SciAssess: Benchmarking LLM Proficiency in Scientific Literature Analysis
DP Technology AI for Science Institute(DP Technology AI for Science研究所)
针对现有基准难以充分评估LLMs在科学文献分析中高阶能力与多模态处理能力的问题,本文提出SciAssess基准,从记忆、理解、分析与推理三个层级评估11个LLMs,为领域发展提供可靠评测资源。
2024-10-18 cs.CL
Detecting Reference Errors in Scientific Literature with Large Language Models
University of Washington(华盛顿大学)
本文研究了大型语言模型在检测科学论文中引用错误的能力,通过专家标注的数据集验证了模型在有限上下文和无微调情况下的检测效果,为人工智能辅助科学写作提供了新思路。
2024-11-09 cs.CL
SciLitLLM: How to Adapt LLMs for Scientific Literature Understanding
University of Science and Technology of China(中国科学技术大学);DP Technology(第四范式科技(DP科技))
针对LLMs在科学文献理解中存在的科学知识匮乏和专业任务不熟悉问题,提出整合持续预训练与监督微调的混合策略,构建SciLitLLM模型,同时注入科学知识并提升指令遵循能力,在相关基准测试中表现优异。
2025-04-18 cs.CL cs.LG
Instruct Large Language Models to Generate Scientific Literature Survey Step by Step
The Open University of China(国家开放大学);FloatMiracle;PLA Academy of Military Science(中国人民解放军军事科学院)
本研究设计分步提示词引导大语言模型生成科学文献综述,基于Qwen-long的方案在NLPCC 2024评测中获第三名,软标题召回率95.84%,单篇生成成本仅0.1元,兼具效果与实用性。
2024-08-15 cs.CL
SciLit: A Platform for Joint Scientific Literature Discovery, Summarization and Citation Generation
Institute of Neuroinformatics(神经信息学研究所);University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
针对科学写作中文献检索、总结与引用耗时的问题,提出集成文献推荐、要点提取与引用生成的SciLit平台,采用两阶段检索系统实现亿级文献高效推荐,配套界面支持抽取式摘要展示与上下文对齐的生成式引用,已上线供使用。
2023-11-06 cs.CL
What Makes it Difficult to Understand a Scientific Literature?
University of Chinese Academy of Sciences(中国科学院大学);Wuhan University(武汉大学)
在人工智能领域,最终目标之一是使计算机理解人类语言并提供帮助。为了实现这一理想,计算机科学的研究者们提出了许多模型和算法,试图使机器能够在不同的语义层次上分析和处理人类的自然语言。虽然最近在这一领域的进展提供了很大的希望,我们仍然要问,目前的研究是否可以提供帮助,人们真正希望在阅读和理解。为此,我们对两篇不同风格的科技论文进行了阅读理解测试。我们使用语义链接模型来分析人们在阅读科技文献的过程中会遇到的理解障碍,并找出导致人们难以理解科技文献的原因。通过分析,总结出不同知识水平的人在理解科技文献难点时所反映出的一些特点和问题,这些特点和问题可以用语义链接网络进行建模。我们相信这些特点和问题将有助于我们重新审视现有的机型,并有助于设计新的机型。
2015-12-04 cs.CL
SciCurateBench: Curating Experimental Data from Heterogeneous Scientific Literature with Verbal-Action Agents
University of British Columbia(不列颠哥伦比亚大学)
本研究推出SciCurateBench基准,发现现有智能体难以完成从异构科学文献验证联合生物学实验标准的任务,提出LangPoli系统及课程迁移方法,提升了相关任务性能,助力实用科学AI辅助研究。
2026-10-14 cs.CL
Annotating and Extracting Synthesis Process of All-Solid-State Batteries from Scientific Literature
Panasonic Corporation(松下公司);National Institute of Advanced Industrial Science and Technology (AIST)(日本产业技术综合研究所(AIST));Toyota Technological Institute(丰田工学院)
合成过程是实现无机材料化学领域计算实验设计的关键。在这项工作中,我们提出了一个新的语料库的全固态电池的合成过程和自动化的机器阅读系统,用于提取的合成过程中埋在科学文献。我们定义的合成过程中使用流图的表示,并创建一个语料库的实验部分的243篇论文。自动化机器阅读系统是由一个基于深度学习的序列标记器和简单的启发式基于规则的关系提取器开发的。我们的实验结果表明,序列标记器与最佳设置可以检测到的实体的宏观平均F1得分为0.826,而基于规则的关系提取器可以实现高性能的宏观平均F1得分为0.887。
2020-02-18 cs.CL
Generating Literature-Driven Scientific Theories at Scale
Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Arizona(亚利桑那大学);University of Washington(华盛顿大学)
研究通过大规模文献数据生成科学理论,比较文献基础与参数知识生成对理论质量和预测能力的影响。
2026-01-22 cs.AI cs.CL
From Papers to Panoramas: Building Hierarchies of Scientific Literature at Scale
Texas A&M University(德克萨斯大学奥斯汀分校)
针对科学文献快速增长难以追踪学科进展与关联的问题,提出结合嵌入聚类与LLM提示的混合方法,构建多层级科学文献体系,在质量与速度权衡上优于重度LLM方法,提升了文献探索的可解释性。
2026-08-14 cs.CL
SciTopic: Enhancing Topic Discovery in Scientific Literature through Advanced LLM
Computer Network Information Center, Chinese Academy of Sciences, Beijing, China(中国科学院计算机网络信息中心);University of Chinese Academy of Sciences, Beijing, China(中国科学院大学);Department of Computer Science, Portland State University, Portland, US(波特兰州立大学计算机科学系);Information Science and Technology College, Dalian Maritime University, Dalian, China(大连海事大学信息科学与技术学院)
本文提出 SciTopic 方法,利用大语言模型引导的文本编码器、空间优化模块和三元组对比学习,在三个科学文献数据集上超越现有最先进方法,提升主题发现效果。
2025-11-07 cs.CL
Ask, Retrieve, Summarize: A Modular Pipeline for Scientific Literature Summarization
Leipzig University(莱比锡大学);Fraunhofer ISI Leipzig(弗劳恩霍夫研究所莱比锡分所);Bauhaus-Universität Weimar(魏玛包豪斯大学);Kassel University(卡塞尔大学)
本文提出XSum,一种基于检索增强生成的模块化多文档摘要流水线,通过问题生成与编辑模块提升科学文献摘要质量,在SurveySum数据集上取得显著性能提升。
2025-05-22 cs.CL
CHIME: LLM-Assisted Hierarchical Organization of Scientific Studies for Literature Review Support
Allen Institute for AI(艾伦人工智能研究所);University of Chicago(芝加哥大学);University of Washington(华盛顿大学)
本研究提出利用LLM生成科学研究的层级组织以辅助文献综述,构建了专家修正的CHIME数据集,并训练修正器模型使研究分配的F1分数提高12.6分。
2024-07-23 cs.CL
Applying BERT and ChatGPT for Sentiment Analysis of Lyme Disease in Scientific Literature
School of Mathematical and Computational Sciences, Massey University(梅西大学数学与计算科学学院)
本文以5643篇慢性莱姆病科学摘要为数据,演示用Python结合BERT等预训练语言模型与ChatGPT进行情感分析,并借助可解释机器学习工具验证结果,以评估相关话语中的偏见。
2023-02-07 cs.CL
ArxEval: Evaluating Retrieval and Generation in Language Models for Scientific Literature
ArxEval提出基于ArXiv的两任务评估流程,衡量十五个语言模型在科学文献生成中的幻觉频率,以比较其可靠性。
2025-01-22 cs.AI cs.CL
What's New? Summarizing Contributions in Scientific Literature
Carnegie Mellon University(卡内基梅隆大学);Salesforce Research(赛富时研究院)
每天都有成千上万的学术文章被分享,跟上最新的科学发现变得越来越困难。为了克服这个问题,我们引入了一个新的任务,即论文摘要,它旨在为论文贡献和工作背景生成单独的摘要,从而更容易识别文章中共享的关键发现。为了这个目的,我们扩展了S2ORC语料库的学术文章,它跨越了不同的领域,从经济学到心理学,通过添加解开“贡献”和“上下文”的参考标签。与数据集一起,我们介绍并分析了三种基线方法:1)由输入代码前缀控制的统一模型,2)具有专门用于生成分离输出的单独生成头的模型,以及3)使用来自入站和出站引用的额外监督来指导模型的训练策略。我们还提出了一个全面的自动评估协议,报告的相关性,新颖性,并解开生成的输出。通过一项涉及专家注释者的人类研究,我们发现,在79%的情况下,我们的新任务被认为比传统的科学论文摘要更有帮助。
2020-11-09 cs.CL
Making Science Simple: Corpora for the Lay Summarisation of Scientific Literature
University of Sheffield(谢菲尔德大学);Beihang University(北京航空航天大学)
本文构建PLOS与eLife两个含专家通俗摘要的生物医学文献数据集,刻画其可读性与抽象性差异,并通过主流模型基准测试和专家人工评估验证效用。
2023-12-12 cs.CL
An automated domain-independent text reading, interpreting and extracting approach for reviewing the scientific literature
Federal University of Ceara(塞阿拉联邦大学)
本文提出了一种基于机器学习的自然语言处理方法,该方法能够从文章语料库中自动识别和提取分类参数和数值参数。该方法(命名为.RIX)与ML模型的伴随/可互换使用一起操作,例如神经元网络(NN),潜在语义分析(LSA),朴素贝叶斯分类器(NBC)和使用正则表达式的模式识别模型(REGEX)。7,873篇涉及天然产物(NP)的科学文章的语料库被用来证明a.RIX引擎的效率。该引擎自动提取分类和数值参数,例如(i)从中提取活性分子的植物物种,(ii)活性分子可以作用于的微生物物种,以及(iii)针对这些微生物的最小抑制浓度(MIC)值。参数的提取没有词性标注(POS)和命名实体识别(NER)的方法(即,不需要文本注释),和模型的训练与无监督的方法进行。通过这种方式,.RIX基本上可以用于任何科学领域的文章。最后,它可能会在某些领域淘汰当前的文章审查过程,特别是那些机器学习模型捕获文本结构,文本语义和潜在知识的领域。
2021-10-06 cs.CL
SciRAG: Adaptive, Citation-Aware, and Outline-Guided Retrieval and Synthesis for Scientific Literature
Shanghai Jiao Tong University(上海交通大学);Yale University(耶鲁大学);NYU Shanghai(纽约大学上海分校);TCS Research(TCS研究)
针对现有科学文献RAG方法忽略引用结构、适配性差、合成内容难验证的问题,本文提出开源框架SciRAG,通过自适应检索、引用感知推理、大纲引导合成三项创新,在多个基准上取得了更优的事实准确性与合成质量。
2025-11-18 cs.CL cs.DL
High-Precision Extraction of Emerging Concepts from Scientific Literature
Allen Institute for AI(艾伦人工智能研究所);Paul G. Allen School of Computer Science & Engineering, University of Washington(华盛顿大学保罗·G·艾伦计算机科学与工程学院)
识别科学文献中的新概念可以帮助进行分面搜索、科学趋势分析、知识库构建等,但目前缺乏这种方法。人工识别无法跟上新出版物的洪流,而现有的自动技术的精度对于许多应用来说太低。我们提出了一个无监督的概念提取方法,科学文献,达到更高的精度比以前的工作。我们的方法依赖于一个简单但新颖的直觉:每一个科学概念都可能被一篇论文引入或推广,而这篇论文会被随后提到这个概念的论文不成比例地引用。从arXiv上的计算机科学论文语料库中,我们发现我们的方法实现了99%的精度@1000,而之前的工作为86%,并且在前15,000个提取中具有更好的精度-产量权衡。为了促进这一领域的研究,我们发布了我们的代码和数据(https://github.com/allenai/ForeCite)。
2020-06-11 cs.CL cs.IR
Lit3R: Retrieve-Relate-Read for Evidence-Grounded Question Answering over Scientific Literature
Tokyo University of Science(东京理科大学);Dentsu Soken Inc.(电通综研株式会社);Studio Ousia
Lit3R系统结合现成检索、重排序和LLM组件,通过迭代检索与跨论文证据综合,在LitTraceQA任务中排名第四,无需任务特定训练。
2026-09-16 cs.CL
DRIFT: A Toolkit for Diachronic Analysis of Scientific Literature
BITS Pilani, Goa Campus(BITS Pilani 果阿校区);Pune University(浦那大学)
在这项工作中,我们向NLP社区以及整个更广泛的研究社区展示了研究语料库历时分析的应用程序。我们开源了一个易于使用的工具:DRIFT,它允许研究人员跟踪多年来的研究趋势和发展。分析方法是从被广泛引用的研究工作中整理出来的,为了更好地衡量,我们还加入了一些自己的方法。简而言之,一些分析方法是:关键字提取,词云,预测下降/停滞/增长趋势使用生产力,跟踪双元使用加速图,查找单词的语义漂移,使用相似性跟踪趋势等,以证明我们的工具的实用性和有效性,我们进行了一个案例研究的cs.CL语料库的arXiv库,并从分析方法中得出推论。该工具包和相关代码可在这里获得:https://github.com/rajaswa/DRIFT。
2021-09-10 cs.CL
WildSci: Advancing Scientific Reasoning from In-the-Wild Literature
University of California, Santa Barbara(加州大学圣巴巴拉分校)
WildSci通过自动合成领域特定科学问题数据集,提升科学推理的可扩展性和可持续性。
2026-01-09 cs.AI cs.CL
Semantic Reconstruction of Adversarial Plagiarism: A Context-Aware Framework for Detecting and Restoring "Tortured Phrases" in Scientific Literature
本文提出SRAP框架,通过双阶段架构检测并恢复科学文献中的对抗性剽窃,显著提升恢复准确率。
2025-12-11 cs.CL
CoastTerm: a Corpus for Multidisciplinary Term Extraction in Coastal Scientific Literature
University of La Rochelle(拉罗谢尔大学);Jožef Stefan International Postgraduate School(约热夫·斯泰凡国际研究生院);Jožef Stefan Institute(约热夫·斯泰凡研究所)
本文构建包含410篇沿海科学摘要、2,491个句子的CoastTerm语料库,并基于ARDI框架使用单语与多语transformer完成ATE和ATC,F1分别约达80%和70%。
2024-06-13 cs.CL
SciArena: An Open Evaluation Platform for Non-Verifiable Scientific Literature-Grounded Tasks
Yale University(耶鲁大学);New York University(纽约大学);Allen Institute for AI(艾伦人工智能研究所);University of Washington(华盛顿大学);Northwestern University(西北大学)
SciArena是一个开放平台,用于评估基础模型在科学文献基础任务上的表现,通过社区投票和元评估基准促进更可靠的自动评估方法研究。
2026-01-22 cs.AI cs.CL
Investigating the detection of Tortured Phrases in Scientific Literature
Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔理工学院)
在网络工具的帮助下,一些无良作者可以撰写一篇伪科学文章并试图发表。其中一些工具通过替换或解释现有文本来产生新的内容,但它们往往会产生无意义的表达。最近的一项研究引入了“扭曲短语”的概念,这是一个意想不到的奇怪短语,而不是固定的表达。例如,伪造意识而不是人工智能。本研究的目的是调查如何酷刑短语,尚未上市,可以自动检测。我们进行了几个实验,包括非神经二进制分类,神经二进制分类和余弦相似度比较的短语令牌,产生了显着的结果。
2022-10-24 cs.CL cs.IR
SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature
Allen Institute for AI(艾伦人工智能研究所);Yale University(耶鲁大学);University of Washington(华盛顿大学);Hebrew University(希伯来大学);MIT(麻省理工学院);Northwestern University(西北大学)
本文构建含13.7万实例、覆盖54项任务的专家编写科学文献指令数据集 SciRIFF,并通过混合微调使 LLM 在 SciRIFF-Eval 上较基线平均提升70.6%。
2025-09-29 cs.AI cs.CL
RATIO: A Benchmark for Retrieval Across Typed Ideation Operations in Scientific Literature
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);The Allen Institute for AI (AI2)(艾伦人工智能研究所)
本研究提出名为RATIO的大规模基准,定义三类构思操作的检索任务,构建时结合话语标记远程监督与LLM及人工审核,实验显示操作特定微调可提升检索器性能,为科学灵感检索提供新框架。
2026-10-15 cs.CL cs.IR
SciLens: Evaluating the Quality of Scientific News Articles Using Social Media and Scientific Literature Indicators
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);Universitat Pompeu Fabra (UPF)(庞培法布拉大学)
本文描述,开发和验证SciLens,一种评估科学新闻文章质量的方法。我们工作的起点是结构化的方法,定义了一系列人工评估新闻的质量方面。在此基础上,我们提出了一系列衡量新闻质量的指标。根据我们的实验,这些指标可以帮助非专家更准确地评估科学新闻文章的质量,相比之下,非专家无法访问这些指标。此外,SciLens还可以用于为一篇文章生成完全自动化的质量评分,这比非专家进行的手动评估更符合专家评估。SciLens的主要元素之一是关注文章的内容和上下文,其中上下文由(1)文章对科学文献的显式和隐式引用以及(2)引用文章的社交媒体反应提供。我们表明,这两个上下文元素可以确定文章质量的信息来源。SciLens的验证,通过专家和非专家的注释相结合,证明了其有效性的半自动和自动质量评估的科学新闻。
2019-04-23 cs.CL cs.IR cs.SI
Investigating Disagreement in the Scientific Literature
Centre for Science and Technology Studies, Leiden University(莱顿大学科学技术研究中心);SciTech Strategies, Inc.(SciTech Strategies 公司);School of Public Policy, Georgia Institute of Technology(佐治亚理工学院公共政策学院);School of Informatics, Computing, and Engineering, Indiana University Bloomington(印第安纳大学伯明顿分校信息学、计算与工程学院)
分歧对科学进步至关重要。然而,科学中分歧的程度,它随时间的演变以及它发生的领域仍然知之甚少。利用大量的英语科学文本,我们开发了一种基于提示短语的方法来识别超过400万篇科学文章中的分歧引用实例。使用这种方法,我们构建了2000-2015年期间跨科学领域分歧的指标。与黑盒文本分类方法相比,我们的框架是透明的,易于解释。我们揭示了一个学科谱的分歧,较高的分歧在社会科学和较低的分歧在物理和数学。然而,详细的学科分析表明各个子领域之间存在异质性,揭示了当地学科文化的重要性和分歧的认识特征。论文层面的分析揭示了科学中值得注意的分歧事件,并说明了方法论工件如何混淆科学文本的分析。这些发现有助于更广泛地理解分歧,并为未来的研究奠定基础,以了解科学进步的关键过程。
2021-10-27 cs.CL cs.DL
ByteScience: Bridging Unstructured Scientific Literature and Structured Data with Auto Fine-tuned Large Language Model in Token Granularity
GreenDynamics(格林动力公司);University of North Texas(北得克萨斯大学);University of New South Wales(新南威尔士大学);City University of Hong Kong(香港城市大学)
针对NLP模型从科学文本提取结构化知识的难点,研究推出基于AWS和DARWIN模型的ByteScience自动微调LLM平台,少量标注即可实现高准确率的科学数据提取与知识合成,助力自然信息学发展。
2024-12-06 cs.AI cs.CL
The Effect of Metadata on Scientific Literature Tagging: A Cross-Field Cross-Model Study
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究跨19个领域和3种多标签分类器系统评估了元数据对科学文献标注的影响,发现会议/期刊等元数据普遍提升标注性能,并揭示了计算机科学与生物医学以外领域的独特影响模式。
2023-02-07 cs.CL cs.DL cs.LG
How scientific literature has been evolving over the time? A novel statistical approach using tracking verbal-based methods
Centro Mexicano de Estudios Económicos y Sociales(墨西哥经济与社会研究中心);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本文以文章摘要为起点,提供了与系统性红斑狼疮(SLE)相关的科学出版物的全球视野。随着时间的推移,摘要已经朝着使用术语的更高复杂性发展,这使得有必要使用复杂的统计方法和回答问题,包括:词汇如何随着时间的推移而发展?哪些文章最有影响力?哪些文章介绍了新的术语和词汇?为了回答这些问题,我们分析了一个由506个摘要组成的数据集,并从115种不同的期刊下载,覆盖了18年的时间。
2016-02-05 cs.CL cs.DL
Linking Theories and Methods in Cognitive Sciences via Joint Embedding of the Scientific Literature: The Example of Cognitive Control
University of Luxembourg(卢森堡大学);University of Minnesota, Twin Cities(明尼苏达大学双城分校)
传统上,认知控制的理论和实践是通过人类领域专家的文献综述联系起来的。然而,这种方法不足以跟踪不断增长的文献。它也可能是有偏见的,并产生冗余和混乱。在这里,我们提出了一种替代方法。我们对大量科学文本进行了自动文本分析,以创建任务和结构的联合表示。更具体地说,385,705科学摘要首先使用基于transformers的语言模型映射到嵌入空间。然后使用文档嵌入来识别任务-构造图嵌入,该任务-构造图嵌入将构造基于任务,并通过利用图中的受约束随机游走来支持构造的细微差别的含义。这种联合任务-构造图嵌入,可以被查询以生成针对特定构造的任务电池,可以揭示文献中的知识空白,并激发新的任务和新的假设。
2022-05-11 cs.AI cs.CL cs.IR
A Practical Entity Linking System for Tables in Scientific Literature
GE Research(GE研究中心);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本文提出一个通用实体链接系统,用于将科学文献表格中的实体链接到 Wikidata,并针对 COVID-19 文献进行适配,利用表格结构特征提升性能,且通过离线实例增强实用性。
2023-06-12 cs.AI cs.CL cs.IR
Improving Primary Healthcare Workflow Using Extreme Summarization of Scientific Literature Based on Generative AI
IBM Thomas J. Watson Research(IBM托马斯·J·沃森研究院);Amazon Science(亚马逊科学研究院)
该研究利用基于大规模语言模型的生成式AI对科学文献摘要进行极限摘要,发现该方法能显著减少初级保健人员文献阅读时间,但在无完整摘要时知识提取准确性会降低。
2023-07-24 cs.AI cs.CL
SciNet: Evaluating AI Agents in Relation-Aware Scientific Literature Retrieval
Department of Electronic Engineering, BNRist, Tsinghua University, Beijing, China(电子工程系、BNRist、清华大学、北京、中国);Zhongguancun Academy(中关村学院)
针对现有检索代理难以理解论文间复杂关系网络的问题,提出首个关系感知数据集SciNet,通过三类任务系统评估代理,发现准确率低于20%,但下游综述质量提升25.3%。
2026-05-22 cs.CE cs.CL
PhysBERT: A Text Embedding Model for Physics Scientific Literature
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of Naples Federico II(那不勒斯费德里科二世大学)
针对物理领域专业内容给NLP信息提取带来的挑战,研究推出首个物理专属文本嵌入模型PhysBERT,经大规模物理文献预训练和监督数据微调,在物理相关任务上性能超越通用模型。
2024-08-18 cs.CL physics.comp-ph
Multi-Turn Agentic Scientific Literature Search via Workflow Induction
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Together AI;University of Pennsylvania(宾夕法尼亚大学);Stanford University(斯坦福大学)
提出PaperPilot,通过构建可执行DAG工作流进行多轮文献搜索,利用用户反馈优化查询和工作流,显著提升搜索性能并消除执行错误。
2026-07-07 cs.CL cs.IR
Extracting chemical food safety hazards from the scientific literature automatically using large language models
Wageningen Food Safety Research, Wageningen University & Research(瓦赫宁根食品安全研究中心,瓦赫宁根大学及研究中心)
本研究利用大型语言模型自动从科学摘要中提取化学食品安全危害,通过优化提示词实现93%的平均准确率,验证了无需额外训练即可高效完成信息提取。
2024-05-01 cs.CL cs.IR
Knowledge Navigator: LLM-guided Browsing Framework for Exploratory Search in Scientific Literature
Bar-Ilan University(巴伊兰大学);Allen Institute for AI(艾伦人工智能研究所)
提出Knowledge Navigator,结合LLM与聚类方法,将检索文档组织为两级主题层次结构,支持科学文献探索性搜索,并在两个新基准上验证了有效性。
2024-08-28 cs.AI cs.CL cs.IR
Uni-SMART: Universal Science Multimodal Analysis and Research Transformer
DP Technology(度势科技);AI for Science Institute, Beijing(北京人工智能科学研究院)
针对科学文献中表格、图表和分子等多模态内容难以被文本型 LLM 理解的问题,本文提出 Uni-SMART,并在多领域定量评估及专利、图表应用中验证其优越性能。
2024-06-15 cs.CL cs.CV
Can AI Extract Antecedent Factors of Human Trust in AI? An Application of Information Extraction for Scientific Literature in Behavioural and Computer Sciences
CSIRO Data61(联邦科学与工业研究组织数据61部)
本研究从科学文献中提取影响人类对AI信任的因素,创建首个标注数据集,并基准测试大语言模型,发现该任务需监督学习,提示式LLM尚不可行。
2024-12-16 cs.AI cs.CL
Extracting ORR Catalyst Information for Fuel Cell from Scientific Literature
Institutes of Innovation for Future Society, Nagoya University(未来社会创新研究所,名古屋大学);Computational Intelligence Laboratory, Toyota Technological Institute(计算智能实验室,丰田技术研究所)
本研究提出基于DyGIE++和多种预训练BERT变体的命名实体识别与关系抽取方法,从文献中提取ORR催化剂信息,实验证明领域特定模型在提取性能上优于通用模型。
2025-07-10 cs.CL physics.data-an
Pre-training Multi-task Contrastive Learning Models for Scientific Literature Understanding
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Microsoft Research(微软研究院);Microsoft Search, Assistant and Intelligence(微软搜索、助理与智能部门)
提出多任务对比学习框架SciMult,通过任务感知专门化和指令微调技术,在多个科学文献理解任务间共享知识并避免干扰,实验证明其优于现有最先进的科学预训练语言模型。
2023-10-19 cs.CL cs.DL cs.IR
Towards unearthing neglected climate innovations from scientific literature using Large Language Models
Grantham Institute for Climate Change and the Environment, Imperial College London(帝国理工学院格兰瑟姆气候变化与环境研究所);Dyson School of Engineering, Imperial College London(帝国理工学院戴森工程学院);Department of Earth Science and Engineering, Imperial College London(帝国理工学院地球科学与工程系)
本研究利用大语言模型评估科学文献的标题-摘要对,从七个维度识别被忽视的气候创新方案,发现LLM能以更高速度和一致性有效增强人类专业知识,助力气候行动。
2024-11-15 cs.AI cs.CL cs.IR
Intelligent Scientific Literature Explorer using Machine Learning (ISLE)
Computer Engineering Department Allameh Tabatabaei University(阿勒马赫塔巴比大学计算机工程系)
本文提出ISLE系统,结合大规模数据采集、混合检索、语义主题建模和异构知识图谱构建,提升科学文献探索的检索相关性、主题一致性和可解释性。
2025-12-14 cs.AI cs.CL cs.IR
Large language model-assisted discovery of cohorts from scientific literature
University Hospital Frankfurt, Goethe University Frankfurt(法兰克福大学医院,法兰克福大学);Goethe University Frankfurt(法兰克福大学);The Hessian Center for Artificial Intelligence (hessian.AI)(黑森人工智能中心)
该研究开发了问题驱动框架,通过PubMed API检索文献,用大语言模型提取队列名称,在青少年攻击行为遗传学用例中,补充了队列目录未覆盖的17个合格队列。
2026-08-18 cs.CL cs.IR
PaperQA: Retrieval-Augmented Generative Agent for Scientific Research
Future House(未来之家);Francis Crick Institute(弗朗西斯·克里克研究所);Align to Innovate(创新对齐组织);University of Oxford(牛津大学);University of Rochester(罗切斯特大学)
针对大语言模型的幻觉与不可解释性问题,提出面向科研的检索增强生成式智能体PaperQA,其性能优于现有同类模型,同时发布更复杂的文献问答基准LitQA,且该智能体在该基准上表现与人类专家相当。
2023-12-14 cs.AI cs.CL cs.LG
SciDaSynth: Interactive Structured Data Extraction from Scientific Literature with Large Language Model
Bosch Research North America(博世北美研究院);Weill Cornell Medicine(威尔康奈尔医学院);Cornell University(康奈尔大学);Hong Kong University of Science and Technology(香港科技大学)
SciDaSynth是一个基于大语言模型的交互式系统,通过整合科学文献中的文本、表格和图形,自动生成结构化数据表,并支持验证与细化,实验证明其比基线方法更高效地生成高质量结构化数据。
2025-09-04 cs.CL cs.HC
COVID-SEE: Scientific Evidence Explorer for COVID-19 Related Research
The University of Melbourne(墨尔本大学);IBM Research Australia(IBM澳大利亚研究院)
我们提出了COVID-SEE,一个基于信息探索概念的医学文献发现系统,它建立在几种不同的文本分析和自然语言处理方法的基础上,以结构化和组织出版物中的信息,并通过提供支持探索集合的视觉概述来增强搜索,以识别感兴趣的关键文章。我们在COVID-19文献上开发了这个系统,以帮助医学专业人员和研究人员探索文献证据,并提高相关信息的可查找性。COVID-SEE可在http://covid-see.com上获得。
2020-08-18 cs.CL cs.IR
SciNets: Graph-Constrained Multi-Hop Reasoning for Scientific Literature Synthesis
Jaypee Institute of Information Technology(杰伊佩 Institute 信息科技学院)
SciNets通过图约束多跳推理实现科学文献综合,通过多跳路径连接罕见共现的概念,提升机制解释的稳定性和多样性。
2025-12-28 cs.AI cs.CL cs.IR
FlowPIE: Test-Time Scientific Idea Evolution with Flow-Guided Literature Exploration
University of Chinese Academy of Sciences(中国科学院大学);Dalian University of Technology(大连理工大学);UNSW Sydney(新南威尔士大学悉尼分校);Shenzhen University of Advanced Technology(深圳理工大学);Xiamen University(厦门大学)
本文提出FlowPIE框架,通过流引导的蒙特卡洛树搜索扩展文献轨迹,结合LLM生成奖励模型指导适应性检索,生成高质量且多样化的初始种群,进而通过选择、交叉和变异实现测试时的科学思想演变。
2026-03-31 cs.AI cs.CL