Digital Science przejmuje Jenni AI, wprowadzając dane badawcze do procesu pisania

Digital Science przejęło Jenni AI, włączając do swojego portfolio technologii badawczych platformę, która — jak podaje firma — obsługuje ponad 8 milionów użytkowników. Ogłoszona 29 października transakcja łączy asystenta pisania akademickiego z infrastrukturą badawczą, choć zapowiadana integracja danych dopiero nastąpi. Wraz z przejęciem Jenni AI przez Digital Science główne pytanie przesuwa się z generowania czytelnego tekstu na ustalenie, co faktycznie potwierdzają jego źródła.

Firma planuje połączyć Jenni z Dimensions, swoją bazą publikacji naukowych. Tworzy to jasną propozycję: zbliżyć do siebie wyszukiwanie źródeł, pisanie i sprawdzanie cytowań. Uwidacznia też trudne rozróżnienie. Potwierdzenie, że artykuł istnieje, nie dowodzi, że zdanie wiernie przedstawia jego ustalenia.

Elsevier realizuje pokrewną strategię dotyczącą procesu pracy badawczej za pośrednictwem LeapSpace, co czyni to przejęcie częścią trwającej rywalizacji konkurencyjnej. Badacze i nabywcy uniwersyteccy stają wobec konkurujących obietnic wiarygodnego wsparcia. Ich praktyczna obawa dotyczy tego, czy produkty te ograniczają pracę weryfikacyjną, zachowując jednocześnie dowody potrzebne do zakwestionowania odpowiedzi.

Digital Science przejmuje Jenni AI przed integracją danych

Komunikat o przejęciu Jenni AI przez Digital Science potwierdza zmianę właściciela i wskazuje Dimensions jako punkt wyjścia integracji. Firma opisuje Dimensions jako zasób obejmujący 171 milionów publikacji naukowych. Twierdzi, że Jenni w nadchodzących miesiącach włączy dane badawcze i możliwości przeszukiwania pełnych tekstów.

Przejęcie jest potwierdzone; proponowane połączenie z danymi badawczymi pozostaje zobowiązaniem wdrożeniowym.

Ten harmonogram ma znaczenie dla każdego, kto ocenia dziś Jenni. Zakup produktu po przejęciu nie oznacza otrzymania wszystkich możliwości opisanych w ogłoszeniu. Badacze powinni odróżniać obecną funkcjonalność od funkcji, które nowy właściciel zamierza wprowadzić.

Transakcja wprowadza też do równania dystrybucję. Digital Science podaje, że Jenni obsługuje studentów i badaczy w 189 krajach. Liczby te opisują zasięg raportowany przez firmę, a nie niezależnie zweryfikowaną miarę aktywnego użycia, płatnej adopcji ani jakości badań.

W ogłoszeniu podano, że Jenni zachowa swoją nazwę i zespół jako samodzielny produkt. Nie ujawniono warunków finansowych. Bez ekonomiki transakcji czytelnicy nie mogą wiarygodnie ocenić mnożnika przejęcia, oczekiwanych zwrotów nabywcy ani wyników komercyjnych Jenni.

Bardziej użyteczne pytanie dotyczy tego, co umożliwia własność. Produkt do pisania może stać się miejscem, w którym badacze napotykają literaturę, porządkują dowody i rozwijają argumenty. Połączenie tego środowiska z danymi badawczymi daje jego właścicielowi wpływ na źródła, które użytkownicy widzą podczas tworzenia pracy.

Wpływ ten różni się od oferowania miejsca wyszukiwania, które badacze odwiedzają okazjonalnie. Pisanie wymaga powtarzających się decyzji: które twierdzenie potrzebuje wsparcia, który artykuł zasługuje na uwagę i jakie zastrzeżenie powinno znaleźć się w zdaniu. Pomoc w tym momencie znajduje się blisko procesu kształtowania argumentu.

Rozważmy przykładową studentkę studiów magisterskich piszącą przegląd literatury. Sugestia źródła pojawiająca się wewnątrz dokumentu trafia do niej w chwili, gdy potrzebuje już dowodów wspierających. Ta wygoda może ukształtować listę lektur, zanim studentka przeprowadzi szersze wyszukiwanie.

Ten scenariusz wyjaśnia atrakcyjność transakcji, nie dowodząc skuteczności integracji. Digital Science zyskuje ugruntowany punkt wejścia do pracy akademickiej. Jenni uzyskuje dostęp do właściciela infrastruktury badawczej dysponującego zasobami istotnymi dla jego propozycji skoncentrowanej na cytowaniach.

W przypadku obecnych użytkowników ciągłość i przyszłe możliwości zasługują na odrębną uwagę. Zachowanie znajomego produktu może podtrzymać wypracowane nawyki pracy. Dodanie kolejnego źródła danych rodzi inne pytania o zakres, dostęp, weryfikację oraz o to, jak jasno interfejs wyjaśnia swoje odpowiedzi.

Przejęcie natychmiast zmienia więc warunki organizacyjne wokół Jenni. To, czy zmieni wiarygodność konkretnego akapitu, zależy od wdrożenia i oceny. To rozróżnienie powinno pozostać widoczne, gdy firmy przekładają ogłoszenie na kolejne wydania produktu.

Interfejs pisania staje się kanałem dystrybucji badań

Transakcja wywiera presję na asystentów pisania akademickiego, którzy konkurują głównie generowaniem i redagowaniem tekstu. Jeśli porównywalna pomoc w pisaniu stanie się powszechnie dostępna, trwała przewaga potrzebuje innego fundamentu. Dostęp do badań, obsługa dowodów i ugruntowane relacje z użytkownikami oferują możliwe podstawy.

Digital Science kupuje pozycję wewnątrz procesu badawczego, obok możliwości programowych, które Jenni już zapewnia.

Według omówienia dotyczącego pisania akademickiego portfolio firmy obejmuje już Overleaf, ReadCube i Papers AI. Jenni dodaje kolejny sposób docierania do badaczy podczas eksploracji źródeł i tworzenia szkiców. Wspólna własność nie dowodzi, że produkty te już wymieniają dokumenty, biblioteki lub zweryfikowane twierdzenia.

Strategiczna logika staje się jednak wyraźniejsza z perspektywy biurka badacza. Czytanie, zarządzanie referencjami, pisanie szkicu i przesyłanie pracy należą do tego samego projektu, nawet gdy obsługują je odrębne aplikacje. Każde przeniesienie stwarza okazję do utraty kontekstu, dlaczego dane źródło było ważne.

Zapisany artykuł może zachować tytuł i dane cytowania, a jednocześnie utracić notatkę wyjaśniającą jego znaczenie. Akapit może przetrwać eksport, podczas gdy jego połączenie z leżącym u podstaw fragmentem zniknie. Lepsze połączenia między narzędziami byłyby wartościowe, gdyby zachowywały te relacje.

To możliwość analityczna, a nie ogłoszona mapa drogowa interoperacyjności. Ogłoszenie przejęcia nie uzasadnia założenia wspólnego konta, współdzielonej umowy instytucjonalnej ani automatycznego przepływu między produktami z portfolio. Te szczegóły wymagają odrębnych zobowiązań produktowych.

Uniwersytety odczuwają presję z innej strony. Studenci mogą przyjmować indywidualne narzędzia do pisania, zanim biblioteka lub biuro ds. badań je oceni. Wytyczne instytucjonalne muszą więc uwzględniać oprogramowanie już osadzone w codziennej pracy akademickiej.

Dla tych nabywców znajomość produktu może ułatwiać wdrożenie, ale nie przesądza o zatwierdzeniu. Nadal muszą rozumieć sposób obsługi dokumentów, uprawnienia dostępu, możliwości eksportu i ograniczenia automatycznego sprawdzania. Rozpoznawalny właściciel technologii badawczej zapewnia kontekst, a nie automatyczną aprobatę instytucjonalną.

Niezależni deweloperzy stają przed bardziej bezpośrednim pytaniem konkurencyjnym. Asystent pisania połączony z infrastrukturą badawczą może przedstawiać szerszą propozycję niż uzupełnianie zdań. Mniejsi rywale muszą wyjaśnić, gdzie działają lepiej — czy to dzięki specjalistycznemu zakresowi, przejrzystym dowodom, czy skoncentrowanemu procesowi pracy.

Badacze mają również interes negocjacyjny. Korzystają na tym, gdy produkty czynią dowody przenośnymi i zachowują użyteczną pracę poza zastrzeżonym interfejsem. Wygodne środowisko do pisania staje się mniej atrakcyjne, jeśli przeniesienie projektu oznacza utratę relacji ze źródłami.

Łączy się to naturalnie z zarządzaniem osobistą wiedzą. Trwałym zasobem jest relacja między źródłem, interpretacją i pracą, która je wykorzystała. Zmiany własnościowe mają znaczenie częściowo dlatego, że wpływają na to, kto kontroluje tę relację.

Presja wywołana tym przejęciem jest więc konkretna. Asystenci pisania muszą uwiarygodnić swoją propozycję dotyczącą dowodów, podczas gdy instytucje muszą ocenić kategorię produktu przekraczającą znane granice oprogramowania. Żadna z tych grup nie może ocenić zmiany wyłącznie na podstawie jakości prozy.

Rzeczywiste cytowanie nadal wymaga twierdzenia popartego dowodami

Główne napięcie związane z przejęciem kryje się w słowie „zweryfikowane”. Cytowanie może przejść kilka różnych kontroli, z których każda odpowiada na węższe pytanie, niż mogliby zakładać czytelnicy. Wiarygodny interfejs powinien czynić te rozróżnienia zrozumiałymi bez konieczności studiowania przez użytkowników jego architektury.

Znalezienie autentycznej publikacji stanowi punkt wyjścia do weryfikacji, a nie potwierdzenie prawdziwości każdego zdania z nią powiązanego.

Wyszukanie rekordu może ustalić, że tytuł, lista autorów i data publikacji odpowiadają rzeczywistej pracy. Pomaga to ograniczać problem zmyślonych referencji. Nie ustala jednak, czy autor dokładnie opisuje metody, wyniki lub ograniczenia artykułu.

Badania historyczne pokazują, dlaczego to rozróżnienie ma znaczenie. Badanie opublikowane w 2023 roku w Scientific Reports analizowało błędy w cytowaniach bibliograficznych w wynikach wcześniejszych modeli ChatGPT. Udokumentowało zmyślone referencje oraz błędy dotyczące rzeczywistych publikacji. Ustalenia te dotyczą systemów testowanych wówczas, a nie stanowią pomiaru Jenni ani obecnych asystentów badawczych.

Praktyczny problem wykracza poza nieprawidłowe dane publikacji. Artykuł może być istotny dla tematu, lecz nie oferować wsparcia dla konkretnej tezy. Zdanie może również wyolbrzymiać wynik, pomijając populację, kontekst lub niepewność, które nadawały mu znaczenie.

Rozważmy przykładowy szkic dotyczący produktywności w miejscu pracy. Źródło może opisywać postrzeganie uczestników po użyciu narzędzia. Szkic mógłby błędnie przedstawiać ten rezultat jako zmierzoną poprawę liczby ukończonych zadań.

Cytowanie nadal prowadziłoby do autentycznego artykułu. Błąd znajdowałby się w relacji między zdaniem a dowodami. Poprawienie nazwisk autorów lub roku publikacji pozostawiłoby zasadniczą pomyłkę bez zmian.

Użyteczny system kontroli musi więc pokazywać, co sprawdził. Czy dopasował dane publikacji, przeanalizował abstrakt, czy porównał zdanie z odpowiednim pełnym tekstem? Działania te zapewniają różne poziomy wsparcia i powinny prowadzić do różnych oczekiwań użytkowników.

Znaczenie ma również dostęp. Rekord w bazie danych, tekst możliwy do przeszukania oraz uprawnienie do przeczytania kompletnego artykułu to odrębne zasoby. Sama liczba publikacji nie ustala, jakie materiały konkretny użytkownik może sprawdzić za pośrednictwem połączonego produktu.

Ta sama ostrożność dotyczy zakresu. Duży zbiór może wspierać szerokie odkrywanie źródeł, pozostawiając jednocześnie istotne luki w specjalistycznym projekcie. Badacze muszą wiedzieć, czy brakujące dowody wynikają z samej literatury, bazy danych, ograniczeń dostępu czy procesu wyszukiwania.

Nic z tego nie czyni integracji danych badawczych niepomocną. Wyjaśnia, dlaczego integracja ma wartość tylko wtedy, gdy towarzyszą jej jasne granice. Wprowadzenie autorytatywnych rekordów do środowiska tworzenia szkicu może ograniczyć błędy, których można uniknąć, pozostawiając interpretację autorowi.

Najsilniejsza wersja propozycji produktu ułatwiałaby kwestionowanie. Badacz powinien móc otworzyć odpowiedni fragment, porównać go ze szkicem i odrzucić zaproponowaną interpretację. Zaufanie powinno wynikać z dowodów możliwych do sprawdzenia, a nie z uspokajającej odznaki.

Zadanie Digital Science jest zatem bardziej wymagające niż połączenie interfejsu z dużym zbiorem. Firma musi przełożyć to połączenie na kontrole zrozumiałe dla użytkowników. W przeciwnym razie łatwiejsze generowanie cytowań grozi wzrostem pewności szybciej, niż poprawi jakość uzasadnienia.

Elsevier pokazuje, gdzie przesuwa się poprzeczka konkurencji

Digital Science wchodzi na rynek, na którym właściciele danych badawczych już łączą swoje kolekcje z pomocą AI. LeapSpace firmy Elsevier stanowi trafny punkt odniesienia, ponieważ również umieszcza treści badawcze w szerszym środowisku pracy. Porównanie dotyczy kierunku rozwoju produktu, a nie ustalonego rankingu dokładności.

Rywalizacja konkurencyjna coraz bardziej dotyczy dostępu do dowodów i projektowania przepływu pracy, obok jakości generowanego tekstu.

W ogłoszeniu z 16 września dotyczącym zasięgu treści badawczych Elsevier podał, że LeapSpace korzysta z ponad 23 milionów pełnotekstowych artykułów i książek. Opisał także radę doradczą zajmującą się algorytmami, przejrzystością oraz standardami neutralnymi wobec wydawców. Są to nadal opisy oferty i zasad zarządzania przedstawiane przez dostawcę.

Szczegóły te tworzą użyteczny punkt odniesienia dla konkurencji. Dostęp do treści i wyjaśnienia dotyczące ich doboru są już elementem propozycji rynkowej. Digital Science nie może zbudować wyróżnienia wyłącznie na zapowiedzi, że dane badawcze będą wspierać doświadczenie pisania z AI.

Dane dotyczące baz również nie pozwalają na proste porównanie. Liczba publikacji w Dimensions i zbiór pełnych tekstów LeapSpace opisują różne rzeczy. Traktowanie większej liczby nagłówkowej jako dowodu lepszego pokrycia zacierałoby różnice w typach treści, dostępie i metodach liczenia.

Znacząca ocena zaczyna się od zadania badawczego. Historyk analizujący starszą debatę potrzebuje innych materiałów niż inżynier przeglądający niedawne prace konferencyjne. Właściwy zbiór to ten, który wspiera dane pytanie odpowiednimi dowodami.

Środowisko pisania wprowadza kolejny wymiar. Badacze muszą zachować zastrzeżenia, gdy podsumowanie staje się akapitem szkicu. Muszą też móc odzyskać źródło po przeredagowaniu zdania. Te interakcje wpływają na wiarygodność, nawet gdy konkurencyjne systemy odnajdują tę samą publikację.

Asystenci ogólnego przeznaczenia nadal są częścią porównania, lecz ogólne twierdzenia o ich ograniczeniach wymagają ostrożności. Produkty się zmieniają, a niektóre łączą się z informacjami zewnętrznymi. Uzasadnione pytanie brzmi, co konkretny system sprawdził dla konkretnej odpowiedzi.

Październikowe wytyczne biblioteki uniwersyteckiej dostarczają praktycznego przykładu wdrożenia. Politechnika Lubelska zaoferowała swojej społeczności próbny dostęp do Scopus AI, opisując odkrywanie literatury z AI jako wsparcie w znajdowaniu i analizowaniu badań. Wytyczne przedstawiały generowane podsumowania jako punkt wyjścia do krytycznej lektury.

To instytucjonalne ujęcie ma większe znaczenie niż promocyjna rywalizacja o to, kto oferuje najpełniejszego asystenta. Biblioteki mogą testować produkty na rzeczywistych pytaniach badawczych i wyjaśniać ich ograniczenia. Ich oceny mogą ujawnić luki, których nie pokazują szerokie demonstracje.

Dla Digital Science szansą jest uczynienie przejścia od odkrywania do pisania łatwiejszym do prześledzenia. Dla Elsevier i innych dostawców Jenni stanowi kolejny ugruntowany interfejs rywalizujący o uwagę badaczy. Żaden z tych wniosków nie przesądza, że użytkownicy przejdą do innego produktu lub że instytucje zmienią umowy.

Przejęcie podnosi natomiast standard porównania. Kupujący powinni oczekiwać dowodów dotyczących wyszukiwania, interpretacji źródeł i praktycznego nakładu pracy potrzebnego do weryfikacji. Dopracowany szkic lub rozległa kolekcja opisują jedynie część oferty, podczas gdy jej wartość badawcza pozostaje do wykazania.

Ujawnianie wykorzystania AI i odpowiedzialność pozostają poza kontrolą cytowań

Nawet technicznie poprawne połączenie ze źródłem nie rozstrzyga, czy badacz użył AI właściwie. Praca akademicka obejmuje również zasady instytucjonalne, wymagania wydawców, materiały poufne oraz odpowiedzialność za końcową argumentację. Obowiązki te pozostają istotne, gdy cytowania są autentyczne.

Lepsza kontrola cytowań nie może zastąpić rzetelnego opisu sposobu powstania manuskryptu.

Oxford University Press udokumentowało tę niepewność w wytycznych z 10 września dotyczących ujawniania użycia AI. Ankieta przeprowadzona wśród ponad 2 600 badaczy wykazała, że 74% nie miało jasności, które zastosowania wymagały ujawnienia. Tylko 36% wskazało, że dokumentowało użycie AI podczas badań.

Ustalenia te opisują deklarowane praktyki i rozumienie zasad przez respondentów. Nie mierzą dokładności ich prac ani nie określają, jak zachowują się użytkownicy Jenni. Pokazują jednak, dlaczego produkt skupiony na cytowaniach rozwiązuje jedynie część szerszego problemu zaufania.

Manuskrypt może zawierać poprawne odniesienia, a jednocześnie przedstawiać niepełny opis wsparcia AI. Z drugiej strony autor może szczegółowo ujawnić wsparcie, pozostawiając w tekście twierdzenia bez oparcia. Ujawnianie i kontrola dowodów służą powiązanym celom, lecz żadne z nich nie zastępuje drugiego.

Wytyczne OUP podkreślają ludzką odpowiedzialność za przegląd generowanych treści, obok poufności i własności intelektualnej. Wyznacza to praktyczną granicę twierdzeń dotyczących automatyzacji. Narzędzie może wspierać weryfikację, nie przejmując odpowiedzialności autora za to, co trafia do publikacji.

Ogłoszenie o przejęciu nie przesądza, czy przyszła integracja będzie rejestrować, które fragmenty źródeł wpłynęły na sugestię. Nie odpowiada też na pytanie, jak użytkownicy będą sprawdzać kontrole, zachowywać ich wyniki lub wyjaśniać wsparcie wykorzystane podczas redakcji.

Są to pytania dotyczące produktu, a nie dowody na to, że Jenni obecnie nie ma konkretnej funkcji. Ich znaczenie wynika z ogłoszonego kierunku. Jeśli kontrola źródeł stanie się większą częścią doświadczenia, zapis tej kontroli stanie się bardziej istotny.

Obsługa danych wymaga równie precyzyjnego podejścia. Nowy właściciel sam w sobie nie przesądza o zmianie praktyk szkoleniowych, retencji danych ani dostępu do dokumentów. Badacze powinni analizować opublikowane warunki i umowy instytucjonalne, zamiast wyciągać wnioski o tych zasadach z samej transakcji.

Nieopublikowany rozdział pracy doktorskiej ilustruje wagę tej kwestii. Może zawierać materiały z wywiadów, ustalenia objęte embargiem lub pracę współpracowników. To, czy asystent potrafi odnaleźć wiarygodne cytowania, niewiele mówi o tym, czy przesłanie tego rozdziału spełnia zobowiązania projektu dotyczące poufności.

Najsilniejsza ocena instytucjonalna powinna zatem badać łącznie obsługę dowodów i zarządzanie dokumentami. Powinna pytać, jak użytkownicy kwestionują odpowiedź, eksportują swoją pracę i rozumieją sposób traktowania przesłanych materiałów. Pytania te dotyczą wszystkich asystentów badawczych.

Dla indywidualnych badaczy bezpośrednia implikacja jest ograniczona. Zmiana właściciela daje powód, by śledzić rozwój produktu, a nie by rezygnować z przeglądu źródeł. Każdą deklarowaną redukcję wysiłku potrzebnego do sprawdzania należy oceniać razem z zachowanymi dowodami i kontrolą.

Trzy sygnały pokażą, co przyniesie przejęcie

Najbliższe miesiące powinny dostarczyć bardziej użytecznych dowodów niż samo ogłoszenie przejęcia. Najbardziej informatywne sygnały dotyczą wdrożenia, oceny i adopcji. Każdy z nich odnosi się do innej części argumentu za włączeniem Jenni do Digital Science.

Postęp stanie się wiarygodny, gdy użytkownicy będą mogli sprawdzać dostarczone kontrole, a oceniający mierzyć ich praktyczne konsekwencje.

Pierwszym sygnałem będzie jasno udokumentowana integracja Dimensions w udostępnionym produkcie. Badacze powinni móc określić, które funkcje korzystają z połączenia, jakie materiały konsultują i gdzie obowiązują ograniczenia dostępu. Ogólne stwierdzenie o połączeniu pozostawiłoby zbyt wiele niewyjaśnionych kwestii.

Język interfejsu będzie miał równie duże znaczenie jak etykieta wydania. Powinien rozróżniać odnalezienie publikacji od sprawdzenia zdania względem jej treści. Jasne wyjaśnienia wzmocniłyby argument, że infrastruktura badawcza usprawnia doświadczenie pisania.

Wydanie, które pozostawia użytkowników bez pewności, co zostało sprawdzone, osłabiłoby ten argument. Nadal mogłoby usprawnić odkrywanie, lecz węższa korzyść zasługuje na węższy opis. Badacze potrzebują wystarczających informacji, by zdecydować, która część pracy weryfikacyjnej pozostaje po ich stronie.

Drugim sygnałem będzie niezależna ocena dokładności cytowań i twierdzeń. Użyteczne testy powinny rozdzielać zmyślone odniesienia, nieprawidłowe dane publikacyjne, niepoparte stwierdzenia i pominięte zastrzeżenia. Łączenie tych wyników w niewyjaśniony wskaźnik dokładności utrudniłoby porównanie.

Ocena powinna także mierzyć pracę pozostałą po stronie badacza. Asystent może wskazywać więcej źródeł, jednocześnie wydłużając czas potrzebny na ich sprawdzenie. Inny może tworzyć mniej tekstu, ale ułatwiać weryfikację. Różnice te mają znaczenie przy ocenie, czy integracja poprawia rzeczywistą praktykę badawczą.

Trzecim sygnałem będzie udokumentowane doświadczenie instytucjonalne. Próby biblioteczne, oceny grup badawczych i wytyczne uniwersyteckie mogą pokazać, jak połączona propozycja sprawdza się poza demonstracją. Raporty powinny wyjaśniać dyscyplinę, zadanie i warunki dostępu stojące za ich wnioskami.

Pozytywne oceny wzmocniłyby argument, że ugruntowany interfejs pisania korzysta na bliższych połączeniach z danymi badawczymi. Utrzymujące się trudności w kontrolowaniu dowodów osłabiłyby go. Każdy z tych wyników dostarczyłby więcej informacji niż dane o adopcji bez opisu sposobu użycia.

Te same sygnały stanowią uczciwą podstawę do obserwowania konkurentów. Reakcje Elsevier lub innych dostawców stają się znaczące, gdy zmieniają dostęp, widoczność dowodów lub nakład pracy potrzebny do weryfikacji. Dodatkowe kreowanie marki wokół zaufania samo w sobie daje niewielką podstawę do porównań.

Wraz z przejęciem Jenni AI przez Digital Science badacze powinni śledzić dostarczony przepływ pracy, zamiast zakładać, że ogłoszenie rozstrzyga jego wartość. Należy sprawdzić, czy sugerowane cytowanie prowadzi do odpowiedniego fragmentu. Trzeba zweryfikować, czy zdanie zachowuje zastrzeżenia obecne w źródle. Warto zapytać, czy produkt pozostawia użyteczny zapis udzielonego wsparcia i czy zapis ten przetrwa eksport. Kupujący instytucjonalni powinni porównać te odpowiedzi z narzędziami i dostępem, które badacze już mają. Indywidualni autorzy powinni zachować nawyk czytania dowodów przed zaakceptowaniem twierdzenia. Należy śledzić informacje o wydaniach integracji i niezależne oceny, a następnie ocenić przejęcie według tego, jakie decyzje badawcze pomaga podejmować ludziom dzięki jaśniejszym dowodom.