Notes2Skills: Von Laborheften zu gewissheitsbewussten Fähigkeiten wissenschaftlicher Agenten

Zusammenfassung

Arbeitsabläufe wissenschaftlicher Entdeckungen stützen sich in der Regel stark auf Laboraufzeichnungen, in denen Forscher Beobachtungen festhalten, unsichere Ergebnisse interpretieren und Folgeexperimente planen. Diese aufschlussreichen Laboraufzeichnungen bewahren die sich entwickelnde wissenschaftliche Argumentation und die Unsicherheit des Autors, anstatt der glattpolierten Endergebnisse, die in Publikationen präsentiert werden, und bieten somit eine wertvolle Gelegenheit für KI, sich auf einer umfassenderen und tieferen Ebene an wissenschaftlicher Erkundung zu beteiligen. Der Großteil der bisherigen Arbeiten zu wissenschaftlichen Texten konzentriert sich jedoch auf Fachartikel, Protokolle oder strukturierte Datenbanken, während informelle Laboraufzeichnungen als Eingaben für KI-Agenten in der Wissenschaft kaum erforscht sind. Diese Lücke ist bedeutsam, da Laboraufzeichnungen oft validierte Beobachtungen, vorläufige Beurteilungen und mögliche nächste experimentelle Schritte innerhalb derselben Passage miteinander vermischen. Wenn diese Signale vermischt werden, könnte ein KI-Agent unsichere wissenschaftliche Beurteilungen mit bestätigten Schlussfolgerungen oder ausführbaren Aktionen verwechseln. Zu diesem Zweck stellen wir Notes2Skills vor, ein zweistufiges Framework, das Labornotizen in überprüfbare Fähigkeiten für wissenschaftliche KI-Agenten umwandelt und dabei die Sicherheit des Autors bewahrt. Über sieben Bedingungen und drei Nasslabor-Sitzungen hinweg ist Notes2Skills die einzige Konfiguration, die unsichere Notizen weder für feste Anweisungen hält noch feste verwirft. Wir zeigen, dass die Bewahrung der Sicherheit das fehlende Puzzlestück zwischen Labornotizen und zuverlässigen Agentenfähigkeiten ist, und eröffnen damit einen Weg zu sichereren KI-Ko-Wissenschaftlersystemen.

English

Scientific discovery workflows usually contain and rely heavily on lab notes, where researchers record observations, interpret uncertain results, and plan follow-up experiments. Such informative lab notes preserve evolving scientific reasoning and author uncertainty, rather than polished final results exhibited in publications, providing a valuable opportunity for AI to engage in scientific exploration at a more comprehensive and deeper level. However, most prior work on scientific text focuses on papers, protocols, or structured databases, leaving informal laboratory notes underexplored as inputs to AI agents for science. This gap matters because lab notes often intermingle validated observations, tentative judgments, and possible experimental next steps within the same passage. If these signals are conflated, an AI agent may mistake uncertain scientific judgments for confirmed conclusions or executable actions. To this end, we present Notes2Skills, a two-stage framework for turning lab notebooks into verifiable skills for scientific AI agents while preserving the author's certainty. Across seven conditions and three wet-lab sessions, Notes2Skills is the only configuration that neither mistakes uncertain notes for firm instructions nor discards firm ones. We show that certainty preservation is the missing piece between lab notebooks and reliable agent skills, opening a path toward safer AI co-scientist systems.