文献融合数据：一种假设生成的协同方法

我们提出了一种将文献数据驱动方法结合用于假设生成的 novel 方法。该方法将基于文献的见解与数据相结合，通过大语言模型(Large Language Model, LLM)实现假设生成。我们在五个不同数据集上应用该方法，证明将文献与数据集成的性能优于其他基线方法（相对于 few-shot 提升 8.97%，相对于仅基于文献的提升 15.75%，相对于仅数据驱动的提升 3.37%）。此外，我们进行了首次的人类评估，以评估 LLM 生成假设在辅助人类决策中的实用性，分别针对两个具有挑战性的任务：欺骗检测和 AI 生成内容检测。我们的结果显示，在这些任务中，人类准确率分别提高了 7.44% 和 14.19%。这些发现表明，将文献方法与数据驱动方法结合提供了一种全面且细致的假设生成框架，可能为科学探究开辟新方向。