Computational conceptual history of scientific concepts: From early digital methods to LLMs
本文通过追溯从早期数字方法到现代大语言模型的演进过程，将大语言模型置于科学史、科学哲学及科学社会学中计算概念分析的宏大历史背景之下，同时批判性地考察了这些技术如何继承长期的方法论挑战，并为研究科学概念提供新的机遇。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图理解一个特定词汇（如“原子”或“理论”）在过去 200 年间的科学世界中是如何演变的。在过去，历史学家必须手动阅读成千上万本书籍和论文，并记录下这些词汇在不同年代的使用方式。这就像是通过亲自走遍每一条小径来绘制一幅森林地图。
这篇论文是为那些希望利用计算机进行更快速、更大规模“绘图”的历史学家准备的指南。它对比了“旧方法”（使用现代 AI 之前）与“新方法”（使用大型语言模型，即 LLM，如 ChatGPT 背后的技术）。
以下是他们研究历程的拆解，使用了简单的类比：
1. 旧方法： “静态地图”（前 LLM 时代）
在现代 AI 出现之前，研究人员使用的数字工具就像是静态的黑白地图。
- 运作方式： 他们观察词汇如何共同出现（例如，发现“引力”和“苹果”经常出现在同一个句子中），或者科学家如何引用相同的论文。
- 问题所在： 这些工具将一个词视为在同一时间内只有一个单一含义。想象一本字典说“bank”这个词只能指存放金钱的地方，它忘记了“bank”也可以指河流的岸边。
- 结果： 如果一个科学概念具有多种含义（它们通常确实如此），计算机就会把它们全部揉成一个模糊的平均值。由于工具过于僵化，很难观察到细微的意义变化。
2. 新方法： “智能、具备上下文感知能力的向导”（LLM 时代）
现在，研究人员正在使用大型语言模型（LLM）。不要把它们看作静态的地图，而要看作是智能、具备上下文感知能力的向导，它们能够阅读句子并瞬间理解其中的细微差别。
- 上下文是关键： 与旧工具不同，LLM 知道在关于钓鱼的句子和关于金融的句子中，“bank”的含义是不同的。在科学领域，这意味着计算机可以分辨出物理学家使用“particle”（粒子/颗粒）一词时，是指微小的物质颗粒，还是在进行隐喻使用。
- 两种类型的向导：
- 分析师（编码器模型/Encoder Models）： 它们就像一位超级快速的图书管理员，可以扫描整个图书馆并立即告诉你：“在 20 世纪 50 年代，这个词有 80% 的概率表示 X，但在 20 世纪 90 年代，它转向了 Y。”它们非常擅长衡量变化。
- 作家（解码器模型/Decoder Models）： 它们就像一位创意助手。你可以要求它们：“写一个句子，展示这个词在 1920 年是如何使用的，”或者“总结一下科学家在 1980 年代是如何定义这个概念的。”它们有助于生成示例，或填补历史数据缺失的部分。
3. 重大挑战：它并非魔法
作者们谨慎地指出，尽管我们拥有这些强大的新工具，但研究工作的难度并未消失。事实上，出现了新的问题：
- “垃圾进，垃圾出”原则： 如果计算机训练所用的书籍收藏存在偏差或不完整，它的地图就会出错。如果数字档案只包含过去 50 年的书籍，计算机就无法讲述前 100 年的故事。
- “黑箱”之谜： 使用旧工具时，你可以清楚地看到数学是如何运作的。而对于 LLM，其过程通常是一个“黑箱”。我们知道输入和输出，但很难看出为什么 AI 做出了特定的决定。这使得在没有进行复核的情况下，很难信任其结果。
- 词汇 vs. 现实生活： 论文强调，科学概念不仅仅是文字；它们与现实世界的工具、实验和图表紧密相连。阅读文本的计算机可能会忽略这样一个事实：一个概念之所以发生变化，是因为发明了新的显微镜，即便该词本身并没有改变。计算机看到了文本，但它看不见实验室里的设备。
4. 结论：一套多功能工具包
论文的主要结论是，LLM 是历史学家工具箱中的强大补充，但它们不能取代历史学家。
- 不要依赖单一工具： 你不应该仅仅询问 AI“这个概念是什么意思？”，然后就将其答案视为绝对真理。
- 混合方法： 最好的方法是利用 AI 来扫描成千上万份文件并发现有趣的模式（就像金属探测器发现埋藏的硬币），然后由人类历史学家去挖掘硬币、仔细检查并解释其历史意义。
- 未来： 作者们希望未来能有更好的工具，不仅能看文字，还能看图片和图表，从而更全面地描绘科学运作的全貌。
简而言之： LLM 让历史学家能够从宏观视角观察科学语言的“森林”，以以往无法实现的方式发现趋势和意义的变化。然而，历史学家仍需是那个解读“树木”的人，确保计算机不会在森林中迷失方向，或误解了地图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。