Notes2Skills: Van labnotitieboeken naar zekerheidsbewuste wetenschappelijke agentvaardigheden

Samenvatting

Wetenschappelijke ontdekkingsworkflows bevatten en steunen doorgaans sterk op labnotities, waarin onderzoekers observaties vastleggen, onzekere resultaten interpreteren en vervolgproeven plannen. Zulke informatieve labnotities bewaren de evoluerende wetenschappelijke redenering en de onzekerheid van de auteur, in plaats van de gepolijste eindresultaten die in publicaties worden getoond, en bieden een waardevolle kans voor AI om zich op een meer omvattend en dieper niveau met wetenschappelijke verkenning bezig te houden. Echter, het meeste eerdere werk over wetenschappelijke tekst richt zich op artikelen, protocollen of gestructureerde databases, waardoor informele labnotities onderbelicht blijven als input voor AI-agenten voor de wetenschap. Deze kloof is van belang omdat labnotities vaak gevalideerde observaties, voorlopige oordelen en mogelijke volgende experimentele stappen door elkaar halen in dezelfde passage. Als deze signalen worden verward, kan een AI-agent onzekere wetenschappelijke oordelen aanzien voor bevestigde conclusies of uitvoerbare acties. Daartoe presenteren we Notes2Skills, een tweetrapskader voor het omzetten van labnotitieboeken in verifieerbare vaardigheden voor wetenschappelijke AI-agenten, terwijl de zekerheid van de auteur behouden blijft. Over zeven condities en drie natte-lab-sessies heen is Notes2Skills de enige configuratie die noch onzekere notities voor vaste instructies aanziet, noch vaste notities weglaat. We tonen aan dat het behoud van zekerheid het ontbrekende stuk is tussen labnotitieboeken en betrouwbare agentvaardigheden, wat een pad opent naar veiligere AI-co-wetenschapperssystemen.

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.