في عصر المعلومات الضخمة، أصبحت القدرة على استخراج البيانات الدقيقة من الأبحاث العلمية ضرورة ملحة. تدعو أحدث الأبحاث إلى استخدام نماذج اللغة الضخمة (LLMs) لتحقيق هذا الهدف، مستعرضةً أربع استراتيجيات تصاعدية لاختبار أداء هذه النماذج.

أولًا، تبين النتائج أن نماذج LLMs المتقدمة، عند تزويدها بمطالبات تم اختيارها من قبل خبراء، تؤدي بشكل جيد في استخراج البيانات. ولكنها قد تواجه صعوبة في فهم السياقات العلمية الدقيقة، مما يشير إلى ضرورة المزيد من التحسين.

ثانيًا، أتاحت النماذج لنفسها الترويج بكتابة مطالبات بسيطة بدلاً من الاعتماد على توجيهات الخبراء. هذه الاستراتيجية قدمت نتائج قريبة جدًا من الأساليب التقليدية.

ثالثًا، رغم أن اكتشاف الأدب البحثي بشكل تلقائي كان تحديًا، حيث أن النماذج إما تغفل أو تتسبب في تمويه المراجع.

رابعًا، أظهرت النماذج قدرتها على إنشاء مجموعات بيانات جديدة تتوافق مع المعايير المحددة من قبل الخبراء، رغم الحاجة لوجود خبير بشرى للمراجعة.

بشكل عام، هذه النتائج تدعم فكرة تطوير نموذج يضمن توازنًا فعّالًا بين استغلال تقنيات الذكاء الاصطناعي وسلطة الخبراء، لتسهيل عملية تنسيق البيانات العلمية دون التخلي عن إشراف الخبراء.