Authoring and Management of Transparent Research Integrity Assessments of Randomised Clinical Trial Publications Using LLM-assisted Tools and Provenance Knowledge Graphs
本文介绍了 INSPECT-AI，这是一个由大语言模型辅助的交互式工具及其相关的 RIPE-KG 知识图谱，旨在通过利用 INSPECT-SR 框架和 RIPE-O 本体，来简化并标准化对随机对照临床试验出版物中研究诚信的透明评估。
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，科学的世界就像一座巨大而繁忙的图书馆，研究人员在这里不断撰写关于如何保持人类健康的新书。多年来，医生和政策制定者一直依赖一种特殊的“精华选集”，叫做系统综述（Systematic Review）。你可以把它想象成一位拥有超能力的图书管理员，她阅读数百本独立的论文研究，检查其中的错误，并将它们的发现整合在一起，从而创造出一份单一且值得信赖的指南，用于指导医疗护理。但问题在于：有时，图书馆里的原始书籍可能被篡改了。也许数据是伪造的，实验是被操纵的，或者作者隐瞒了坏消息。如果这位“超级图书管理员”不小心将这些“受污染”的书籍纳入了最终的指南，那么给医生的建议可能会出错，甚至可能伤害患者。这就是**研究诚信（Research Integrity）**的问题：确保科学的原材料是诚实且值得信赖的。
为了解决这个问题，科学家们创建了一些清单——就像侦探的放大镜一样——用来识别这些危险信号。然而，手动检查每一本书既缓慢又令人疲惫，而且不同的侦探对于什么才算得上是“可疑”的线索可能会产生分歧。最近，一种被称为**大语言模型（LLM）**的新型数字助手出现了。你可以把 LLM 想象成一个超快速、博学多才的机器人，它可以在几秒钟内扫描文本并发现模式。但像任何机器人一样，它也会犯错或产生困惑，因此它需要人类来复核它的工作。现在的关键问题是：我们如何建立一个完美且不可更改的记录，来精确追踪人类与机器人是如何协作决定一项研究是否可以安全使用的？
这正是你即将阅读的这篇论文所要探讨的内容。作者们——一个由计算机科学家和医学专家组成的团队——构建了一个名为 INSPECT-AI 的新数字工具。它就像一个高科技侦探站，帮助人类检查临床试验的真实性。但真正的魔力不仅在于工具本身，更在于它留下的“数字足迹”。团队创建了一个特殊的地图，称为知识图谱（Knowledge Graph）（一个巨大的、相互关联的事实网络），以及一套规则手册，称为本体（Ontology）（一种用于描述决策过程的共享语言）。他们利用这些工具记录了对 95 项医学研究进行的 140 次不同调查。
他们的发现非常引人入胜，但也略显混乱。机器人（INSPECT-AI）和人类侦探经常达成一致，但并不总是如此。事实上，在他们提出的具体问题中，大约有 13.6% 存在分歧。有时机器人过快地标记了问题，而有时人类则需要深入挖掘才能发现机器人的错误。团队还注意到，人类之间也并不总能达成一致，尤其是在试图弄清一项研究是否在开始之前就已经完成注册时（这是一个需要深厚知识才能破解的复杂细节）。该论文表明，我们不能仅仅让机器人做决定，也不能仅仅依靠人类独自完成。相反，我们需要一个能够记录调查每一步骤的系统——谁查看了什么，机器人猜测了什么，以及人类为何改变了主意。通过在开放、可搜索的图谱中发布这些“溯源轨迹”（即调查的历史记录），该团队希望使整个检查科学的过程变得更加透明、更快速，并且不易出现人为错误。他们并没有彻底解决伪科学的问题，但他们为那些试图寻找真相的人打造了一把更好的手电筒和一本更好的笔记本。
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。