprzecznych werdyktów, sama ewaluacja staje się częścią niepewności.

Porównanie wykracza poza modele OpenAI i Anthropic, obejmując wyspecjalizowane ewaluatory badawcze, w tym AI Scientist firmy Sakana AI. Centralny konflikt dotyczy twierdzeń o zautomatyzowanych badaniach w zestawieniu z wiarygodnością procesu używanego do ich potwierdzania. Wygenerowanie atrakcyjnej propozycji i ustalenie jej oryginalności wymagają różnych dowodów. Publikacja Ai2 daje badaczom publiczne środowisko testowe do badania tej różnicy.

Co faktycznie testuje benchmark Ai2 Novelty

Publikacja Ai2 czyni sam ewaluator przedmiotem analizy.

Organizacja opublikowała ustalenia dotyczące oceny nowości, którym towarzyszą benchmark, zbiory danych, kod oraz zautomatyzowany proces tworzenia kolejnych zestawów ewaluacyjnych. Ogłoszenie nastąpiło po wcześniejszym zgłoszeniu artykułu. Rekord arXiv wskazuje pierwsze zgłoszenie 1 października i rewizję 26 października.

Ta chronologia ma znaczenie, ponieważ wydarzenie z 27 października jest publicznym ogłoszeniem pakietu badawczego. Nie należy go mylić z datą, gdy każdy eksperyment stał się po raz pierwszy dostępny. Czytelnicy porównujący relacje powinni rozróżniać ogłoszenie, wersję artykułu i bazową konfigurację eksperymentalną.

Publikacja zmienia zakres tego, co zespoły badawcze mogą analizować. Zamiast przyjmować ocenę oryginalności modelu bez zastrzeżeń, mogą testować, jak reaguje ona na różne wybory ewaluacyjne. Pytanie brzmi, czy wniosek wytrzymuje rozsądne zmiany w procesie oceniania.

Przydatne jest porównanie do przyrządu, który pokazuje różne odczyty, gdy operator zmienia jego ustawienia. Ustawienia te powinny zostać uwzględnione w interpretacji wyniku. Bez nich precyzyjny wynik może sugerować większą pewność, niż uzasadnia pomiar.

W przypadku pomysłów badawczych niepewność ta ma praktyczne konsekwencje. Propozycja może brzmieć nieznajomo ze względu na sposób sformułowania, choć powtarza ugruntowany wkład. Inna może opisywać znane komponenty, których połączenie rozwiązuje nierozstrzygnięty problem. Ewaluatorzy muszą odróżniać prezentację od wkładu.

Ocena oryginalności zależy również od punktu odniesienia. Coś może być nowe dla ewaluatora, nieobecne w odnalezionych artykułach albo nowe dla dziedziny nauki. Twierdzenia te wymagają różnych poziomów dowodów, nawet jeśli interfejs przedstawia je za pomocą tej samej oceny.

Znaczenie benchmarku Ai2 Novelty wykracza więc poza wskazanie słabego promptu. Tworzy on sposób badania, czy ocena badań pozostaje wiarygodna po zmianie zwykłych wyborów implementacyjnych. To bardziej wymagający standard niż pokazanie, że sędzia czasem zgadza się z recenzentami.

Bezpośrednia presja spada na zespoły zgłaszające ulepszenia w automatycznym generowaniu pomysłów. Ich protokół ewaluacji zasługuje teraz na taką samą uwagę jak system generowania. Wyższa ocena oryginalności ma ograniczone znaczenie, jeśli czytelnicy nie rozumieją, w jaki sposób sędzia ją wydał.

Przesuwa to ciężar wyjaśnienia. Badacze muszą rozliczyć się z pomiaru łączącego wygenerowaną propozycję z twierdzeniem o postępie naukowym. Benchmark oferuje materiał do takiej analizy, a nie zastępstwo dla naukowego osądu.

Zbiór danych oddziela artykuły napisane przez ludzi od wygenerowanych propozycji

Sędzia, który dobrze radzi sobie z opublikowanymi badaniami, nie zdobył automatycznie zaufania w ocenie wygenerowanych pomysłów.

Udostępniony zbiór danych pomysłów badawczych obejmuje odrębne ustawienia Human-Only i Human+Generated. Pierwsze zawiera 154 ludzkie pomysły o wyższej nowości i 145 ludzkich pomysłów o niższej nowości. Drugie porównuje pulę ludzkich pomysłów o wyższej nowości ze 154 wygenerowanymi pomysłami.

Ustawienia te odpowiadają na różne pytania. Porównanie ludzkich pomysłów sprawdza, czy sędzia potrafi odróżnić idee o kontrastujących dowodach od recenzentów. Porównanie mieszane pyta, jak jego zachowanie zmienia się, gdy do ewaluacji trafiają wygenerowane propozycje.

To rozróżnienie ma znaczenie dla ewaluacji badań AI. System zweryfikowany na ukończonych wkładach akademickich staje przed innym zadaniem, gdy ocenia spekulatywne propozycje. Zakończone badania i proponowane badania nie niosą tego samego kontekstu dowodowego.

Wyobraźmy sobie hipotetycznego asystenta badawczego, który przesiewa kandydatów na projekty, zanim ktokolwiek przeprowadzi eksperymenty. Jego dane wejściowe mogą opisywać proponowaną metodę i oczekiwany wkład. Asystent musi ocenić tę propozycję, nie traktując przewidywanych wyników jako ustalonych ustaleń.

Sędzia testowany wyłącznie na dopracowanych artykułach niekoniecznie został przetestowany w takiej sytuacji. Ewaluacja może wyglądać przekonująco, pozostawiając jednak zamierzone środowisko wdrożeniowe niewystarczająco zbadane. Niedopasowanie staje się szczególnie istotne, gdy jego wynik decyduje o tym, które pomysły przechodzą dalej.

Wygenerowane przykłady w zbiorze danych mają słabe etykiety, co oznacza, że przypisany im status oryginalności opiera się na założeniu, a nie na indywidualnej weryfikacji w całej puli. To zastrzeżenie powinno towarzyszyć każdemu twierdzeniu o trafności. Wpływa ono na pewność, z jaką czytelnicy mogą interpretować zgodność z benchmarkiem.

Nie czyni to jednak mieszanego ustawienia nieistotnym. Przeciwnie, ujawnia trudny problem w ocenie zautomatyzowanych badań. Uzyskanie wiarygodnych ocen oryginalności wymaga wiedzy eksperckiej i dochodzenia, co ogranicza możliwość taniego rozszerzania zbiorów danych ewaluacyjnych.

Istnieje też różnica pojęciowa między etykietą benchmarku a wnioskiem naukowym. Etykieta czyni eksperyment mierzalnym. Nie rozstrzyga każdej różnicy zdań na temat tego, co stanowi znaczący wkład.

Dla deweloperów istotna lekcja dotyczy dopasowania między testowaniem a zastosowaniem. Jeśli produkt ocenia wygenerowane propozycje, jego walidacja powinna badać wygenerowane propozycje. Wyniki na ludzkich artykułach mogą dostarczać kontekstu, lecz nie ustanawiają wiarygodności dla każdego dalszego zadania.

Dla nabywców korporacyjnych rozróżnienie to zmienia pytania, które warto zadawać. Funkcja oceny oryginalności potrzebuje dowodów obejmujących materiały, które pracownicy będą faktycznie przesyłać. Wynik benchmarku uzyskany dla innego typu dokumentu lub etapu badań pozostawia istotną lukę.

Zbiór danych umożliwia również inspekcję. Czytelnicy mogą analizować przykłady, zamiast polegać wyłącznie na zagregowanych wynikach. Ten dostęp ma znaczenie, ponieważ błędy ewaluacji często stają się zrozumiałe dopiero wtedy, gdy propozycja, materiały referencyjne i ocena są widoczne razem.

Zmiana promptu może zmienić zwycięzcę porównania badawczego

Kluczowe odwrócenie polega na tym, że instrukcje dla sędziego mogą wpływać na to, który pomysł badawczy wydaje się silniejszy.

Badanie oceny nowości analizuje sześciu sędziów modelowych w różnych konfiguracjach ewaluacyjnych. Jego autorzy zgłaszają znaczną wrażliwość na prompty, ze szczególnie niepokojącym zachowaniem, gdy do porównania trafiają wygenerowane pomysły. Informują również, że wyszukiwanie i dodatkowe rozumowanie nie rozwiązują problemu w sposób konsekwentny.

Nagłówkowe porównanie promptów wymaga ostrożnej interpretacji. Jedno sformułowanie przekazuje informacje o ocenach nowości wydanych przez recenzentów; drugie prosi model o ocenę nowości bez takiego kontekstu. Te sformułowania różnią się znaczeniem, a nie wyłącznie interpunkcją.

Różnica ta ogranicza przesadną interpretację wyniku. Eksperyment nie dowodzi, że każda niegroźna zmiana sformułowania powoduje załamanie. Pokazuje, że wiarygodne sposoby ramowania ewaluacji mogą prowadzić do wyraźnie odmiennych wyników.

Dla praktyków pozostaje to istotne. Zespoły badawcze muszą zdecydować, jaki kontekst otrzymuje sędzia i jaką decyzję ma podjąć. Wybory te mogą określać pozornego zwycięzcę eksperymentu, nawet gdy analizowane pomysły pozostają bez zmian.

Załóżmy, że hipotetyczny zespół porównuje nowy generator pomysłów z istniejącą wartością bazową. Zespół utrzymuje propozycje bez zmian, lecz zmienia ramowanie ewaluatora. Jeśli zmienia się preferowany generator, zgłoszona przewaga zależy częściowo od procedury pomiarowej.

Nie dowodzi to celowej manipulacji. Zespół może wybrać ewaluator w dobrej wierze, a mimo to nie docenić, jak bardzo wybór ten wpływa na wynik. Ryzyko pojawia się, zanim ktokolwiek spróbuje zoptymalizować korzystną prezentację.

Sędziowie nowości opierający się na LLM wprowadzają zatem kolejne źródło niepewności do porównań między systemami badawczymi. Czytelnicy muszą odróżniać ulepszenia wygenerowanych pomysłów od ulepszeń w tym, jak te pomysły odpowiadają oczekiwaniom konkretnego sędziego.

Rozróżnienie przypomina różnicę między dobrym udzieleniem odpowiedzi na pytanie a szerokim rozumieniem tematu. Ewaluator może przedstawić wiarygodną ocenę przy określonych instrukcjach, nie utrzymując tej oceny w innych dających się obronić sformułowaniach. Płynne wyjaśnienia nie rozwiązują tej niespójności.

Również powtarzalna zgodność przy identycznych instrukcjach nie ustanawia stabilności między różnymi projektami ewaluacji. Powtarzanie testuje, jak konsekwentnie zachowuje się konfiguracja. Zmiana konfiguracji testuje, czy wniosek od niej zależy.

Oba pytania mają znaczenie, lecz wspierają różne twierdzenia. Wiarygodne porównanie naukowe wymaga jasności co do tego, który rodzaj spójności został zmierzony. W przeciwnym razie stabilny wynik może zostać pomylony ze stabilną oceną oryginalności.

W tym miejscu badanie najbezpośredniej podważa zautomatyzowane odkrywanie. Jeśli ewaluacja kontroluje, która propozycja przechodzi dalej, jej preferencje stają się częścią procesu odkrywania. System rankingowy może wpływać na kierunek przyszłych prac, nie będąc wiarygodną miarą nowości.

Właściwą odpowiedzią jest większa przejrzystość tych preferencji. Czytelnicy powinni móc zidentyfikować instrukcje, dowody i regułę decyzyjną łączące propozycję z jej wynikiem. Bez tego kontekstu pozorna precyzja może ukrywać kruchą porównywalność.

Wyspecjalizowane ewaluatory stają przed tym samym problemem dowodowym

Dodanie procesu pracy z literaturą nie dowodzi samo w sobie, że werdykt dotyczący oryginalności zasługuje na większe zaufanie.

Ai2 podaje, że prosta konfiguracja Claude Opus 4.6 oparta na promptach przewyższyła testowane ewaluatory Idea Novelty Checker i AI Scientist. Ustalenie to dotyczy oceny nowości w ustawieniach badania. Nie stanowi rankingu pełnych możliwości badawczych tych systemów.

Porównanie stawia wyspecjalizowane ewaluatory i modele ogólnego przeznaczenia na tej samej płaszczyźnie dowodowej. Proces pracy zaprojektowany pod konkretny cel nadal wymaga walidacji dla zadania, które ma wykonywać. Złożoność architektury nie może zastąpić dowodów, że jej oceny pozostają wiarygodne.

Kod ewaluacyjny udostępnia konfiguracje i skrypty eksperymentalne do analizowania tych wyborów. Obejmuje również proces wielokrotnego użytku do zbierania materiałów benchmarkowych z recenzji konferencyjnych. Dzięki temu publikacja jest bardziej użyteczna niż statyczny wykres wyników.

Publiczne konfiguracje pozwalają innym zespołom sprawdzić, co faktycznie otrzymał ewaluator. Mogą odróżnić model bazowy od otaczających go instrukcji, dostępu do literatury i procesu decyzyjnego. Te szczegóły mają znaczenie przy próbie wyjaśnienia wyniku.

Podstawowe wyzwanie polega na tym, że wyszukiwanie i ocena odpowiadają na różne pytania. Proces wyszukiwania znajduje potencjalnie istotne materiały. Ocena nowości musi ustalić, czy materiał ten zawiera już proponowany wkład.

Odnaleziona publikacja może dzielić słownictwo z propozycją, nie przewidując jednak jej centralnej idei. Inna praca może używać odmiennej terminologii, a mimo to obejmować ten sam wkład. Ewaluator musi ustalić relację między nimi, zamiast wyciągać ją z powierzchownego podobieństwa.

Pusty wynik wyszukiwania stwarza problem odwrotny. Nieodnalezienie pasującej pracy nie dowodzi, że taka praca nie istnieje. Ta luka logiczna pozostaje nawet wtedy, gdy interfejs wyszukiwania przedstawia przekonujące podsumowanie.

Dla nabywców produktów wniosek jest konkretny. Narzędzie przeszukujące literaturę naukową powinno wyjaśniać, co oznacza jego ostateczne twierdzenie o oryginalności. Znalezienie powiązanej pracy, wskazanie nakładania się treści i wykluczenie wcześniejszych wkładów to różne osiągnięcia.

Dla deweloperów presja dotyczy analizy błędów. Gdy ewaluator odrzuca propozycję, jego wyjaśnienie powinno wskazywać rzekomo już istniejący wkład. Gdy potwierdza oryginalność, odbiorcy muszą rozumieć ograniczenia rozważonych dowodów.

Zespół badawczy korzystający z przeszukiwalnej bazy wiedzy staje przed podobnym rozróżnieniem. Zachowywanie i odzyskiwanie dowodów wspiera badanie, ale same dowody nadal wymagają oceny. Dostęp do dokumentów nie rozstrzyga automatycznie, co z nich wynika.

To porównanie pozostawia pole do ulepszeń dla wyspecjalizowanych ewaluatorów. Ich potencjalna wartość polega na ułatwianiu analizy istotnych dowodów i kwestionowania ocen. Badanie wywiera presję na niepopartą pewność siebie, zamiast definitywnie rozstrzygać kwestię oceny wspomaganej literaturą.

Kolejną istotną przewagą konkurencyjną byłaby wykazana zdolność do utrzymywania trafnych ocen przy realistycznych danych wejściowych i dających się obronić konfiguracjach. Bardziej rozbudowany przepływ pracy musi zdobyć tę przewagę poprzez testowanie.

Benchmark ma ograniczenia, które zmieniają jego interpretację

Niestabilność jest mocnym ustaleniem; uniwersalny ranking sędziów oceniających badania wymagałby szerszych dowodów.

Szczególną uwagę zasługują słabe etykiety w badaniu. Wygenerowany zbiór zakłada niższą nowość w celowo ograniczonych warunkach generowania. Autorzy opisują kontrole ekspertów wspierające to założenie, jednocześnie przyznając, że żadna wygenerowana idea nie ma niezależnie ustalonej etykiety.

Prowadzi to do odrębnych pytań o trafność i rozbieżność. Trafność zależy od tego, czy odpowiedź referencyjna jest poprawna. Rozbieżność dotyczy tego, czy konfiguracje udzielają sprzecznych odpowiedzi na ten sam materiał.

Kwestionowana etykieta może komplikować oszacowanie trafności. Nie może jednak sprawić, że niezgodne oceny staną się ze sobą spójne. To rozróżnienie wspiera ostrożną interpretację badań, nie wymagając od czytelników uznania każdej etykiety benchmarku za ostateczną.

Strona ludzka również wymaga interpretacji. Recenzenci naukowi przedstawiają świadome oceny, lecz ich zgodność jest dowodem dotyczącym oryginalności, a nie wyczerpującym przeszukaniem historii nauki. Benchmark zbudowany na tych ocenach dziedziczy ich zakres.

Kontekst koncentruje się ponadto na badaniach AI powiązanych z ICLR. Rozszerzenie wniosków na medycynę, chemię lub inne dziedziny wymaga dodatkowych testów. Różne dyscypliny inaczej organizują wcześniejsze prace i stosują odmienne standardy dla istotnych wkładów.

Wygenerowane propozycje różnią się również zależnie od systemów, które je tworzą. Prosty generator i wspierany literaturą agent badawczy nie muszą tworzyć tego samego rodzaju idei. Zachowanie ewaluatora wobec jednego rozkładu nie może ustalić jego zachowania wobec każdego innego.

Te ograniczenia są istotne, gdy czytelnicy spotykają się z szerokim twierdzeniem, że AI nie potrafi rozpoznawać nowości. Dowody wspierają węższy wniosek: testowane oceny mogą być wrażliwe na wybory projektowe, a pozorna wiarygodność nie przenosi się konsekwentnie między kontekstami.

Badanie nie dowodzi również, że ocena ludzka jest bezbłędna. Eksperci mogą różnić się w ocenie oryginalności, zwłaszcza gdy wkład przekracza granice dziedzin. Istotne porównanie dotyczy tego, jak bada się i dokumentuje niepewność.

Istnieje znacząca różnica między ujawnianiem rozbieżności a sprowadzaniem ich do niewyjaśnionej punktacji. System może być użyteczny, gdy ujawnia istotne wcześniejsze prace lub sporny wkład. Jego wartość nie wymaga udawania, że każda propozycja ma oczywistą binarną odpowiedź.

Ogłoszenie przedstawia ustalenia badaczy, a nie niezależną replikację benchmarku. Nie należy wymyślać odrębnej reakcji, aby stworzyć wrażenie zrównoważonego relacjonowania. Można oceniać wspierające możliwości i sceptyczne interpretacje bez przypisywania ich nieistniejącym komentatorom.

Argument wspierający mówi, że publiczny benchmark umożliwia lepsze projektowanie ewaluatorów. Argument sceptyczny wskazuje, że słabe etykiety i ograniczony zakres ograniczają szerokie wnioski. Te stanowiska mogą współistnieć, ponieważ dotyczą różnych aspektów dowodów.

W przypadku oceny badań AI dającą się obronić odpowiedzią jest ograniczenie twierdzeń do tego, co mierzy eksperyment. Wrażliwość ewaluatora zasługuje na uwagę, ale nie powinna przekształcać konkretnego wyniku benchmarku w werdykt dotyczący całej zautomatyzowanej nauki.

Co sprawiłoby, że zautomatyzowane twierdzenia o nowości byłyby bardziej wiarygodne

Kolejne użyteczne dowody pokażą, czy wnioski wytrzymują replikację, lepsze etykiety i bardziej przejrzyste przepływy pracy badawczej.

Pierwszym sygnałem, na który warto zwracać uwagę w nadchodzących miesiącach, jest niezależne odtworzenie wyników. Zespoły zewnętrzne mogą testować udostępnione konfiguracje i sprawdzać, czy zgłoszony wzorzec się utrzymuje. Zgodność wzmocniłaby zaufanie, że niestabilność wykracza poza implementację pierwotnego eksperymentu.

Inny wynik również byłby informacyjny. Rodziłby pytania o szczegóły konfiguracji, zachowanie modelu lub interpretację eksperymentu. Każdy z tych rezultatów byłby bardziej użyteczny niż powtarzanie nagłówka bez badania jego podstaw.

Replikacja powinna odróżniać odtworzenie wyniku punktowego od odtworzenia podstawowego wzorca. Zaktualizowany model nie musi dokładnie odpowiadać wcześniejszej liczbie. Istotniejsze pytanie brzmi, czy możliwe do obrony zmiany w ewaluacji nadal zmieniają zasadniczy wniosek.

Drugim sygnałem jest silniejsze anotowanie wygenerowanych idei. Szersza ocena ekspertów zmniejszyłaby zależność od założeń dotyczących tego, które propozycje uznaje się za nowe. Ujawniłaby też, gdzie eksperci się nie zgadzają i które przypadki wymagają głębszego przeglądu literatury.

Wzmocniłoby to benchmark, gdyby niestabilność ewaluatora utrzymała się wobec lepiej ustalonych etykiet. Osłabiłoby to konkretne twierdzenia o trafności, gdyby ulepszone anotacje zmieniły odpowiedzi referencyjne. Oba wyniki pomogłyby oddzielić niepewność pomiaru od błędu ewaluatora.

Szczególnie informacyjne rozszerzenie obejmowałoby idee pochodzące z bardziej zaawansowanych przepływów pracy badawczej. Pozwoliłoby to sprawdzić, czy te same problemy występują, gdy wygenerowane propozycje pojawiają się wraz ze wsparciem literaturowym i dopracowaniem. Przybliżyłoby to także ewaluację do twierdzeń wysuwanych na rzecz zautomatyzowanego odkrywania.

Trzecim sygnałem jest to, czy produkty badawcze wyraźniej pokazują dowody i niepewność. Punktację oryginalności łatwiej ocenić, gdy użytkownicy mogą przeanalizować wcześniejsze prace i zakwestionować deklarowane nakładanie się treści. Istotna zmiana byłaby widoczna w zachowaniu produktu.

Badania Ai2 nad rewizją literatury oferują powiązany przykład. LitPivot łączy rewizje propozycji z wybraną literaturą i pozostawia badaczom kontrolę nad akceptowaniem zmian. Opisane badanie dotyczy oparcia w literaturze, a nie niezależnej walidacji ocen nowości.

To rozróżnienie ilustruje użyteczny kierunek. System może wspierać badania, wyraźnie prezentując dowody i wybory dotyczące rewizji. Nie musi przedstawiać zautomatyzowanej oceny oryginalności jako rozstrzygniętego wniosku naukowego.

Demonstracje produktów byłyby bardziej przekonujące, gdyby obok sukcesów pokazywały trudne przypadki. Czytelnicy muszą zobaczyć, jak narzędzie radzi sobie z brakującymi dowodami, sprzecznymi publikacjami i niepewnymi wkładami. Dopracowany pozytywny werdykt niewiele mówi o tych warunkach.

Benchmark nowości Ai2 czyni te pytania wystarczająco konkretnymi, by można je było testować. Jego wartość będzie częściowo zależeć od tego, czy badacze wykorzystają go do analizowania wyborów ewaluacyjnych, zamiast promować kolejny odizolowany wynik. Najsilniejsza odpowiedź przyniosłaby wnioski, które pozostają użyteczne, gdy zmienia się konfiguracja oceny.

Przed zaakceptowaniem zautomatyzowanej punktacji oryginalności przeanalizuj propozycję, wcześniejsze prace i decyzję, która je łączy. Zapytaj, czy inny możliwy do obrony prompt zmienia werdykt oraz czy eksperci zgadzają się z podstawowym porównaniem. Zachowaj wersję ewaluatora i dowody wraz z wynikiem, aby późniejsi recenzenci mogli odtworzyć twierdzenie. Traktuj niezgodność jako powód do bliższego zbadania wkładu. Użyteczne pytanie brzmi, czy idea wytrzymuje analizę, gdy jej płynna prezentacja traci przewagę perswazyjną. Przeczytaj udostępnione przykłady i porównaj ich oceny z dowodami pomocniczymi, zanim użyjesz rankingu AI do decydowania, które badania zasługują na dalszą pracę.