Notes2Skills : Des carnets de laboratoire aux compétences d'agent scientifique conscient de la certitude

Résumé

Les workflows de découverte scientifique reposent généralement et fortement sur les notes de laboratoire, où les chercheurs consignent leurs observations, interprètent des résultats incertains et planifient des expériences de suivi. Ces notes de laboratoire informatives préservent l'évolution du raisonnement scientifique et l'incertitude de l'auteur, plutôt que les résultats finaux et polis présentés dans les publications, offrant ainsi une opportunité précieuse pour que l'IA s'engage dans une exploration scientifique à un niveau plus complet et plus profond. Cependant, la plupart des travaux antérieurs sur les textes scientifiques se concentrent sur les articles, les protocoles ou les bases de données structurées, laissant les notes de laboratoire informelles sous-explorées en tant qu'entrées pour les agents d'IA dédiés à la science. Cette lacune est importante car les notes de laboratoire mêlent souvent des observations validées, des jugements provisoires et des prochaines étapes expérimentales possibles au sein d'un même passage. Si ces signaux sont confondus, un agent d'IA pourrait prendre des jugements scientifiques incertains pour des conclusions confirmées ou des actions exécutables. À cette fin, nous présentons Notes2Skills, un cadre en deux étapes pour transformer les cahiers de laboratoire en compétences vérifiables pour les agents d'IA scientifiques, tout en préservant la certitude de l'auteur. Sur sept conditions et trois sessions de laboratoire humide, Notes2Skills est la seule configuration qui ne confond ni les notes incertaines avec des instructions fermes, ni ne rejette les notes fermes. Nous montrons que la préservation de la certitude est l'élément manquant entre les cahiers de laboratoire et les compétences fiables des agents, ouvrant ainsi la voie à des systèmes d'IA co-scientifiques plus sûrs.

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.