好文推荐｜针对特定用例的半自动化解决方案推荐：基于Scopus和OpenAI的肿瘤学AI/ML案例研究

近日，一篇来自丹麦奥尔堡大学（Aalborg University）的论文“A Semi-Automated Solution Approach Recommender for a Given Use Case: a Case Study for AI/ML in Oncology via Scopus and OpenAI”（译“针对特定用例的半自动化解决方案推荐：基于Scopus和OpenAI的肿瘤学AI/ML案例研究”） 在国际期刊《以人为中心的智能系统（英文）》（Human-Centric Intelligent Systems, HCIN, eISSN: 2667-1336）上公开发表（DOI：https://doi.org/10.1007/s44230-024-00070-6）。

▲ 图 SARBOLD-LLM的流程图。

基于Scopus数据库和大语言模型的半自动化解决方案推荐工具（SARBOLD-LLM），实现解决方案的快速筛查与选择。

通过查阅文献寻找特定问题的解决方案是一种有效的途径。然而，对庞大的文献资料库进行全面筛查是一项非常耗时的工作。在筛选出相关文献后，从众多工作中选择合适的解决方案也同样具有挑战性。为了提高文献查阅和方法选择的效率，研究人员主要通过阅读文献综述，从综述中快速了解已有解决方案及不同方案的优缺点。但是，这存在着以下局限性：

• 内容的局限性。综述一般只列举一些可比较的、普遍的方法，难以提供详细的、全面的解决方案列表；

• 方案的时效性。随着时间推进，前沿的研究工作会不断迭代，涌现出新的方法，从综述中难以获取最新的解决方案。

本文提出了一种半自动化解决方案推荐工具（SARBOLD-LLM），通过Scopus数据库和大语言模型，可以为任意给定问题推荐解决方案。该工作以肿瘤学领域的AI/ML方法推荐为例，设计了三个模块：

• 模块1——Scopus数据库搜索：首先，借助人工经验从三个级别（一般、扩展和详细）确定关键词。然后，调用Scopus搜索API查找关键词，获取相关文献。

• 模块2——评分及方法提取：计算搜索文献的相关度和流行度指标，通过OpenAI API调用GPT 3.5模型，从标题和摘要中自动提取AI/ML方法的描述。

• 模块3——敏感性分析：通过调查哪些AI/ML方法使用更频繁，具有更高的相关性或流行度指标，对这些方法进行综合排序。

实验结果表明，SARBOLD-LLM对不同问题搜索和解决方案推荐的性能都具有较好的鲁棒性，能够迅速为用户提供最新技术的信息。设计的关键词选择方案结构灵活，可以适应不同领域的问题。

1）SARBOLD-LLM采用了Scopus API和OpenAI API作为前沿技术引擎，可以支持针对任意问题的文献半自动化搜索；

2）设计了文献敏感性分析模块，帮助研究人员选择最优的解决方案。