📄 earth_science

GeoExtractor: A Framework for Structured Information Extraction from Geoscientific Literature

本文介绍了 GeoExtractor，这是一个由大语言模型驱动的多智能体框架，它采用层级提取策略，将非结构化的地球科学文献自动转换为结构化数据，其性能显著优于现有方法，并成功地从编译的锆石分析数据库中重建了已知的构造模式。

原作者： Zhong Peng, Ziqi Song, Yufei Ye, Shuang Li, Zongyuan Xiang, Jiang Yang

发布于 2026-07-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Zhong Peng, Ziqi Song, Yufei Ye, Shuang Li, Zongyuan Xiang, Jiang Yang

原始论文采用 CC BY 4.0 许可（https://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，地球科学的世界就像一座巨大且混乱的图书馆。在这座图书馆里，存放着过去一个世纪以来地质学家撰写的数百万本书籍、文章和报告。这些文档中蕴藏着“黄金”：关于岩石年龄、化学成分和地理位置的具体数字。但问题在于：这些黄金被埋藏在杂乱无章的句子、凌乱的表格和散落的图表中。

为了建立一个有用的数据库，科学家们过去不得不扮演拿着放大镜的图书管理员，逐页手工阅读，以寻找并复制这些数字。这个过程缓慢、令人精疲力竭，而且意味着大量的宝贵数据正处于无法被计算机利用的闲置状态。

GeoExtractor 正式登场。

把 GeoExtractor 想象成一支配备了特殊工具的超级聪明、不知疲倦的机器人图书管理员团队。他们并不试图一次性读完整本书并猜测答案，而是使用一种巧妙的、循序渐进的策略来挖掘信息。

以下是这个“团队”的工作方式，我们使用简单的类比来解释：

1. 策略：不要试图一口吞下大象

如果你要求一台普通的计算机一次性阅读一篇 50 页的地质学论文并提取 20 个不同的数字，它很可能会感到困惑或遗漏信息。这就像要求某人在一次坐席中背诵完一整部百科全书。

GeoExtractor 将这项工作分解：

第一步：寻找“主角”（主键）。 首先，系统扫描文档以寻找主要对象，例如“岩石样本 A”或“钻孔 B”。它将这些对象视为“锚点”。
第二步：侦探循环。 一旦找到了一个岩石样本，它不会仅仅去猜测其年龄或位置。相反，它会进入一个循环：
- 决策： “我还需要这个岩石的哪些信息？啊，我需要它的年龄。”
- 检索： 它表现得像一名在特定书架上搜寻的侦探，专门寻找提到该特定岩石年龄的段落或表格。
- 生成： 它写下答案。
- 重复： 它转向下一个信息点（如位置），再次进行搜索，然后记录下来。

2. 两阶段搜索：网与矛

有时，信息很容易找到（例如清晰表格中的数字）。而有时，信息则隐藏得很深。论文描述了一个“两阶段检索”系统来处理这种情况：

第一阶段（网）： 对于大多数问题，系统会撒出一张大网，快速捕捉相关的文本。这种方式效率很高，能够涵盖基础内容。
第二阶段（矛）： 如果“网”没有捕捉到任何东西，或者答案需要连接来自三个不同页面的线索（例如：“该岩石位于此位置，该位置属于此省份，而该省份又是此山脉的一部分”），系统就会切换到“矛”模式。它会执行更深层次的多步搜索，以拼凑来自文档不同部分的线索。这就像是在破解一个谜团，嫌疑人的位置在第一章被提及，而犯罪现场却在最后一章被描述。

3. 质量控制：事实核查员

在机器人团队提交最终清单之前，一个“验证模块”会充当严格的编辑。它会根据原始文本检查团队找到的每一个数字。如果机器人编造了一个数字，或者找不到能证明该数字的原文，编辑就会将其划掉。这防止了“幻觉”（即凭空捏造）现象。

结果：从数年到数小时

研究人员在四种不同类型的地质课题（如古磁场、石油勘探和岩石化学）上测试了这个系统。

测试： 他们将 GeoExtractor 与其他方法进行了对比，包括“一次性通读法”和标准的基于示例的工具。
胜出： GeoExtractor 表现出了最高的准确性，尤其是在数据复杂或分散在文档各处时。它特别擅长捕捉其他方法容易忽略的关联性。

现实世界测试：中亚造山带

为了证明其在现实世界中的有效性，团队使用 GeoExtractor 为一个巨大的造山运动区域——中亚造山带（CAOB）构建了一个数据库。

任务： 他们向系统输入了 179 篇包含 2,259 个岩石样本数据的科学论文。
速度： 一位人类专家手动完成这项工作大约需要 1,400 小时（平均每篇论文 8 小时）。而 GeoExtractor 用时不到 45 小时。
成果： 机器人提取的数据不仅仅是一串数字列表；当科学家观察其中的模式时，发现这些数据完美契合已知的地质理论，即关于地球地壳在数百万年间如何移动和变化的理论。这证明了机器人不仅是在复制数字，它还理解数据的结构。

核心结论

GeoExtractor 是一个能将杂乱、无序的科学故事转化为清晰、结构化数据的工具。它并不是要取代科学家，而是将他们从枯燥、重复的数据录入工作中解放出来，让他们能够专注于重大的发现。它将一座由难以阅读的文本组成的图书馆，变成了一个可搜索、计算机友好的宝库。

技术摘要：GeoExtractor

问题陈述

地球科学研究产生了大量关于地球组成、年龄和演化的定量数据。然而，这些信息中的很大一部分仍以非结构化形式嵌入在科学文献中，包括文本、表格、图表和补充材料。因此，这些数据的集成与复用依赖于劳动密集型的人工汇编，这为大规模综合与对比分析造成了瓶颈。

现有的社区数据库（如 PetDB、GEOROC）虽然解决了这一问题，但其局限性在于依赖人工策展、学科范围较窄以及缺乏互操作性。此外，地质学数据本质上是层级化且以实体为中心的（例如，一个岩石样本与位置、年龄和化学成分等多个属性相关联）。这些属性通常分布在文档中异构的各个章节中。传统的提取方法通常在文档或句子层面进行操作，难以准确重建这些复杂的、多实例的科学记录。尽管大语言模型（LLM）在信息提取方面取得了进展，但大多数现有方法旨在处理通用问答或单次提取，缺乏在多样化的地质科学子学科中实现泛化并生成结构化、可追溯输出的能力。

方法论：GeoExtractor 框架

GeoExtractor 是一个由大语言模型驱动的模块化多智能体框架，旨在自动从地质科学文献中提取结构化信息。它基于三个核心设计原则运行：

层级化提取： 该框架将提取任务分解为两个阶段。首先，它识别主键实例（例如，特定的岩石样本或地层单元），这些实例定义了个体记录。其次，它提取与每个已识别实例相关的次级键属性（例如，坐标、同位素比值）。这种分解减少了异构字段之间的干扰，并提高了长文档中的稳定性。
迭代“决策–检索–生成”工作流： 对于每条记录，框架进入一个循环：
- 决策模块： 根据当前的完成状态，确定下一个要提取的次级键字段。
- 检索模块： 从文档中收集相关的证据。
- 生成模块： 生成目标字段的值。
  该循环持续进行，直到所有必需的字段都被填充，从而使系统能够动态适应变化的文档结构。
两阶段检索机制：
- 第一阶段（覆盖）： 进行高效的语义检索，获取局部相关的证据以处理常规提取。检索到的文本块会被标记并从后续轮次中排除，以确保非冗余覆盖。
- 第二阶段（推理）： 当第一阶段未能完成某个字段时触发，此阶段执行渐进式的多跳检索。LLM 分析检索到的文本块以识别重要的索引，并生成精炼的查询语句用于后续轮次，从而实现跨越文章不同章节的证据组装（例如，将样本 ID 与位置联系起来，再将位置与地质省份联系起来）。

该框架包含一个验证模块，通过事后检查提取的值是否与源文本块一致，以过滤掉幻觉，确保最终输出均有原文依据。

核心贡献

框架设计： 引入了一种层级化、以实体为中心的提取框架，实现了从孤立的实体识别向重建复杂科学记录的跨越。
机制创新： 实现了迭代式“决策–检索–生成”循环，并结合了两阶段检索机制，以处理直观提取和复杂的多跳推理任务。
跨学科基准： 构建了一个涵盖四个地质科学子学科（古地磁学、石油地质学、地球化学和火历史）的基准数据集。该基准包含多样化的数据类型、文档长度和报告风格。
大规模应用： 通过构建关于中亚造山带（CAOB）的 2,259 个锆石分析数据的数据库（涉及 179 篇出版物），展示了该框架的实用性。

结果

该框架针对两种基准进行了评估：全文本端到端生成方法和 LangExtract（一种基于示例的框架）。

性能： 在四个基准数据集中的三个（PaleoMag、SweetSpot 和 GEOROC）上，GeoExtractor 均取得了最高的 F1 分数。
- 在 PaleoMag 上，GeoExtractor 的 F1 分数为 0.9665，而全文本基准为 0.8947。
- 在 GEOROC 上，GeoExtractor 显著优于全文本基准（F1 为 0.6711 对 0.6331）和 LangExtract（0.2362）。
- 该框架在多字段任务中表现出卓越的召回率，在全文本基准性能大幅下降的情况下仍保持了高水平表现（例如，在 SweetSpot 上为 0.7488 对 0.5807）。
推理能力： 在 GEOROC 数据集中，GeoExtractor 通过“样本 $\rightarrow$ 位置 $\rightarrow$ 省份”的链式关联，成功提取了 126 个预期“省份”值中的 71 个，而全文本基准仅提取了 4 个。这突显了该框架解决多跳关联的能力。
误差分析： 主要的错误类型是遗漏（即文本中存在但未提取的值），特别是在描述性字段（如地质省份名称）方面。结构化数值字段的提取准确度接近完美。
效率： 在 CAOB 个案研究中，GeoExtractor 处理 17 9 篇出版物约耗时 45 小时（平均每篇论文约 15 分钟），相比之下，人工汇编预计需要 1,400 小时。
科学效用： 生成的 CAOB 数据库重现了先前公认的构造模式，包括 500–300 Ma 的岩浆高峰以及指示具有次要古物质循环特征的年轻地壳贡献的特定同位素特征。

意义与主张

本文声称，GeoExtractor 展示了基于 LLM 的多智能体系统将非结构化地质科学文献转化为结构化、可查询知识资源的潜力。通过自动化重建层级化的科学记录，该框架显著降低了构建数据库所需的成本，加速了地球科学领域的数据驱动研究。

作者将这项工作定位为解决地球系统科学中“数据综合瓶颈”的方案。他们认为，虽然人工策展对于处理模糊情况和质量控制仍然必要，但自动化提取框架可以显著提高地质数据综合的可扩展性。研究表明，此类系统可以促进“活的地质科学知识库”的创建，使其随文献增长而发展，尽管作者也承认目前在单篇论文单记录数据集、图表解读以及生产流程中对领域特定质量控制（如同位素不一致性过滤）的需求方面仍存在局限性。