利用LLM进行系统综述标题与摘要筛选：一种面向动态少样本学习的低成本方法
计算与语言
2025-12-15 v1
摘要
系统综述是证据医学的关键组成部分，在综合既有研究证据并指导临床决策方面发挥关键作用。然而，随着研究论文的快速增长，开展系统综述变得日益繁琐，其中标题和摘要筛选是最耗时且资源密集型的步骤之一。为缓解此问题，我们设计了一种两阶段动态少样本学习（DFSL）方法，旨在提高大语言模型（LLM）在标题和摘要筛选任务中的效率和性能。具体而言，该方法首先使用低成本LLM进行初始筛选，然后对低置信度实例重新评估，采用高性能LLM，从而在控制计算成本的同时提升筛选性能。我们在10个系统综述中评估了该方法，结果表明其具有强大的普适性和成本效益，潜在可减少人工筛选负担并加速实际应用中的系统综述进程。
引用
@article{arxiv.2512.11261,
title = {Leveraging LLMs for Title and Abstract Screening for Systematic Review: A Cost-Effective Dynamic Few-Shot Learning Approach},
author = {Yun-Chung Liu and Rui Yang and Jonathan Chong Kai Liew and Ziran Yin and Henry Foote and Christopher J. Lindsell and Chuan Hong},
journal= {arXiv preprint arXiv:2512.11261},
year = {2025}
}
备注
22 pages, 3 figures