The role of artificial intelligence in generating original scientific research.
人工智慧在產生原創科學研究中的角色。 Int J Pharm 2024-02-23

人工智慧，特別是大型語言模型（LLMs），現在被廣泛運用，因為能跟人類溝通。透過大量網路資料訓練，LLMs能產生各種專業文本。研究指出，GPT-4能在不到一小時內寫出完整的藥學手稿。雖然LLMs在科學研究有潛力，但仍需要人類參與，如參考文獻和數據驗證。該研究探討了將LLMs融入科學研究的優勢和挑戰。 PubMed DOI

Generative Retrieval-Augmented Ontologic Graph and Multiagent Strategies for Interpretive Large Language Model-Based Materials Design.
生成檢索增強本體圖和多智能體策略用於解釋基於大型語言模型的材料設計。 ACS Eng Au 2024-04-22

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

Leveraging Generative AI to Accelerate Biocuration of Medical Actions for Rare Disease.
利用生成式人工智慧加速罕見疾病醫療行動的生物編輯。 medRxiv 2024-09-04

醫療行動本體（MAxO）是一個用來表示治療和管理病患行動的工具，特別針對罕見疾病。由於手動整理超過10,000種罕見疾病的術語相當困難，因此開發了半自動化的AutoMAxO工作流程，利用大型語言模型（LLMs）來簡化整理過程。AutoMAxO從醫學摘要中提取整理內容，並與MAxO及其他本體術語匹配，最終由人類整理者審核。研究中，AutoMAxO處理了4,918篇摘要，識別出18,631個候選內容，並確認538個加入MAxO，顯示生成式AI在精準醫療中的潛力。 PubMed DOI

Combining large language models with enterprise knowledge graphs: a perspective on enhanced natural language understanding.
結合大型語言模型與企業知識圖譜：增強自然語言理解的觀點。 Front Artif Intell 2024-09-11

知識圖譜（KGs）改變了知識的表現方式，將實體及其關係以圖形結構組織，提升了推薦系統和問答系統的效能。像是Expert.AI的Sensigrafo，專注於透過機器導向的詞彙來增進自然語言理解。不過，維護知識圖譜仍然面臨挑戰，通常需要手動輸入。近期大型語言模型（LLMs）的進展，為自動化知識圖譜的豐富提供了新機會，本文探討了基於LLM的最新技術，並針對數據質量、經濟性、隱私等問題提供見解。 PubMed DOI

Exploring generative AI in higher education: a RAG system to enhance student engagement with scientific literature.
探索生成式 AI 在高等教育中的應用：一個 RAG 系統以增強學生對科學文獻的參與。 Front Psychol 2024-10-28

這項研究探討了OwlMentor，一個以人工智慧為基礎的學習平台，幫助大學生理解科學文本。OwlMentor透過參與式方法開發，並在課程中使用，經過兩個學期的評估。研究發現，感知的易用性和有用性與實際使用之間的關係相當複雜，顯示需要更動態的接受模型。雖然未找到OwlMentor使用與學習改善的直接聯繫，但使用者的學習成效明顯高於非使用者，且自我效能與平台的使用意圖有顯著關聯，強調了AI工具與學生需求對齊的重要性。 PubMed DOI

A new AI-assisted data standard accelerates interoperability in biomedical research.
一種新的 AI 輔助數據標準加速生物醫學研究中的互操作性。 medRxiv 2024-11-01

這篇論文探討如何利用大型語言模型（LLMs）來簡化生物醫學數據處理，特別是自動化數據發現與整合。我們推廣互操作性標準，透過創建共同數據元素（CDEs）來提升數據整合的效率。經過分析三十一項研究，我們開發了CDEs，並使用API填寫OpenAI GPT模型的元數據。經專家審查，94%的元數據無需手動修訂。我們的方法在阿茲海默症和帕金森基因計畫的數據中測試，顯示出良好的互操作性，旨在提升生物醫學研究的效率與合作性。 PubMed DOI

An Accurate and Efficient Approach to Knowledge Extraction from Scientific Publications Using Structured Ontology Models, Graph Neural Networks, and Large Language Models.
一種準確且高效的科學文獻知識提取方法：使用結構化本體模型、圖神經網絡和大型語言模型。 Int J Mol Sci 2024-11-09

這項研究探討了研究人員在處理大量生物醫學文獻時的挑戰，並提出了一種混合方法，結合文本挖掘、圖神經網絡（GNNs）和微調的大型語言模型（LLMs）。這種方法旨在增強生物醫學知識圖譜，並解釋預測的關係。研究顯示，該方法在蛋白質相互作用數據集上達到0.772的馬修斯相關係數，並在失眠研究中識別出25個新的人類蛋白質相互作用。這種方法有助於加速治療靶點的發現，並提高文獻分析的效率。 PubMed DOI

An Automatic and End-to-End System for Rare Disease Knowledge Graph Construction Based on Ontology-Enhanced Large Language Models: Development Study.
基於本體增強大型語言模型的罕見疾病知識圖譜構建自動化端到端系統：開發研究。 JMIR Med Inform 2024-12-18

罕見疾病影響全球數百萬人，但因為盛行率低，研究關注有限，且缺乏特定的 ICD 代碼，讓臨床試驗中的患者識別變得困難。為了解決這個問題，我們開發了名為自動化罕見疾病挖掘（AutoRD）的系統，能自動提取醫學文本中的罕見疾病資訊。AutoRD 整合了醫學知識圖譜，並在實體和關係提取上表現優異，特別是在罕見疾病實體提取上達到 83.5% 的 F1 分數，顯示出其在醫療保健轉型中的潛力。 PubMed DOI

Enhancing systematic literature reviews with generative artificial intelligence: development, applications, and performance evaluation.
利用生成式人工智慧增強系統性文獻回顧：發展、應用及效能評估。 J Am Med Inform Assoc 2025-03-04

您開發了一個大型語言模型（LLM）輔助的系統，專門用於健康技術評估（HTA）的系統性文獻回顧（SLR）。這個系統包含五個模組，從文獻搜尋到數據總結，並具有人機協作的設計，能根據LLM與人類審查者的意見調整PICOs標準。經過四組數據評估，系統在摘要篩選中表現優異，達到90%的敏感度和82的F1分數，顯示出與人類審查者的高一致性。這個AI輔助系統有潛力簡化SLR過程，降低時間和成本，並提升證據生成的準確性。 PubMed DOI

The effectiveness of large language models with RAG for auto-annotating trait and phenotype descriptions.
大型語言模型結合 RAG 自動標註特徵和表現描述的有效性。 Biol Methods Protoc 2025-03-05

這段文字探討了在對生物文本，特別是表型描述進行註釋時的挑戰，尤其是使用本體詞彙的情況。傳統文本挖掘工具在理解上下文方面表現不佳，而像OpenAI的GPT這類大型語言模型則更適合需要語義理解的任務。作者提出利用GPT對*Arabidopsis thaliana*和森林樹木的表型觀察進行本體詞彙註釋，目標是達到與人工註釋相當的效果。這些流程包括將表型解析為簡潔概念，並使用嵌入向量相似度和檢索增強生成（RAG）方法來識別合適的本體詞彙，最終實現高準確度的自動註釋。 PubMed DOI

原始文章

站上相關主題文章列表