Umělou inteligenci (Artificial Intelligence, AI) lze popsat jako soubor technik, které umožňují počítačům samostatně se učit a řešit úkoly obvykle vyžadující lidskou inteligenci. AI zahrnuje různé oblasti, například strojové učení (Machine Learning, ML), při kterém se algoritmy učí z dat a jehož specializací je hluboké učení (Deep Learning, DL) využívající hluboké neuronové sítě. V posledních letech je populární generativní AI (GenAI) umožňující vytvářet texty a multimediální obsah, jejíž podmnožinou specializovanou na práci s přirozeným jazykem jsou velké jazykové modely (Large Language Models, LLM) postavené na DL.
AI se stále více prosazuje také v akademickém prostředí, kde má potenciál mimo jiné rozšířit a urychlit vědecký výzkum, pomáhat vědcům formulovat hypotézy, navrhovat experimenty či zpracovávat a interpretovat rozsáhlé soubory dat [1; 2]. Při používání AI nástrojů je však vždy nutné zohledňovat jejich limity a výzvy, které s sebou nesou, a přistupovat k používání AI ve výzkumu zodpovědně [3; 4]. Pro bližší informace lze doporučit publikaci Science in the age of AI: How artificial intelligence is changing the nature and method of scientific research od Royal Society.
Tento článek se věnuje propojení Open Science a umělé inteligence. Cílem textu není vyčerpávajícím způsobem pokrýt všechny aspekty tohoto vztahu, ale nabídnout orientační přehled a upozornit na klíčová témata, k nimž lze podrobnější informace nalézt v odkazovaných zdrojích.
Open Science a AI
Propojením otevřené vědy a umělé inteligence vzniká nový potenciál urychlit vědecké objevy, předefinovat hranice vědeckého výzkumu a demokratizovat přístup ke znalostem. Oba koncepty se vzájemné doplňují a ovlivňují přičemž jejich plný přínos lze využít pouze tehdy, pokud jsou zároveň řešeny také souvisící výzvy (viz dále v textu) [5; 6].
Příkladem úspěšného propojení otevřené vědy a umělé inteligence je spolupráce NASA a IBM Research na tvorbě geoprostorového a klimatického AI modelu určeného k podpoře boje proti klimatickým změnám. Oba modely jsou postaveny na otevřených datech NASA a výpočetní infrastruktuře IBM a v souladu s principy otevřené vědy jsou volně dostupné dalším výzkumníkům [7].
Jak Open Science podporuje AI
Zavedení principů otevřené vědy do vývoje umělé inteligence může významně přispět k lepšímu pochopení fungování AI nástrojů, zvýšit jejich transparentnost a usnadnit jejich další (zejména znalostní) rozvoj. Otevřenost metod, dat i procesů zároveň zvyšuje bezpečnost a důvěryhodnost AI systémů. Pokud by se vývoj umělé inteligence řídil otevřenými a etickými principy, může AI obohatit vědu i celou společnost a podpořit inkluzivnější a transparentnější výzkumné prostředí [8].
Jednou z iniciativ na podporu otevřeného vývoje umělé inteligence je European Open Source AI Index, která v rámci EU provádí výzkum systémů generativní AI s otevřeným zdrojovým kódem.
K formování otevřeného ekosystému AI mohou přispět také CC Signals od Creative Commons (CC). Jejich cílem je podpořit zodpovědné využívání dat při trénování AI modelů a zachovat otevřené znalosti, aniž by docházelo k omezování inovací. CC Signals představují nejen technický a právní nástroj, ale také společenský apel – novou dohodu mezi těmi, kdo data sdílejí, a těmi, kdo je využívají. V některých případech mohou být právně závazné, v jiných fungují normativně, avšak vždy nesou významnou etickou váhu vyjadřující principy: dáváme, bereme, vracíme zpět a jsme v tom společně [9].
Jak AI podporuje Open Science
AI technologie umožňují zpracovávat otevřeně přístupné výsledky výzkumu a přetvářet je v nové poznatky. Například mohou podpořit hodnocení společenského dopadu výzkumu financovaného z veřejných zdrojů. Studie z července 2025 věnovaná projektům zaměřeným na vzácná onemocnění financovaným EU ukazuje, že AI může efektivně pomoci při vyhodnocování dopadů, zároveň však upozorňuje na limity tohoto přístupu a nutnost expertní interpretace výsledků [10; 11].
Nejvýrazněji se propojení AI a otevřené vědy projevuje v oblasti dat, která jsou klíčovým zdrojem pro trénování, testování i zlepšování AI modelů. Zároveň mohou AI nástroje významně podpořit procesy spojené s otevřeným publikováním – od přípravy článků až po jejich dostupnost a viditelnost v režimu Open Access. Více níže v textu tohoto článku.
Mezinárodní prostředí
Již v roce 2021 vydalo UNESCO Doporučení o etice umělé inteligence (UNESCO Recommendation on the Ethics of Artificial Intelligence), které mimo jiné zdůrazňuje potřebu otevřených dat pro AI. Na toto doporučení navazují pokyny Open data for AI: What now?, jejichž cílem je obeznámit členské státy s významem otevřených dat a možnostmi jejich správy pro rozvoj kvalitních datových zdrojů v oblasti AI.
Důležitost kvalitních otevřených dat i AI modelů zdůrazňuje také OECD. Kromě Doporučení na zlepšení přístupu k datům a jejich sdílení (OECD Recommendation on Enhancing Access to and Sharing of Data) publikovala OECD také zprávu Zlepšení přístupu k datům a jejich sdílení ve věku AI (Enhancing Access to and Sharing of Data in the Age of AI), která rozšiřuje předchozí doporučení speciálně pro potřeby AI modelů a dat, na nichž tyto modely stojí.
Evropská Unie
V říjnu 2025 vydala Evropská komise Evropskou strategii pro umělou inteligenci ve vědě s cílem posílit přední postavení Evropy v oblasti AI výzkumu. Tuto strategii doprovázelo vydání zprávy o roli AI ve vědeckém výzkumu (The role of artificial intelligence in scientific research). Zároveň přispívá k akčnímu plánu AI Continent Action Plan a byla představena společně se strategií Apply AI Strategy, která podporuje zavádění AI v klíčových obchodních a průmyslových odvětvích [12].
Evropská komise společně se zástupci Evropského výzkumného prostoru rovněž publikovala Pokyny pro odpovědné použití generativní AI ve výzkumu (Living guidelines on the responsible use of generative AI in research). Stručné shrnutí těchto pokynů a doporučení k etickým standardům pro práci s AI jsou k dispozici v online průvodci AI nástroje pro výzkum na webu NTK.
EU se věnuje také problematice vzájemného propojení otevřených dat a AI [13]. Podporuje demokratizaci umělé inteligence například prostřednictvím otevřených dat dostupných na portálu data.europa.eu [14]. V roce 2024 vydala EU zprávu Role umělé inteligence při zpracování a generování nových dat: Průzkum právních a politických výzev v ekosystémech otevřených dat (The role of artificial intelligence in processing and generating new data: An exploration of legal and policy challenges in open data ecosystems). Součástí podpůrných aktivit je také série otevřených online lekcí Artificial Intelligence and data ecosystems na portálu European data.
AI je rovněž využívána při rozvoji služeb Evropském cloudu pro otevřenou vědu (EOSC) díky projektu AI4EOSC (Artificial Intelligence for the European Open Science Cloud) financovaného EU v rámci Horizon Europe.
Open Access a AI
Nástroje umělé inteligence založené na velkých jazykových modelech mohou významně pomoci s přípravou článků a publikačním procesem (nejen) v režimu Open Access, snížit tak celkové náklady a navíc zlepšit dosah publikovaných prací díky jejich lepší dohledatelnosti. AI nástroje dokáží mimo jiné automaticky překládat texty a zlepšit jejich srozumitelnost, vytvářet přehledy literatury a pokročilé analýzy dat, tvořit ilustrace či souhrn článku [15; 16].
Dále mohou být AI nástroje užitečné pro identifikaci pochybných OA časopisů (tzv. predátorských časopisů). Model publikovaný v časopise Science Advances založený na analýze designu webových stránek, obsahu a metadat publikací vykazoval velkou míru přesnosti a jeho hodnocení se shodovala s hodnoceními odborníků [17].
Za pomoci OA publikací lze naopak přispět k řešení problému s důvěryhodností LLM, na kterých stojí konverzační nástroje GenAI jako ChatGPT, Gemini, Claude a další. Tyto nástroje nelze považovat za důvěryhodný zdroj informací, neboť mohou být nekonzistentní, dělat chyby a tzv. halucinovat [18; 19; 20]. Pro omezení halucinací je možné využit techniky retrieval-augmented generation (RAG) [21] nebo knowledge-augmented generation (KAG) [22], které kombinují LLM s externími zdroji informací. Jedním z takových externích zdrojů mohou být vědecké publikace dostupné v režimu Open Access. Nástroje kombinující LLM s OA publikacemi mohou výrazně zvýšit důvěryhodnost poskytovaných odpovědí a snížit riziko halucinací [23].
Průvodce nástroji umělé inteligence, které stojí na velkých jazykových modelech a lze je vyžít pro potřeby výzkumu, jsou k dispozici na webu NTK na stránce AI nástroje pro výzkum.
Open Data a AI
Vzhledem k množství různorodých oblastí vzniku otevřených dat mají tato data značný potenciál dalšího využití. Díky použití umělé inteligence, zahrnujícímu nejčastěji různé metody strojového učení nebo velké jazykové modely, je možné zlepšit kvalitu dostupných dat, pomoci s jejich zabezpečením, testovat je a dále zpracovávat. Kvalitní otevřená data mohou na druhou stranu pomoci modely umělé inteligence trénovat a zlepšit tak jejich přesnost a spolehlivost.
Ačkoli zpracování otevřených dat pomocí umělé inteligence a jejich další propojení nabízí množství výhod, nese s sebou také řadu výzev. Mezi hlavní identifikované výzvy patří zajištění dostatečného množství kvalitních dat pro trénování AI modelů, zabezpečení dat a ochrana soukromí a dále možnost zneužití AI a otevřených dat (viz níže).
Oblasti využití otevřených dat a AI
Pro vědu a výzkum představuje přístup k otevřeným datům klíčový předpoklad pro budování spolehlivých AI nástrojů [24]. Uplatnění nachází využití AI společně s otevřenými daty například v různých oblastech chemie či chemické informatiky [25; 26]. Z praktických aplikací lze uvést nástroje AlphaFold, které dokáží předpovídat strukturu proteinů díky AI systému trénovaném na volně dostupných proteinových sekvencích a strukturách. Zajímavou možností je využití AI a otevřených dat pro budování kvalitních vědeckých týmů [27].
Integrace Open Data s využitím AI je obzvlášť významná v medicíně, kde může podstatně přispět k léčbě pacientů, vývoji nových léčiv i léčebných postupů [28; 29; 30; 31]. Tento přístup má potenciál doslova zachraňovat životy. Díky trénování AI modelů na dostatečném množství kvalitních otevřených klinických dat by bylo možné například přispět k včasnému zachycení rizika sepse, která představuje jednu z hlavních příčin úmrtnosti na pohotovostech [32]. Na podporu AI výzkumu v oblasti medicíny vznikla bezpečná platforma Health Data Nexus umožňující ukládání i další využití otevřených medicínských dat [33].
Své uplatnění mohou najít otevřená data společně s AI i mimo akademickou půdu. Jednou z významných oblastí je udržitelný rozvoj a správa měst. Konkrétně lze díky strojovému učení na široké škále dostupných otevřených dat mimo jiné odhadovat emise CO2 [34], mapovat populaci v rámci města [35] nebo predikovat ceny nemovitostí [36]. Z konkrétních projektů lze uvést iniciativu OpenWaste.ai vytvořenou na Concordia University (Montreal, Kanada), která se za pomoci otevřených dat z chytrých košů a speciálně vyvinuté mobilní aplikace a etického využití AI snaží zajistit nakládání s odpady v kampusu s cílem dosáhnout nulového odpadu (zero waste) [37].
Další zajímavou oblastí využití je doprava, kde lze díky zpracování otevřených dat pomocí AI predikovat zpoždění vlaků [38] či trajektů [39] nebo monitorovat námořní dopravu [40].
Tím však výčet možností využití AI a otevřených dat nekončí. Za zmínku stojí též například potenciál využití v průmyslových prostorách [41] či při řešení neefektivity a neprůhlednosti procesu zadávání veřejných zakázek [42].
Výzva v podobě kvality dat
Jednou z hlavních výzev spojených s využitím Open Data pro trénování AI modelů je kvalita publikovaných dat, která je pro jejich další použití klíčová. Konkrétním problémem jsou například chybějící metadata. S řešením mohou pomoci metody založené na umělé inteligenci, které dokáží data zkvalitnit [43; 44].
Zajištění dostatečného množství kvalitních dat je zásadní, aby byly AI modely nejen přesné a spolehlivé, ale také transparentní a interoperabilní a bylo tak možné důvěřovat jejich závěrům. Tuto výzvu mohou pomoci řešit otevřená data, která umožňují validaci a replikaci modelů umělé inteligence [29; 45]. Bohužel se však ukazuje, že například při trénování velkých jazykových modelů stačí jen relativně malé množství škodlivých dat pro „otrávení“ celého modelu [46].
Důležitost dostupnosti otevřených dat a dodržování FAIR principů při rozvoji AI nástrojů pro výzkum byly zdůrazněny jako jeden z klíčových faktorů také v rámci nedávné Open Science Conference 2025 (říjen 2025, Hamburk), která se zaměřovala na propojení otevřené vědy a umělé inteligence [47].
Dále je třeba zajistit, aby byla použitá data zároveň dostatečně reprezentativní a nedocházelo k různým formám zkreslení, systematickým chybám nebo předsudkům v algoritmech umělé inteligence. Ku příkladu v medicíně může docházet k znevýhodňování určité skupiny na základě charakteristik jako je rasa, pohlaví, věk nebo socioekonomický status [30; 48]. Nedostatky nebo zkreslení modelů umělé inteligence mohou mít vážné důsledky. Například algoritmy umělé inteligence vyvinuté pro predikci srdečních onemocnění by mohly mylně diagnostikovat ženy, pokud jsou trénovány primárně na datových sadách s převahou mužů, což odráží historické nedostatečné zastoupení žen v klinických studiích [49].
Zabezpečení dat a ochrana soukromí
V neposlední řadě je třeba řešit otázku ochrany soukromí a zabezpečení dat. Například ve zdravotnictví je nezbytné zachovat důvěrnost údajů o pacientech [29], v oblasti místního rozvoje je třeba zajistit bezpečnost občanů a organizací [50]. Jedná se však o problém zasahující i další oblasti, kde jsou využívána Open Data.
Ukazuje se, že v některých případech lze z portálů otevřených dat získat důvěrné nebo soukromé informace. Navíc existují techniky, které dokáží identifikovat jednotlivce navzdory anonymizaci dat, což porušuje předpisy o ochraně osobních údajů a představuje riziko pro soukromí občanů. S touto výzvou mohou pomoci řešení založená na umělé inteligenci, která dokáží analyzovat kvalitu dat i jejich potenciální kombinace s dalšími daty a usnadnit jejich vylepšení pro další využití v souladu s ochranou osobních údajů [50; 51].
Samotné AI systémy schopné zpracovávat a analyzovat obrovské množství dat mohou též vést k narušení soukromí díky neúmyslnému odhalení citlivých informací o jednotlivcích nebo skupinách, a to i ze zdánlivě neškodných dat. Ke zpracování otevřených dat je proto třeba přistupovat odpovědně a eticky a využívat vhodné techniky AI. Slibný přístup nabízí například federativní učení (technika strojového učení), které umožňuje trénovat modely umělé inteligence napříč více decentralizovanými datovými sadami bez sdílení nezpracovaných dat, čímž se chrání soukromí a snižuje riziko úniků dat [50].
Možnost zneužití AI a otevřených dat
Za použití generativní umělé inteligence a volně přístupných otevřených dat je velmi snadné vytvářet texty, které se tváří jako skutečné vědecké články, ačkoli nepřinášejí reálný nový výzkum a jejich závěry mohou být zavádějící. Tento problém se týká zejména bezplatných publikačních platforem sloužících pro otevřené sdílení. Například na platformě Open Science Framework (OSF) byl pozorován znatelný nárůst počtu předložených článků, které se zdají být generovány nebo silně podpořeny AI nástroji [52]. Stejný tlak řeší i preprintové servery arXiv, bioRxiv a medRxiv [53].
Tyto články navíc procházejí standardní kontrolou plagiátorství. Podle průzkumu publikovaného v září 2025 byly jen v oblasti biomedicíny publikovány stovky takových článků, z nichž více než třetina v časopisech vydavatelství Springer Nature [54].
Na druhé straně existují i projekty jako platforma aiXiv na podporu výzkumu generovaného umělou inteligencí [55]. Platforma aiXiv mimo jiné zavádí také recenzní řízení prostřednictvím AI recenzentů, kteří dokáží recenzi zpracovat do 2 minut [53].
Použité zdroje
[1] WANG, Hanchen, Tianfan FU, Yuanqi DU et al. Scientific discovery in the age of artificial intelligence. Nature [online]. 2023, 620(7972), 47-60 [cit. 2025-11-15]. ISSN 0028-0836. Dostupné z: https://doi.org/10.1038/s41586-023-06221-2
[2] FAIR data a vliv AI na výzkum. V Miláně se diskutovalo o tom, proč je důležité oba aspekty propojit. In: Ústav fyzikální chemie J. Heyrovského [online]. [cit. 2025-11-18]. Dostupné z: https://www.jh-inst.cas.cz/cs/news/fair-data-vliv-ai-na-vyzkum-v-milane-se-diskutovalo-o-tom-proc-je-dulezite-oba-aspekty
[3] RESNIK, David a Mohammad HOSSEINI. The ethics of using artificial intelligence in scientific research: new guidance needed for a new tool. AI and Ethics [online]. Springer Science and Business Media, 2024, 5(2), 1499-1521 [cit. 2025-12-10]. ISSN 2730-5953. Dostupné z: https://doi.org/10.1007/s43681-024-00493-8
[4] LIMONGI, Ricardo. The use of artificial intelligence in scientific research with integrity and ethics. Future Studies Research Journal: Trends and Strategies [online]. Future Studies Research Journal: Trends and Strategies, 2024, 16(1), 845 [cit. 2025-12-12]. ISSN 2175-5825. Dostupné z: https://doi.org/10.24023/futurejournal/2175-5825/2024.v16i1.845
[5] Making AI more open could accelerate research and tech transfer. In: UNESCO [online]. [cit. 2025-12-12]. Dostupné z: https://www.unesco.org/en/articles/making-ai-more-open-could-accelerate-research-and-tech-transfer
[6] HOSSEINI, Mohammad, Serge P. J. M. HORBACH, Kristi HOLMES a Tony ROSS-HELLAUER. Open Science at the generative AI turn: An exploratory analysis of challenges and opportunities. Quantitative Science Studies [online]. MIT Press, 2025, 6, 22-45 [cit. 2025-12-16]. ISSN 2641-3337. Dostupné z: https://doi.org/10.1162/qss_a_00337
[7] LEESE, Lauren. AI for Earth: How NASA’s Artificial Intelligence and Open Science Efforts Combat Climate Change. In: NASA Science [online]. [cit. 2025-12-09]. Dostupné z: https://science.nasa.gov/earth/ai-open-science-climate-change/
[8] Artificial Intelligence in Open Science: Reflections from the YERUN Webinar. In: Yerun [online]. [cit. 2025-12-10]. Dostupné z: https://yerun.eu/2025/10/artificial-intelligence-in-open-science-reflections-from-the-yerun-webinar/
[9] Introducing CC Signals: A New Social Contract for the Age of AI. In: Creative Commons [online]. [cit. 2025-12-10]. Dostupné z: https://creativecommons.org/2025/06/25/introducing-cc-signals-a-new-social-contract-for-the-age-of-ai/
[10] GRYPARI, Ioanna. Beyond Simple Metrics: How AI and Open Data Reveal the True Complexity of Research Impact. In: OpenAIRE [online]. [cit. 2025-12-10]. Dostupné z: https://www.openaire.eu/beyond-simple-metrics-how-ai-and-open-data-reveal-the-true-complexity-of-research-impact
[11] GRYPARI, Ioanna, Sergio DI VIRGILIO, Dimitris PAPPAS, Haris PAPAGEORGIOU a Aris FERGADIS. Advancing Research Impact Evaluation in the Digital Era: Insights from EU-Funded Rare Disease Projects. Fteval JOURNAL for Research and Technology Policy Evaluation [online]. Austrian Platform for Research and Technology Policy Evaluation (FTEVAL), 2025, (57), 51-19 [cit. 2025-12-10]. ISSN 1726-6629. Dostupné z: https://doi.org/10.22163/fteval.2025.697
[12] Commission launches two strategies to speed up AI uptake in European industry and science. In: European Commission [online]. [cit. 2025-11-21]. Dostupné z: https://ec.europa.eu/commission/presscorner/detail/en/ip_25_2299
[13] EUROPEAN UNION. The synergy between open data and AI: A two-way relationship. In: EUROPEAN UNION. The official portal for European data [online]. [cit. 2025-12-11]. Dostupné z: https://data.europa.eu/en/news-events/news/synergy-between-open-data-and-ai-two-way-relationship
[14] EUROPEAN UNION. Democratisation of AI through open data: Empowering innovation. In: EUROPEAN UNION. The official portal for European data [online]. [cit. 2025-12-11]. Dostupné z: https://data.europa.eu/en/news-events/news/democratisation-ai-through-open-data-empowering-innovation
[15] LO, Leo S. Generative AI and Open Access Publishing: A New Economic Paradigm. Library Trends [online]. Johns Hopkins University Press, 2025, 73(3) [cit. 2025-11-23]. Dostupné z: https://muse.jhu.edu/article/961190
[16] MCKENNA, Jack. How Artificial Intelligence is Accelerating Open Access Science. In: MDPI Blog [online]. [cit. 2025-11-23]. Dostupné z: https://blog.mdpi.com/2025/09/09/open-science-artificial-intelligence/
[17] ZHUANG, Han, Lizhen LIANG a Daniel ACUNA. Estimating the predictability of questionable open-access journals. Science Advances [online]. American Association for the Advancement of Science (AAAS), 2025, 11(35) [cit. 2025-11-23]. ISSN 2375-2548. Dostupné z: https://doi.org/10.1126/sciadv.adt2792
[18] DENNING, Peter J. In Large Language Models We Trust?. Communications of the ACM [online]. Association for Computing Machinery (ACM), 2025 [cit. 2025-11-21]. ISSN 0001-0782. Dostupné z: https://doi.org/10.1145/3726009
[19] METZE, Konradin, Rosana MORANDIN-REIS, Irene LORAND-METZE a João FLORINDO. Bibliographic research with large language model ChatGPT-4: instability, hallucinations and sometimes alerts. Clinics [online]. Elsevier BV, 2024, 79 [cit. 2025-11-21]. ISSN 1807-5932. Dostupné z: https://doi.org/10.1016/j.clinsp.2024.100409
[20] DAHL, Matthew, Varun MAGESH, Mirac SUZGUN a Daniel HO. Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models. Journal of Legal Analysis [online]. Oxford University Press (OUP), 2024, 16(1), 64-93 [cit. 2025-11-21]. ISSN 2161-7201. Dostupné z: https://doi.org/10.1093/jla/laae003
[21] LEWIS, Patrick, Ethan PEREZ, Aleksandra PIKTUS et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. ArXiv. 2021. Dostupné také z: http://arxiv.org/abs/2005.11401
[22] LIANG, Lei, Zhongpu BO, Zhengke GUI et al. KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation. In: Companion Proceedings of the ACM on Web Conference 2025 [online]. New York, NY, USA: ACM, 2025, s. 334-343 [cit. 2025-12-16]. Dostupné z: https://doi.org/10.1145/3701716.3715240
[23] PRIDE, David, Matteo CANCELLIERI a Petr KNOTH. CORE-GPT: Combining Open Access Research and Large Language Models for Credible, Trustworthy Question Answering. In: Lecture Notes in Computer Science [online]. Cham: Springer Nature Switzerland, 2023, s. 146-159 [cit. 2025-11-21]. ISBN 9783031438486. ISSN 0302-9743. Dostupné z: https://doi.org/10.1007/978-3-031-43849-3_13
[24] LAWRENCE, Neil a Jessica MONTGOMERY. Accelerating AI for science: open data science for science. Royal Society Open Science [online]. The Royal Society, 2024, 11(8) [cit. 2025-11-21]. ISSN 2054-5703. Dostupné z: https://doi.org/10.1098/rsos.231130
[25] BRINKHAUS, Henning, Kohulan RAJAN, Jonas SCHAUB, Achim ZIELESNY a Christoph STEINBECK. Open data and algorithms for open science in AI-driven molecular informatics. Current Opinion in Structural Biology [online]. 2023, 79 [cit. 2025-11-18]. ISSN 0959440X. Dostupné z: https://doi.org/10.1016/j.sbi.2023.102542
[26] MILJKOVIć, Filip a José MEDINA-FRANCO. Artificial intelligence-open science symbiosis in chemoinformatics. Artificial Intelligence in the Life Sciences [online]. 2024, 5 [cit. 2025-11-18]. ISSN 2667-3185. Dostupné z: https://doi.org/10.1016/j.ailsci.2024.100096
[27] VALLURU, Siva, Michael WIDENER, Biplav SRIVASTAVA, Sriraam NATARAJAN a Sugata GANGOPADHYAY. AI‐assisted research collaboration with open data for fair and effective response to call for proposals. AI Magazine [online]. Wiley, 2024, 45(4), 457-471 [cit. 2025-11-21]. ISSN 0738-4602. Dostupné z: https://doi.org/10.1002/aaai.12203
[28] MILJKOVIć, Filip a Jürgen BAJORATH. Kinase Drug Discovery: Impact of Open Science and Artificial Intelligence. Molecular Pharmaceutics [online]. American Chemical Society, 2024, 21(10), 4849-4859 [cit. 2025-11-20]. ISSN 1543-8384. Dostupné z: https://doi.org/10.1021/acs.molpharmaceut.4c00659
[29] ALAM, Gulzar, Ian MCCHESNEY, Peter NICHOLL a Joseph RAFFERTY. Improving Prospective Healthcare Outcomes by Leveraging Open Data and Explainable AI. In: 2023 3rd International Conference on Computing and Information Technology (ICCIT) [online]. IEEE, 2023 [cit. 2025-11-20]. Dostupné z: https://doi.org/10.1109/iccit58132.2023.10273878
[30] CHENG, Feixiong, Fei WANG, Jian TANG et al. Artificial intelligence and open science in discovery of disease-modifying medicines for Alzheimer’s disease. Cell Reports Medicine [online]. 2024, 5(2) [cit. 2025-11-18]. ISSN 26663791. Dostupné z: https://doi.org/10.1016/j.xcrm.2023.101379
[31] SINGH, Pranjal, Kapil SACHAN, Vishal KHANDELWAL, Sumita SINGH a Smita SINGH. Role of Artificial Intelligence in Drug Discovery to Revolutionize the Pharmaceutical Industry: Resources, Methods and Applications. Recent Patents on Biotechnology [online]. Bentham Science Publishers, 2025, 19(1), 35-52 [cit. 2025-11-21]. ISSN 1872-2083. Dostupné z: https://doi.org/10.2174/0118722083297406240313090140
[32] ESTELLA, Ángel, Miguel ARMENGOL DE LA HOZ a Juan GONZÁLEZ DEL CASTILLO. Open data and Artificial Intelligence: A window of opportunity for septic patients in emergency departments. Emergencias [online]. SEMES (Sociedad Espanola de Medicina de Urgencias y Emergencias), 2025 [cit. 2025-11-19]. ISSN 1137-6821. Dostupné z: https://doi.org/10.55633/s3me/056.2025
[33] ADAMS, January, Rafal CYMERYS, Karol SZUSTER et al. Health Data Nexus: an open data platform for AI research and education in medicine. GigaScience [online]. Oxford University Press (OUP), 2025, 14 [cit. 2025-12-10]. ISSN 2047-217X. Dostupné z: https://doi.org/10.1093/gigascience/giaf050
[34] BILOTTA, Stefano, Luciano IPSARO PALESI a Paolo NESI. Exploiting open data for CO2 estimation via artificial intelligence and eXplainable AI. Expert Systems with Applications [online]. Elsevier BV, 2025, 291 [cit. 2025-11-19]. ISSN 0957-4174. Dostupné z: https://doi.org/10.1016/j.eswa.2025.128598
[35] MANEEPONG, Kittisak, Ryota YAMANOTERA, Yuki AKIYAMA, Hiroyuki MIYAZAKI, Satoshi MIYAZAWA a Chiaki AKIYAMA. Towards High-Resolution Population Mapping: Leveraging Open Data, Remote Sensing, and AI for Geospatial Analysis in Developing Country Cities—A Case Study of Bangkok. Remote Sensing [online]. MDPI, 2025, 17(7) [cit. 2025-11-19]. ISSN 2072-4292. Dostupné z: https://doi.org/10.3390/rs17071204
[36] TRINDADE NEVES, Fátima, Manuela APARICIO a Miguel DE CASTRO NETO. The Impacts of Open Data and eXplainable AI on Real Estate Price Predictions in Smart Cities. Applied Sciences [online]. MDPI, 2024, 14(5) [cit. 2025-11-19]. ISSN 2076-3417. Dostupné z: https://doi.org/10.3390/app14052209
[37] SHENNIB, Faisal, Ursula EICKER a Ketra SCHMITT. OpenWasteAI—Open Data, IoT, and AI for Circular Economy and Waste Tracking in Resource-Constrained Communities. IEEE Technology and Society Magazine [online]. Institute of Electrical and Electronics Engineers (IEEE), 2024, 43(1) [cit. 2025-11-19]. ISSN 0278-0097. Dostupné z: https://doi.org/10.1109/mts.2024.3372610
[38] SARHANI, Malek a Stefan VOß. Prediction of rail transit delays with machine learning: How to exploit open data sources. Multimodal Transportation [online]. Elsevier BV, 2024, 3(2) [cit. 2025-11-21]. ISSN 2772-5863. Dostupné z: https://doi.org/10.1016/j.multra.2024.100120
[39] SARHANI, Malek, Abtin NOURMOHAMMADZADEH, Stefan VOß a Mohammed EL AMRANI. Predicting and analyzing ferry transit delays using open data and machine learning. Journal of Public Transportation [online]. Elsevier BV, 2025, 27 [cit. 2025-11-21]. ISSN 1077-291X. Dostupné z: https://doi.org/10.1016/j.jpubtr.2025.100124
[40] MDAKANE, L., B. SIBOLLA a S. HAUPT. EXPLORING THE POTENTIAL OF OPEN-DATA FOR OCEANS MONITORING WITH AI ANALYTICS. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences [online]. Copernicus, 2023, 1467-1472 [cit. 2025-11-21]. ISSN 2194-9034. Dostupné z: https://doi.org/10.5194/isprs-archives-xlviii-1-w2-2023-1467-2023
[41] BOUZAR, Nadir, Luca DE NARDIS, Maria-Gabriella DI BENEDETTO, Enrico VITUCCI, Marco CHIANI, Stefano CAPUTO a Lorenzo MUCCHI. IN-Rep: A New Open Data Repository for AI-Based Positioning in Industrial Networks. In: 2024 IEEE 8th Forum on Research and Technologies for Society and Industry Innovation (RTSI) [online]. IEEE, 2024, s. 494-499 [cit. 2025-11-21]. Dostupné z: https://doi.org/10.1109/rtsi61910.2024.10761518
[42] KLASSEN, Gerhard, Luca BAUER, Robin FRITZSCHE, Bastian KORDYAKA, Sebastian WEBER a Björn NIEHAVES. Turning Tenders into Tinder: How AI and Open Data can spark Bidding Matches. Lecture Notes in Informatics [online]. Gesellschaft für Informatik e.V, 2024 [cit. 2025-12-16]. Dostupné z: https://doi.org/10.18420/rvi2024-11
[43] FERRETTI, Giuseppe, Delfina MALANDRINO, Maria ANGELA PELLEGRINO, Donato PIROZZI, Gianluigi RENZI a Vittorio SCARANO. A Non-prescriptive Environment to Scaffold High Quality and Privacy-aware Production of Open Data with AI. In: Proceedings of the 20th Annual International Conference on Digital Government Research [online]. New York, NY, USA: ACM, 2019 [cit. 2025-11-19]. Dostupné z: https://doi.org/10.1145/3325112.3325230
[44] UMAIR, Ahmed. Reimagining open data ecosystems: a practical approach using AI, CI, and Knowledge Graphs [online]. In: . CEUR-WS.org, 2023 [cit. 2025-11-19]. Dostupné z: https://ceur-ws.org/Vol-3514/paper65.pdf
[45] KIM, Jongkwang, Sumok BAE, Seong-Mi YOON a Sungmoon JEONG. Roadmap for providing and leveraging annotated data by cytologists in the PDAC domain as open data: support for AI-based pathology image analysis development and data utilization strategies. Frontiers in Oncology [online]. Frontiers Media, 2024, 14 [cit. 2025-11-20]. ISSN 2234-943X. Dostupné z: https://doi.org/10.3389/fonc.2024.1346237
[46] SOULY, Alexandra, Javier RANDO, Ed CHAPMAN et al. Poisoning Attacks on LLMs Require a Near-constant Number of Poison Samples. ArXiv [online]. 2025 [cit. 2025-12-16]. Dostupné z: https://doi.org/10.48550/arXiv.2510.07192
[47] Open Science Conference shows: Trustworthy AI requires open and traceable data. In: ZBW [online]. [cit. 2025-11-23]. Dostupné z: https://www.zbw.eu/en/about-us/zbw-news/single-view/open-science-conference-shows-trustworthy-ai-requires-open-and-traceable-data
[48] SOUZA, Raissa, Emma STANLEY a Nils FORKERT. On the Relationship Between Open Science in Artificial Intelligence for Medical Imaging and Global Health Equity. In: WESARG, Stefan, Esther PUYOL ANTÓN, John S. H. BAXTER et al. Clinical Image-Based Procedures, Fairness of AI in Medical Imaging, and Ethical and Philosophical Issues in Medical Imaging [online]. Cham: Springer Nature Switzerland, 2023, s. 289-300 [cit. 2025-11-18]. Lecture Notes in Computer Science. ISBN 978-3-031-45248-2. Dostupné z: https://doi.org/10.1007/978-3-031-45249-9_28
[49] ENGELHARDT, Sandy. Why thorough open data descriptions matters more than ever in the age of AI: opportunities for cardiovascular research. European Heart Journal – Digital Health [online]. Oxford University Press (OUP), 2024, 5(5) [cit. 2025-11-20]. ISSN 2634-3916. Dostupné z: https://doi.org/10.1093/ehjdh/ztae061
[50] GRÖNMAN, J., T. POHJOLA a T. HAUKIOJA. Cybersecurity Challenges in Open Data and AI Systems for Sustainable Local Development. In: 2025 MIPRO 48th ICT and Electronics Convention [online]. IEEE, 2025 [cit. 2025-11-19]. Dostupné z: https://doi.org/10.1109/mipro65660.2025.11132045
[51] GONZÁLEZ-RAMOS, Juan, Alfonso GONZÁLEZ-BRIONES a Pablo CHAMOSO. An AI-Based System for the Automatic Assessment of Open Data Sources’ Quality and Legality. In: Lecture Notes in Networks and Systems [online]. Cham: Springer Nature Switzerland, 2025 [cit. 2025-11-19]. ISBN 9783031831164. ISSN 2367-3370. Dostupné z: https://doi.org/10.1007/978-3-031-83117-1_17
[52] A Shared Challenge: Evaluating AI’s Impact on Open Research Infrastructure. In: Center for Open Science [online]. [cit. 2025-11-23]. Dostupné z: https://www.cos.io/blog/evaluating-ai-impact-on-open-research-infrastructure
[53] A new preprint server welcomes papers written and reviewed by AI. AAAS Articles DO Group [online]. American Association for the Advancement of Science (AAAS), 2025 [cit. 2025-12-13]. Dostupné z: https://doi.org/10.1126/science.zjy3i9z
[54] NADDAF, Miryam. Journals infiltrated with ‘copycat’ papers that can be written by AI. Nature [online]. Springer Science and Business Media, 2025 [cit. 2025-11-23]. ISSN 0028-0836. Dostupné z: https://doi.org/10.1038/d41586-025-03046-z
[55] ZHANG, Pengsong, Xiang HU, Guowei HUANG et al. AiXiv: A Next-Generation Open Access Ecosystem for Scientific Discovery Generated by AI Scientists. ArXiv [online]. 2025 [cit. 2025-12-16]. Dostupné z: https://doi.org/10.48550/arXiv.2508.15126
KAM DÁL
→ Open Science
→ Open Access
→ Data
poslední aktualizace