PRISMA-DFLLM：一种使用领域特定微调大语言模型的 PRISMA 扩展用于系统文献综述
计算与语言
2023-06-28 v1 人工智能
摘要
随着开源大语言模型（LLMs）与高效微调技术的扩散，我们正处于众多领域特定 LLM 涌现的边缘，这些模型已针对当前通用 LLM 不适用的专业领域与应用进行微调以获得专长。在学术界，该技术有潜力革新我们进行系统文献综述（SLRs）、获取知识与生成新洞察的方式。本文提出一种 AI 赋能的方法论框架，将 LLM 的能力与系统综述和荟萃分析优先报告条目（PRISMA）的严格报告指南相结合。通过在经严格 SLR 流程筛选的领域特定学术论文上微调 LLM，所提出的 PRISMA-DFLLM（指 Domain-specific Finetuned LLMs）报告指南有望实现更高的效率、可重用性与可扩展性，同时也为借助 LLM 开展增量式动态系统综述开辟了可能。此外，这种利用 LLM 开展 SLR 的方法有助于微调模型的传播，使研究者能够加速进展并普及前沿研究。本文论证了微调 LLM 支持严格 SLR 的可行性及实现所需的技术要求。随后，本工作提出扩展的 PRISMA-DFLLM 报告指南清单，以及实施 PRISMA-DFLLM 的优势、挑战与潜在影响。最后，给出了发展这一 AI 赋能 SLR 研究线的未来路线图，为证据综合与知识发现的新时代铺平道路。
引用
@article{arxiv.2306.14905,
title = {PRISMA-DFLLM: An Extension of PRISMA for Systematic Literature Reviews using Domain-specific Finetuned Large Language Models},
author = {Teo Susnjak},
journal= {arXiv preprint arXiv:2306.14905},
year = {2023}
}