ChatGPT vai Perplexity tutkimukseen? Lähteiden määrä ei ratkaise

|Kirjoittaja: QUASAn toimitus|5 min lukuaika
ChatGPT vai Perplexity tutkimukseen? Lähteiden määrä ei ratkaise

Perplexity on hyvä lähtökohta, kun tutkimustyö alkaa verkkolähteiden etsimisestä. ChatGPT:n Deep Research sopii erityisesti laajaan selvitykseen, jonka lähteitä ja suunnitelmaa haluat ohjata. Kummankaan palvelun viitteiden määrä ei ratkaise tuloksen laatua: ratkaisevaa on, löytyykö tärkeälle väitteelle tuki avatusta alkuperäislähteestä.

Valinta muuttuu myös tehtävän mukana. Nopea verkkohaku, useita aineistoja yhdistävä raportti ja omien PDF-tiedostojen analyysi vaativat eri ominaisuuksia. Siksi palveluja kannattaa verrata saman työn eri vaiheissa sen sijaan, että yhden vastauksen pituudesta pääteltäisiin yleinen voittaja.

Nopea verkkohaku: kuinka helposti alkuperäislähde löytyy?

Perplexityn Pro Search on rakennettu lähteitä etsivän vastauksen ympärille. Perplexityn Pro Search -kuvauksen mukaan tila tekee useita verkkohakuja, kokoaa tietoa muun muassa artikkeleista ja tutkimusjulkaisuista sekä näyttää suorat lähdelinkit. Jatkokysymykset säilyttävät keskustelun kontekstin, joten hakua voi tarkentaa aloittamatta aihetta alusta.

ChatGPT:lläkin voi hakea ajankohtaista tietoa verkosta. Käytännön ero näkyy siinä, mitä ensimmäiseltä vastaukselta odotat: etsitkö nopeasti avattavia lähde-ehdokkaita vai rakennatko jo pidemmän selvityksen kysymystä ja rajausta? Jos tehtävänä on löytää esimerkiksi suomalaisen viranomaisen voimassa oleva ohje, hyödyllisin vastaus vie suoraan kyseiseen ohjeeseen ja auttaa erottamaan sen vanhemmista tai sitä referoivista sivuista.

Linkkien helppo löytyminen säästää aikaa aiheen kartoituksessa, mutta hakutuloksen paikka vastauksessa ei kerro sen todistusarvoa. Alkuperäinen päätös, tutkimusjulkaisu tai tuotedokumentaatio voi vastata kysymykseen täsmällisemmin kuin sujuva yhteenveto, joka viittaa siihen vain yleisellä tasolla.

Viitteen on tuettava juuri sen vieressä olevaa väitettä

Tom’s Guiden kolmen tehtävän vertailussa Perplexity tarjosi kirjoittajan mukaan laajempia vastauksia, enemmän lähdelinkkejä ja hyödyllisiä jatkokysymyksiä. Tehtävät koskivat tutkimusaiheiden ideointia, työn rungon laatimista ja tutkimuskysymysten tarkentamista. Tulos kuvaa näitä tehtäviä; vertailussa ei mitattu väitteiden osumatarkkuutta alkuperäisteksteihin eikä asetettu palvelujen syvätutkimustiloja vastakkain.

Kun vastaus väittää tutkimuksen osoittavan tietyn seurauksen, avaa viite ja etsi juuri sitä seurausta koskeva kohta. Tarkista, vastaavatko tutkimuksen kohde, ajanjakso ja mittari vastauksen sanamuotoa. Linkki samaa aihetta käsittelevään sivuun ei vielä riitä, jos sivu ei esitä kyseistä lukua, ehtoa tai johtopäätöstä.

Myös lähteiden suhde toisiinsa merkitsee. Usea artikkeli voi toistaa saman tutkimuksen tuloksen, jolloin pitkä viiteluettelo näyttää monipuolisemmalta kuin sen pohjana oleva aineisto. Erityisesti muuttuvissa tiedoissa kannattaa katsoa alkuperäissivun julkaisu- tai päivitysaika ennen kuin käyttää vastausta päätöksen perusteena.

Laajassa selvityksessä vertaillaan tutkimustiloja

Pitkää raporttia varten oikea vertailupari on Perplexityn Research ja ChatGPT:n Deep Research. Perplexityn Research-ohjeen mukaan tila hakee aineistoa toistuvasti, lukee dokumentteja ja kokoaa niistä raportin, jonka voi viedä PDF- tai asiakirjamuotoon. Kyse on erillisestä tutkimustilasta, joten Pro Searchin käyttötapa tai nopeus ei yksin kuvaa sen tuottamaa raporttia.

OpenAI:n Deep Research -ohjeen mukaan käyttäjä voi tarkistaa ehdotetun tutkimussuunnitelman ennen työn alkua, rajata haun nimettyihin sivustoihin ja muuttaa painotusta työn aikana. Raportissa on viitteet, käytettyjen lähteiden kooste ja työvaiheiden historia, ja sen voi ladata muun muassa Word-, PDF- tai Markdown-muodossa. Samassa ohjeessa ChatGPT:n tavallinen verkkohaku kuvataan nopeaan tiedonhakuun sopivaksi, kun taas Deep Research lukee ja yhdistää lähteitä laajempaa raporttia varten.

Jos toimeksianto edellyttää etukäteen sovittua lähdejoukkoa, rajauksia tai tarkistettavaa tutkimussuunnitelmaa, ChatGPT:n dokumentoitu työnkulku vastaa siihen suoraan. Perplexityn Research puolestaan tekee monivaiheisen haun ja synteesin omassa hakupainotteisessa työnkulussaan. Molempien lopputulosta arvioidaan raportin kysymyskohtaisen kattavuuden ja väitteiden lähdetuen perusteella, ei pelkän sivumäärän mukaan.

Oma PDF-aineisto vaihtaa arvioinnin painopisteen

Jos kysymys koskee hallussasi olevia tiedostoja, ratkaisevaa on, löytyykö vastaus oikeasta kohdasta aineistoa. Perplexityn tiedostojen käyttöohjeen mukaan palveluun voi ladata PDF-tiedostoja ja esittää niistä jatkokysymyksiä samassa keskustelussa. Ohje kertoo myös, että palvelu voi poimia pitkästä tiedostosta olennaisiksi arvioimansa osat sen sijaan, että käsittelisi koko tiedoston vastauksessa.

ChatGPT:n Deep Research voi yhdistää ladattuja tiedostoja verkosta haettuun aineistoon. Tämä on hyödyllistä esimerkiksi silloin, kun omaa raporttia pitää verrata julkiseen ohjeeseen. Jos taas kysymys on yhden sopimuksen poikkeuksista tai tutkimusjulkaisun täsmällisestä ehdosta, kummankin palvelun vastauksesta on päästävä takaisin tiedoston oikeaan kohtaan.

Pitkän PDF:n tiivistelmä ei yksin osoita, että kaikki poikkeukset olisi löydetty. Vertailutehtäväksi sopii siksi kysymys nimetystä kohdasta sekä toinen kysymys, joka edellyttää kahden kohdan yhdistämistä. Luottamuksellisen aineiston kohdalla myös organisaation käyttöoikeudet ja tiedostojen käsittelyasetukset kuuluvat valintaan ennen lataamista.

Sama tehtävä paljastaa olennaiset erot

Toistettava vertailu alkaa yhdestä omaa työtä vastaavasta kysymyksestä. Anna palveluille sama aikarajaus, mahdollinen tiedosto ja toivottu lopputulos. Kirjaa seuraavat havainnot erikseen, jotta runsas vastaus ei peitä heikkoa lähdetukea:

  • Lähteen löytyminen: johtaako vastaus suoraan olennaiseen alkuperäissivuun vai vain sitä referoivaan tekstiin? Toimiva linkki on vasta lähtökohta.
  • Väitteen ja viitteen vastaavuus: löytyykö linkin takaa täsmälleen esitetty tulos tai ehto? Merkitse erikseen väitteet, joille lähde tarjoaa vain aiheyhteyden.
  • Tuoreus: sopiiko lähteen julkaisu- tai päivitysaika kysymyksen ajanjaksoon? Tarkista muuttuva tieto alkuperäiseltä sivulta, vaikka vastauksessa olisi päiväys.
  • PDF-työ: osoittaako vastaus tarkistettavan kohdan omasta tiedostosta? Kokeile myös kysymystä, johon tarvitaan tietoa eri puolilta aineistoa.
  • Jatkokysymykset: säilyykö sovittu rajaus, kun pyydät ristiriitaista havaintoa tai tarkennusta? Hyödyllinen jatkovastaus voi muuttaa aiempaa päätelmää.
  • Tuloksen luovutettavuus: saako selvityksen talteen niin, että toinen ihminen näkee väitteet, lähteet ja rajaukset? Pelkkä valmis teksti ei kerro, miten päätelmään päädyttiin.

Valinta riippuu työn hitaimmasta vaiheesta

Kun eniten aikaa vie mahdollisten verkkolähteiden löytäminen, Perplexity on luonteva aloituspaikka. Kun työ edellyttää etukäteen rajattua lähdejoukkoa ja ohjattavaa, laajaa synteesiä, ChatGPT:n Deep Research tarjoaa siihen selkeät hallintakeinot. Omien PDF-tiedostojen kohdalla valinta kannattaa tehdä sen perusteella, kumpi löytää tarkistettavat kohdat juuri käytössä olevasta aineistosta.

Samaa palvelua ei tarvitse käyttää kartoitukseen ja lopulliseen raporttiin. Työn arvo syntyy siitä, että lähde löytyy, sen sisältö vastaa väitettä ja johtopäätös säilyy ymmärrettävänä myös sille, joka avaa aineiston myöhemmin.

Lue myös:

Jaa:

Aiheeseen liittyvät artikkelit

Tilaa uutiskirjeemme

Saat tuoreimmat Web3-, tekoäly- ja kryptouutiset suoraan sähköpostiisi.

0