链式提示工程提升系统综述检索策略

系统综述需要严格设计的检索策略以确保全面检索并最小化偏见。传统的手动方法虽然方法论上较为系统，但资源密集且易受主观性影响；而启发式和自动化技术除非辅以大量专家输入，否则在召回率上常表现不佳。我们引入一种基于大型语言模型（LLM）的链式提示工程框架，用于系统综述检索策略的自动化开发。该框架复制了手动搜索设计的程序结构，同时利用 LLM 将综述目标分解、提取并形式化 PICO 元素、生成概念表示、扩展术语，并综合布尔查询。除了查询构建，该框架在生成结构化 PICO 元素方面性能优于现有方法，从而强化了高召回率检索策略的基础。在 LEADSInstruct 数据集子集上的评估显示，该框架实现了 0.9 的平均召回率。这些结果显著超越了现有方法的表现。错误分析进一步凸显了精确目标规定和术语对齐在优化检索效果方面的关键作用。这些发现确认了基于 LLM 的管道能够产生透明、可重复且高性能检索策略的能力，并凸显了其作为支持证据综合和循证实践可扩展工具的潜力。