ChatExtract 方法提出了一種簡單有效的方式，利用對話式大型語言模型（LLMs）自動從研究論文中提取數據。透過設計好的提示應用於LLM，ChatExtract 能夠確保數據正確性，同時透過後續問題來辨識和提取數據。測試結果顯示，與GPT-4等對話式LLMs相比，ChatExtract 的精確度和召回率接近90%。這種方法利用了對話模型中的信息保留、冗餘性和引入不確定性，以提高準確性。ChatExtract 在各個領域中進行數據提取有著巨大的潛力，就像在建立金屬玻璃和高熵合金數據庫時所展示的那樣。 PubMed DOI

系統性回顧很重要，但耗時。大型語言模型如GPT-4可加速，但與人類表現仍有差異。研究發現GPT-4在某些領域表現良好，但受機會和數據集影響。調整後表現下降，尤其在數據提取和篩選任務。給予提示後，在篩選文獻方面表現與人類相當。建議使用語言模型時謹慎，但在特定條件下可匹敵人類。 PubMed DOI

人工智慧工具如GPT-4在化學和材料研究中扮演重要角色。雖然GPT-4有進展，但科學界尚未廣泛使用大型語言模型。研究評估了六個開源的大型語言模型在金屬有機骨架（MOFs）研究中的表現，其中Llama2-7B和ChatGLM2-6B表現優異。高參數版本的模型表現更佳。 PubMed DOI

Transformer神經網絡，特別是大型語言模型(LLMs)，在材料分析、設計和製造上很有效。它們能處理各種數據，支持工程分析，像MechGPT在材料力學領域表現出理解能力。檢索增強的本體知識圖表等策略可提高生成性能，解決困難。這些方法在材料設計探索中有優勢，並提供見解。非線性取樣和基於代理的建模增強生成能力，改進內容生成和評估。例如，問答、代碼生成和自動生成力場開發。 PubMed DOI

這個工作整合了GPT-4語言模型與機器學習演算法，建立了一個人工智慧代理人，專門應用於OFETs。透過分析科學文獻，提取實驗參數，建立了一個龐大的OFETs資料庫。透過機器學習模型評估設備性能，提出了優化方案，改善了DP-DTT OFETs的電荷傳輸性能。這項研究展示了語言模型在有機光電器件領域的應用，拓展了研究可能性。 PubMed DOI

ChatGPT-4是一個先進的AI模型，經過訓練後能夠產生有連貫上下文的文字。它可以回答問題，對材料科學、合成化學和藥物發現等領域有幫助。最近的研究中，ChatGPT-4成功解決了分析化學、光譜學、生物影像超分辨率和電化學等問題。儘管能夠自主完成一些任務，但較複雜的任務仍需要人類幫助。這個AI能夠生成MATLAB代碼，即使原作者未提供代碼。研究強調驗證和反饋的重要性，確保科學研究的正確性和透明度，尤其是在高級數據處理方面。 PubMed DOI

這項研究介紹了MaTableGPT，一個基於GPT的工具，專門從材料科學文獻中的表格提取數據，特別針對水分解催化劑。傳統的提取方法因表格格式多樣而不夠有效。MaTableGPT透過改進的數據表示和分割策略，提升理解能力，提取準確率高達96.8%。研究比較了零樣本、少樣本和微調學習方法，發現少樣本學習在準確性和成本上達到最佳平衡，提取準確率超過95%。此外，MaTableGPT建立的數據庫為催化劑的過電位和元素利用率提供了重要見解。 PubMed DOI

這篇論文探討大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在數據提取和呈現的有效性，並與人類策展人比較。研究聚焦於小麥和大麥的遺傳特徵，使用36篇期刊文章的資料供GrainGenes數據庫使用。主要發現包括：GPT-4在分類手稿準確率達97%，有效提取80%特徵，並顯示人類與AI合作的潛力。儘管LLMs有其限制，但在生物數據提取上仍能提供顯著幫助，使用者需謹慎對待不準確性。 PubMed DOI

這項研究探討大型語言模型（LLMs），如GPT-3.5、GPT-4.0和Claude-opus，在化學與疾病關係提取中的挑戰，特別是標註數據不足的情況。研究發現，這些模型在精確提取上達87%的F1分數，但全面提取僅73%。模型在提示工程上的改進有限，且對正向關係的識別較佳。提取錯誤多因模型誤解生物醫學文本的隱含意義。最後，研究提供了增強提取任務的工作流程，並強調優化訓練數據的重要性。 PubMed DOI

這項研究發現，GPT-4在整理小麥和大麥相關科學論文的遺傳資料時，準確率高達97%，擷取性狀和標記-性狀關聯的表現也比GPT-3.5好，錯誤率更低。GPT-4有時甚至能達到人類專家的96%水準。雖然還有改進空間，但未來在協助整理科學資料上很有潛力。 PubMed DOI