Roadmap for using large language models (LLMs) to accelerate cross-disciplinary research

文章主要内容总结

本文聚焦大型语言模型（LLMs）在跨学科研究中的应用，核心内容包括：

1. LLMs的优势与局限：LLMs具备强大的知识合成、自然语言交互和跨领域信息翻译能力，但存在幻觉（生成虚假信息）、偏见、代码错误等问题，需在“人机协作（human-in-the-loop）”框架下使用。
2. 跨学科研究应用路线图：提出将LLMs整合到跨学科研究的完整流程，涵盖文献综述、数据分析与可视化、模型开发、论文撰写等阶段，强调通过迭代交互发挥LLMs的辅助作用，同时需专家验证以规避风险。
3. 计算生物学案例验证：以HIV反弹动态建模为例，详细展示了如何通过与ChatGPT的迭代交互完成文献综述、数据可视化、数学模型构建（如ODE模型）、参数估计及论文初稿撰写，验证了路线图的可行性。
4. 未来展望：预计LLMs将进一步融入研究全流程，尤其在跨领域数据整合、假设生成和下一代研究者培训中发挥重要作用，但需持续关注伦理与准确性问题。

创新点

1. 针对性的跨学科应用框架：不同于现有研究对LLMs在单一学科中应用的探讨，本文专门针对跨学科研究中“沟通障碍、知识转移困难”等核心挑战，提出可操作的路线图。
2. 实证性案例展示：通过HIV反弹动态建模的完整案例，详细呈现了LLMs在研究各阶段的具体应用（如文献综述中的“深度研究”功能、代码生成中的迭代修正），为跨学科