7 · Проверка и судья ИИ

Извлечение само по себе еще не является доверием. Ответ Sci-database на вопрос "откуда я знаю, что моя база данных точна?" — это проверка перекрестной модели: независимая модель ИИ повторно извлекает образец ваших документов с нуля, и платформа показывает вам, где именно эти две модели совпадают и не совпадают — поле за полем, запись за записью. Это отражает практику двойного извлечения систематических обзоров в стиле Cochrane, когда вместо аспирантов используются модели.

Начало проверки

На вкладке База данных нажмите Проверить на любом завершенном задании. Откроется вкладка Проверка с элементами управления настройкой:

• Проверочный образец — ползунок от 1 до 100% (по умолчанию 20%) документов, из которых были получены данные. Вам не нужно все проверять, чтобы знать свою точность: аудит работает на основе случайной выборки.
• Модель проверки — выберите второй считыватель:
  • Gemini 3.1 Flash Lite (по умолчанию) или Gemini 3.1 Pro
  • GPT-4o-mini (OpenAI) — используйте свой собственный ключ API
  • Claude 3.5 Sonnet (Anthropic) — используйте свой собственный ключ API

Для моделей OpenAI/Anthropic диалоговое окно запрашивает ваш ключ API и сообщает: "Этот ключ будет использоваться только для этого сеанса проверки и не будет сохранен."

• Начать проверку — стоимость 2 кредита за образец бумаги. Прогресс отображается как "Проверка i/N".

Модель валидатора получает тот же полный текст статьи и ту же схему, но со своими еще более строгими инструкциями (анализируйте весь документ, никогда не полагайтесь только на аннотацию; никаких сокращений; максимальная специфичность; точная числовая точность; N/A при отсутствии).

Чтение результатов

В заголовке отображается общий процент согласия во всех проверенных полях, и каждый документ получает свой собственный значок согласия. Зеленая галочка = полное согласие; красный треугольник = обнаружены разногласия. Поле считается несогласием только тогда, когда валидатор вернул различное непустое значение — если валидатор ничего не нашел для поля, это помечается как нейтральное (ℹ), а не как конфликт.

Разверните любой лист, чтобы увидеть таблицу Record Comparison:

Столбец	Содержимое
Поле	Поле вашей схемы
Оригинал (Kateeb)	Что обнаружило первое извлечение
Статус	✅ совпадение · ⚠️ несоответствие (строка выделена красным) · ℹ️ валидатор ничего не нашел
Проверено (модель)	Что нашла вторая модель

Ничего не скрыто и ничего не исправлено автоматически: каждая красная строка — это вопрос, который платформа задает вам.

ИИ-судья: расследование разногласий

Для любого документа с согласием ниже 100% нажмите Исследование (2 балла за несоответствие). Третий ИИ действует как эксперт-судья: он перечитывает полный текст статьи для каждого спорного поля и должен вернуть либо одно из двух значений-кандидатов, значение, на которое он может указать непосредственно в тексте, либо N/A — плюс рассуждение из одного-двух предложений.

Результат отображается в виде строки Результат расследования с окончательным значением и обоснованием арбитра. С этого момента решенное значение арбитра ** становится эталоном** для этого поля: на его основе пересчитывается оценка согласия.

Вы можете загрузить полное сравнение в виде Отчет — CSV (validation_report_job_….csv) со столбцами Название статьи, Индекс записи, Имя поля, Исходное значение, Проверенное значение, Соответствует — готовое для прикрепления к дополнительным материалам рукописи.

Завершение цикла: улучшение схемы

Большинство разногласий не являются ошибками модели — это неоднозначные описания полей («эффективность» — чего? начальная или стабилизированная? какой единицы?). Нажмите Улучшить схему (5 кредитов), и ИИ проанализирует исследованные несоответствия и предложит лучшие поля описания (имена и типы не трогаются).

Каждое предложение показывает обоснование, старое описание (красный) и редактируемое предлагаемое описание (зеленый); вы Принять и изменить или Отклонить для каждого поля. Принятые изменения попадают в редактор схемы — сохраните схему, затем повторно запустите извлечение.

Сходим к 90%+

Это цикл доверия, вокруг которого спроектирована платформа:

  extract  →  validate (2nd model)  →  investigate (AI Judge)  →  improve schema  →  re-run
     ▲                                                                                │
     └────────────────────────────────────────────────────────────────────────────────┘

Типичная траектория прохождения: ~70 % согласия при первом необработанном прогоне (модели расходятся во мнениях по единицам измерения и неоднозначным полям) → ~85 % после уточнения схемы → 90%+, порог доверия платформы, после чего разногласия ограничиваются действительно жесткими решениями, которые вы выносите лично. Теперь ваша база данных — это то, что вы можете защитить в экспертной оценке, подтвердив это отчетом о проверке.

---

Далее: Ваша база данных и экспорт →