Categorization of scientific publications using large language models as applied to atomic spectroscopy
本文提出了一种利用大语言模型对 NIST 数据库中的原子光谱学文献进行分类的自动化框架，该框架在识别元素物种方面实现了高精度，同时强调了细粒度主题代码分配仍是误差的主要来源。
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
科学依赖于可靠数据的基石，但如果无法在需要时找到正确的信息，这一基石也将变得脆弱。在原子光谱学领域，研究人员通过研究原子如何吸收和发射光，来理解从遥远恒星到聚变反应堆内部材料的一切物质构成。几十年来，美国国家标准与技术研究院（NIST）的专家们一直扮演着这些知识守护者的角色，他们通过人工筛选数以千计的科学论文，以提取能级和光波长的精确测量值。这项工作至关重要，因为它让其他领域的科学家能够信任他们所使用的数字，但这项工作也极其耗费人力。每年都有数百篇新论文发表，人类专家必须完整阅读每一篇论文，包括通常很长的补充文件，以判断其中是否包含值得添加到官方目录中的全新、原创数据。这个过程不仅需要阅读，还需要通过解开一个个“小谜题”，来区分哪些是真正的发现，哪些仅仅是重复已知数据的资料。
现在，一个研究小组开发出了一种新工具来协助完成这项庞大的任务，利用被称为“大语言模型”的高级计算机程序来自动完成这些科学文章的初步分类。研究人员并没有尝试通过复杂的训练来教计算机物理规则，而是给模型提供了一套由人类专家编写的详细指令。这些指令准确地解释了如何识别论文中所讨论的化学元素、报告的是哪种类型的数据，以及如何验证结果是否确实是全新的。该系统接收论文的原始 PDF 文件以及随附的任何额外数据文件，并同时处理整个文档。它阅读文本，查看图表和表格，然后为文章分配特定的搜索标签，就像图书管理员为书架上的书进行分类一样。这种方法使计算机能够处理海量材料而不会产生疲劳，确保不会遗漏任何补充表格，并且每一页都得到同等程度的审视。
当研究人员使用一组此前由人类专家分类过的论文对该自动化系统进行测试时，他们发现计算机在识别正在研究的化学元素方面表现得非常出色。它在绝大多数情况下都能成功识别目标物种，证明了它能够理解文章的核心主题。然而，研究也揭示了一个计算机仍然面临困难的具体领域：分配描述所获数据类型的精确主题代码。虽然系统可以判断一篇论文是关于铁的，但有时难以决定其数据代表的是一项新测量还是一个理论计算。研究人员发现，最常见的错误是计算机将标签分配给了仅引用现有数据而非呈现新发现的论文。这是一个关键的区别，因为该数据库旨在成为原创来源的集合，而非重复信息的仓库。
团队发现，计算机的表现取决于论文的复杂程度。当文档较为简单直接时，它的表现最好；但当处理涵盖多种元素或使用不寻用记法的论文时，它偶尔会出错。尽管存在这些缺陷，该工具仍通过在短短几分钟内完成原本需要人类专家花费数天才能完成的任务，证明了其价值。例如，该系统在极短时间内分析了一份包含八百多页内容的太阳光谱巨型图谱，而这如果交给人类阅读则需要花费大量时间。研究人员强调，这项技术的设计初衷是支持人类专家，而非取代他们。计算机承担了阅读和初步标记的繁重工作，从而让身为人类策展人的专家能够专注于需要深厚专业知识和细微洞察力的最终判断。
研究结论指出，虽然大语言模型在科学策展的各个方面尚未达到完美，但它们代表了在管理日益增长的科学文献方面的重大进步。该系统成功证明了它可以阅读整个文档（包括复杂的补充材料），并以高度的准确性提取结构化信息。研究确定的主要局限性不在于计算机的阅读能力，而在于如果没有人类指导，它难以区分新发现与既有知识。研究人员建议，未来的改进将侧重于优化提供给模型的指令，以更好地处理这些边界案例。通过将计算机的速度和彻底性与人类科学家的批判性判断相结合，科学界有望保持其数据库的实时更新与易于获取，确保未来发现所需的关键数据能够保持有序且易于查找。
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。