Scalable Scientific Interest Profiling Using Large Language Models

文章总结与翻译

一、文章主要内容

该研究聚焦科研人员学术兴趣画像更新滞后的问题，提出并评估了两种基于大型语言模型（LLMs）的自动化、可扩展生成方法，以解决传统人工维护学术画像耗时且易过时的痛点，具体内容如下：

1. 研究背景：现有学术平台（如Google Scholar、ResearchGate等）的科研人员画像常存在信息过时、不准确或不完整的问题，Web抓取等传统构建方式存在局限，阻碍了基于最新研究方向的人才识别与合作搭建，而此前自动化方法仅能提取MeSH术语生成词云，无法生成流畅的叙事性总结。
2. 数据收集：收集了哥伦比亚大学欧文医学中心（CUIMC）595名教职人员在PubMed上的出版物标题、MeSH术语和摘要，其中167人拥有人工撰写的在线研究画像，且筛选时仅纳入过去十年内、研究者为前三位作者或资深作者（体现主要贡献）的出版物，并通过机构隶属关系解决同名研究者的出版物歧义问题。
3. 模型构建：采用两种LLM（GPT-4o-mini）生成学术兴趣画像的策略。一是基于MeSH术语的生成方法，将关键词分为方法学和健康领域两类，分别让模型生成总结后拼接；二是基于摘要的生成方法，采用“分而治之”策略，先通过潜在狄利克雷分配（LDA）将出版物按主题分组，浓缩每组摘要后再进行最终总结，以应对LLM输入token限制。
4. 评估方式：从机器评估和人工评估两方面展开。机器评估使用ROUGE-L、BLEU、METEOR等词汇相似度指标，BERTScore语义相似度指标，TF