ทันเอไอ

研究显示 LLM 可辅助审查疾病模型，但仍需人工核验

研究人员开发了一套流程，让 LLM 从 536 篇疾病传播建模论文中提取信息。文章级准确率最高约为 81.67%，但会因数据复杂度而出现显著差异。

一项名为《Leveraging Large Language Models for Systematic Literature Review of Disease Spread Models》的研究，测试了使用 Large Language Models（LLM，大型语言模型）辅助开展 systematic literature review（SLR，系统性文献综述）。这项工作通常需要耗费大量时间，按照统一标准检索、阅读并分类学术论文。

研究团队开发了一套 pipeline（多阶段工作流程），从 536 篇经过同行评审的学术论文中提取与模型相关的信息。这些论文均采用 agent-based modeling（基于主体的建模，即模拟各个主体的行为及其互动）研究疾病传播，随后将系统结果与人工完成的 SLR 进行比较。

在文章层面，GPT-4.1 的准确率约为 77.95%，GPT-5.0 约为 81.67%。不过，这些总体数字并不意味着模型处理所有类型数据时表现相同。按数据字段分别衡量时，准确率范围从 32.40% 到 100.00%；越复杂或越需要主观判断的字段，可靠性越低。

研究还发现，多个 LLM 的回答一致程度或可作为初步判断输出质量的信号。如果各模型的答案差异较大，可能说明部分回答存在 hallucination（生成看似可信、但与原文不符的信息）。这一点可帮助确定哪些字段尤其需要交由人工核验，但模型意见一致仍不能被视为答案必然正确的证据。

因此，研究结果支持将 LLM 用作减轻数据提取工作量的辅助工具，而非完全取代研究人员，尤其是在需要理解语境或进行判断的任务中。该论文已发布于 arXiv 的 cs.AI 分类，并计划在 Winter Simulation Conference 2026 上发表。