Eliot：利用在线数据和学习交互式探索快速变化的科学文献趋势

科学出版的快速增长使得追踪快速发展的领域如何演变变得越来越困难。搜索引擎和基于LLM的助手可以检索或总结论文，但常常隐藏语料库是如何被选择、组织或与时间模式关联的。我们提出了Eliot，一个公开部署的交互式系统，用于可追溯地探索不断演变的科学文献。受两项关于大型语言模型（LLMs）和自动规划与调度（APS）研究的启发，Eliot将文献演化分析推广到超越手工构建的分类法和特定领域脚本。给定明确的查询词和过滤器，它在查询时检索arXiv论文，通过标题和摘要表示每篇论文，将语料库聚类成主题，分配代表性关键词，并可视化每个聚类的出版年份分布。我们评估了Eliot作为一个应用系统和交互式研究辅助工具。一项跨越八个arXiv领域的离线配置研究，使用内在聚类和主题连贯性指标比较了文档表示、降维方法和聚类算法；结果支持将MiniLM嵌入与10维UMAP和凝聚聚类作为实用的默认配置。一项基于场景的调查和专家焦点小组评估了可解释性和使用场景：参与者在85%的场景响应中认为聚类标签有意义，反馈表明Eliot对于快速变化技术领域的可审计概览最有价值。这些结果表明，查询时聚类和时间检查可以通过帮助研究人员检查和提炼文献趋势背后的证据来补充搜索和生成工具。