加速通过多文档摘要影响排序论文的科学研究发现.pdfVIP

加速通过多文档摘要影响排序论文的科学研究发现

1,2112

ParisKoloveas,SerafeimChatzopoulos,DionysisDiamantis,ChristosTryfonopoulos

andThanasisVergoulis1

1IMSI,AthenaRC,Athens,Greece

2UniversityofthePeloponnese,Tripolis,Greece

Abstract

日益增长的科学文献量使得科学家们从论文列表过渡到对某一主题的综合理解变得颇具挑战性。由于每天都有新的论文不断

涌现，即使科学家识别出一组有潜力的论文，他们仍然面临着需要逐个阅读数十篇标题和摘要以理清偶尔相互矛盾的研究结

果这一繁琐的任务。为了应对研究工作流程中的这一关键瓶颈，我们为BIP!Finder引入了汇总功能！这是一个基于不同影响

层面（如流行度和影响力）对文献进行排名的学术搜索引擎。我们的方法允许用户从搜索结果中生成两种类型的摘要：一种

是简洁的摘要，用于快速一览式的理解；另一种则是更为详尽、结构化的综述式摘要，以实现更好的组织化理解。这种能力

动态地利用了BIP!Finder现有的基于影响的排序和筛选功能，生成语境敏感的综合叙述，这可以显著加快文献发现和理解的

速度。

Keywords

多文档摘要,科学文献,大型语言模型,文献综述生成,基于文档的生成

本

译1.介绍

中科学出版物的增长率继续加速，这受到不断扩大的全球研究社区和“要么发表要么消失”压力的推

动。这一趋势因人工智能辅助写作工具的出现而加剧，这些工具有助于生成可发表的内容[1,2]。因

1

v此，为特定的研究查询识别最有价值和相关的文章已成为一项挑战性任务。学术搜索引擎如Google

2Scholar和SemanticScholar试图通过结合关键词相关性和基于引用的影响度量来对结果进行排名，12

6帮助研究人员优先阅读。然而，这些系统通常依赖于简化的影响力度量标准，比如原始引用计数，

9这容易被操纵，对近期文章有偏见，并且将影响视为单一维度，忽视了科学影响力的各个方面[3]。

3

0BIP!Finder[4]通过纳入多个影响指标来解决这一问题，这些指标捕捉了出版物影响力的不同方

.面，例如其总体影响力（也称为“影响力”）和当前关注度（也称为“流行度”）。作为一个科学搜索

8

0引擎，BIP!Finder允许用户根据最相关的影响力指标对结果进行排序，为科学研究提供了定制化且

5精细的方法。然而，研究人员仍然难以从优先级列表中综合出与特定研究问题相关的核心发现；他

2们需要手动阅读摘要来连接观点、识别趋势并掌握整体叙述。虽然BIP!Finder帮助用户确定先读什

:

v么，但这一步骤依然耗费精力和时间。

i本文介绍了一个重要的AI辅助扩展，该扩展解决了BIP!Finder中的这一缺口。我们提出了一

x

r项由大型语言模型（LLMs）驱动的实时摘要功能，通过一种基于检索增强生成（RAG）启发的文档

a基础方法，使用户能够在搜索界面中直接生成顶级文章的结构化、引用摘要。我们的主要贡献可以

总结如下：

•综合总结：我们将我们的摘要功能集成到科学搜索工作流程中，利用BIP!Finder现有的排名

和过滤功能。

•双模合成：该系统在两种摘要类型之间自动选择：简洁概述（便于快速理解）和更为详尽的文