通过混合信息提取和大型语言模型构建自动桥梁检查数据库

研究问题

如何利用大型语言模型辅助的信息提取方法，从非结构化的桥梁检查报告中高效准确地抽取关键数据，并用于建立维护所需的数据库？

该方法展示了比用于标记的封闭源LLM更高的提取精度，并且在数据准备时间和提取准确性方面都优于传统的方法。这为更积极和基于数据驱动的桥梁维护策略做出了贡献。

https://www.sciencedirect.com/science/article/pii/S2666165924002308

如何利用大规模语言模型在词元级别处理来有效识别和分类文本中的说服性和误导性词语，以更好地理解其对公众舆论、消费者行为及政治话语的影响？

本研究采用基于变换器模型的词元级处理技术，并结合注意力机制与上下文嵌入，旨在全面分析并标记具有潜在说服力或误导性的单词。这种方法不仅能够检测细微的语言修辞策略，还能提供对语言如何在更深层次结构中运作的理解。

该研究开发的方法为识别文本中的说服性和误导性语言提供了一种强大而有效的工具。它不仅提升了对这些语言特征的理解能力，还扩展了其应用领域至更广泛的文本分析场景中，如自动内容审核、政治话语评估及广告监管等。

https://www.researchsquare.com/article/rs-5174770/latest

当分析包含数值和分类属性的异构数据时，通常会单独处理不同的数据类型或将分类属性转换为数值属性。本研究提出了一种使用大型语言模型（LLMs）将分类数据转换为可解释的数值特征向量的新技术。

在处理异构数据集时，如何有效地将其分类属性转化为数值形式以进行多变量分析？

我们利用大型语言模型来识别分类属性的主要特性，并为其分配数值值，从而生成多维特征向量。该转换可以完全自动计算，但由于特性的可解释性，用户也可以直观地调整此过程。此外，我们提供了一个交互式工具，以验证和改进AI生成的输出。

本研究提出的方法为处理包含分类属性的数据集提供了一种新的思路。通过对大型语言模型的应用以及特征向量的生成，该方法能够有效地将分类数据转化为数值形式，并支持多变量分析。此外，这种方法还具有高度可解释性，使得用户可以直观地调整和验证AI生成的结果。

通过这种方式，我们可以更全面、高效地分析包含多种类型属性的数据集，推动数据分析领域的进一步发展。

https://pubmed.ncbi.nlm.nih.gov/39348252/