面向给定用例的半自动化解决方案推荐器：基于Scopus与OpenAI的肿瘤学AI/ML案例研究
人工智能
2024-05-16 v2 信息检索
机器学习
摘要
如今，文献综述是解决给定问题时的必要任务。然而，在当今庞大的文献环境中，详尽的文献综述非常耗时。即使仅查阅摘要或综述，也可能需要数周时间。此外，在其他方法中做出选择，以及在相关的问题与解决方案领域内定向检索，并非易事。对于刚进入其研究领域工作的年轻研究人员或工程师而言，这些尤其困难。即便已存在提供用于解决特定问题之方法的综述，针对任意用例实现自动化的方式仍然缺失，尤其对于不了解现有文献的人而言。我们提出的工具SARBOLD-LLM，能够在短短数小时内，发现并选择给定问题相关的方法，提供其在文献中应用的附加信息以推导决策洞察。SARBOLD-LLM包含三个模块：(1：Scopus检索)使用关键词选择方案查询Scopus API以筛选论文；(2：评分与方法提取)利用OpenAI API（GPT 3.5）计算相关性与流行度分数并提取论文中的解决方法；(3：分析)敏感性分析与后分析，揭示趋势、相关论文及方法。使用精确率、召回率和F1-score指标将SARBOLD-LLM与人工基线比较，肿瘤学案例研究中AI的性能结果分别为0.68、0.9和0.77。SARBOLD-LLM在多个领域均展现出成功结果，体现了其鲁棒性与有效性。SARBOLD-LLM主要面向工程师而非研究人员，因为它提出方法和趋势时不附带优缺点。它是用于选择优先调研哪些方法的有用工具，并作为综述的补充。这可限制终端用户的全局检索与知识积累。然而……
引用
@article{arxiv.2307.04573,
title = {A Semi-Automated Solution Approach Recommender for a Given Use Case: a Case Study for AI/ML in Oncology via Scopus and OpenAI},
author = {Deniz Kenan Kılıç and Alex Elkjær Vasegaard and Aurélien Desoeuvres and Peter Nielsen},
journal= {arXiv preprint arXiv:2307.04573},
year = {2024}
}
备注
It was published online on 15 May 2024 in Human-Centric Intelligent Systems, Springer