面向科学文献的干预发现自动化：渐进式本体提示与双 LLM 框架
计算与语言
2025-05-21 v2 人工智能
摘要
从科学文献中识别有效干预措施具有挑战性 due to 高 volume of publications（高篇幅论文）、专业术语和不一致的报告格式，使手动策录费时且容易遗漏。为此，本文提出了一种新框架，利用大型语言模型（LLM），集成渐进式本体提示（POP）算法与双智能体系统，称为 LLM-Duo。一方面，POP 算法在预定义本体上进行优先级广度优先搜索（BFS），生成结构化提示模板和动作序列以指导自动标注过程。另一方面，LLM-Duo 系统由两个专门的 LLM 智能体组成：探索者和评估者，协同并对抗，以不断细化标注质量。我们通过聚焦言语-语言干预发现的案例研究展示了该框架的实际应用。实验结果表明，我们的方法优于先进的基线，实现更准确和更全面的标注通过完全自动化过程。我们的方法成功从语音-语言病理学领域的 64,177 篇研究文章中识别出 2,421 项干预措施，最终创建一个公开可访问的干预知识库，具有巨大的潜力惠及语音-语言病理学社区。
引用
@article{arxiv.2409.00054,
title = {Automating Intervention Discovery from Scientific Literature: A Progressive Ontology Prompting and Dual-LLM Framework},
author = {Yuting Hu and Dancheng Liu and Qingyun Wang and Charles Yu and Chenhui Xu and Qingxiao Zheng and Heng Ji and Jinjun Xiong},
journal= {arXiv preprint arXiv:2409.00054},
year = {2025}
}
备注
Accepted by IJCAI2025