في ظل الزيادة السريعة في نشر الأبحاث العلمية، أصبحت مراجعة الدراسات بشكل يدوي في مراجعات الأدبيات النظامية (SLRs) مهمة تأخذ وقتًا طويلاً، وتُعتبر غير فعالة في كثير من الأحيان. التصنيف الدقيق للدراسات التي تقدم نتائج متعلقة بجودة الحياة الصحية، مثل بيانات EQ-5D، يتطلب مستوى عالٍ من التفسير الطبي، مما يُشكل تحدياً للمراجعين البشر. في سياق هذه المشكلة، تم إجراء دراسة مبتكرة تنظر في استخدام نماذج لغوية ضخمة (Large Language Models) مثل Gemini وGemma لأتمتة اكتشاف EQ-5D في قاعدة بيانات PubMed الطبية استناداً فقط إلى الملخصات المنشورة.

تقدم الدراسة إطار عمل متعدد المراحل يُدمج بين التقنيات الحديثة مثل التوجيه القليل (few-shot prompting) وتجميع الوزن (weight ensembling) ومصنف الميتا الناعم (soft stacking meta-classifier). تمت مراجعة تسعة نماذج لغوية على مجموعة بيانات من دراسات PubMed تم تصنيفها يدوياً بواسطة اثنين من الخبراء فيما يتعلق بالتقارير عن EQ-5D. وحقق التجميع الوزني للنماذج gemini-2.5-pro وgemma-3-12b وgemma-3-27b درجة F1-weighted بلغت 0.74 ودقة (% accuracy) بلغت 0.74، متخطياً النتائج التي حققتها النماذج بشكل فردي.

عمل تجميع النماذج الأفضل على تحسين التوازن بين الدقة والاسترجاع مقارنةً بالنماذج الفردية، بينما قدمت طريقة stacking الناعمة موثوقية أكبر وقابلية للتفسير. أظهر تحليل الميزات أن النتائج الاحتمالية من النماذج تلعب دورًا مهمًا في توجيه التنبؤات النهائية.

تشير النتائج إلى أن إعداداً يعتمد على تجميع النماذج اللغوية الضخمة يعد أسلوبًا موثوقًا وقابلًا للتوسع لأتمتة عملية الفرز في الأبحاث الطبية، مما يعد بتغيير جذري في كيفية معالجة المعلومات الصحية.