简化环境研究的人工智能模型

环境科学家面临着日益严峻的挑战：研究比以往任何时候都多，但许多有用的信息分散在论文、表格、图表和不一致的报告格式中。一项新的评论表明，大型语言模型（LLM）可以帮助研究人员组织这些分布式证据，只要他们的结果得到跟踪、验证并接受同行评审。

该分析发表在《人工智能与环境》上，探讨了法学硕士如何通过三个相关任务支持环境研究：系统文献筛选、关系知识挖掘和定量数据挖掘。这些方法共同有助于将非结构化科学文献转化为可在数据库、模型、风险评估和环境决策中重复使用的结构化信息。

“大型语言模型有可能减少组织生态证据所需的手工工作量，但它们最大的价值在于帮助专家，而不是取代他们，”南京大学的主要作者郭靖说。 “可靠的程序需要明确的任务定义、结构约束、可追溯的证据和人工验证。”

最有前途的应用之一是文献综述。环境审查可能包含数千份文件，涉及污染物、生态系统、暴露途径、毒理学效应和处理技术。法学硕士可以解释上下文、识别同义词和歧义表达，并同时应用多个纳入标准。在一项同行评审的研究中，GPT-4 在测试大约 12,000 条记录时实现了 100% 的召回率，并在适当的阈值下将手动测试时间减少了大约 50%。然而，作者强调，关于是否应纳入研究的最终决定应由人类评审员决定。

法学硕士还可以帮助研究人员发现隐藏在学术文本中的关系。其中包括污染源与暴露之间的关系、化学品与毒理学效应之间的关系、以及处理条件与污染物去除效率之间的关系。模型不是简单地识别单个术语，而是可以帮助将这些连接组织成关系网络、知识图和其他结构化资源。

第三种选择是定量数据挖掘。环境文件包括各种浓度、毒性终点、降解率、去除效率和实验条件。法学硕士可以帮助将这些分散的值恢复为完整的记录，以维护化学品、条件、测量、单位和证据来源之间的关系。多模态模型甚至可以从数字重建数据，尽管评论警告说数字的解释不可靠，仍然需要仔细验证。

作者强调，完全自动化并不是目标。 LLM 输出可能包含不正确的数字、不一致的单位、不受支持的关系或缺少上下文。更实用的工作流程将模型挖掘与规则验证和专家评审结合起来。

展望未来，审查要求制定针对具体任务的标准，加强与环境数据库和本体的整合，改进源头跟踪以及标准化评估方法。作者得出的结论是，法学硕士作为协作工具最有用，可以帮助学者浏览快速扩展的文献，同时保持学术质量和责任感。

===

期刊参考文献：Li Y；郭杰;史文.环境研究的大语言模型：系统文献综述、关系知识挖掘和定量数据挖掘。人工智能环境。 2026，1(3)：xx-xx。数字编号： 10.66178/aie-0026-0019

https://www.the-newpress.com/aie/article/doi/10.66178/aie-0026-0019

===

关于杂志：

人工智能与环境 是一个国际多学科平台，用于交流环境科学和人工智能（AI）交叉领域的基础和应用研究成果。它致力于为全球地球与环境科学、大数据科学和人工智能跨学科领域的研究人员提供一个创新、有效和专业的平台，展示这个快速发展的科学领域的研究成果。它是一本经过同行评审的开放获取期刊，发表批判性评论、原创研究、紧急通讯、观点、评论和观点文章。