arXiv cs.AI· Lena Schmidt, Oshin Sharma, Chris Marshall, Sonia Garcia Gonzalez Moral·· 3 天前AI 评分20
利用新型信息检索与 AI 工具加速 Horizon Scanning：SCANAR 与 AIDOC
Horizon Scans can be accelerated using novel information retrieval and artificial intelligence tools
AI 导读
开源 Python 工具 SCANAR 与 AIDOC 可加速医疗健康领域的 Horizon Scanning。SCANAR 自动完成新闻文章检索与处理，结合去重和无监督相关性排序；AIDOC 借助大语言模型与文本嵌入计算语义相似度，按相关性重排数据。
正文 · AI 翻译
摘要：引言：医疗领域的 horizon scanning 评估创新的早期信号，对于及时采用至关重要。当前的 horizon scanning 在高效的信息检索和分析方面面临挑战，尤其是在灰色文献中，这提出了对创新工具的需求。
方法：本文介绍了 SCANAR 和 AIDOC，这两个基于 Python 的开源工具旨在改进 horizon scanning。SCANAR 自动化新闻文章的检索和处理，使用去重和无监督相关性排序。AIDOC 通过利用大型语言模型和文本嵌入来计算语义相似度，从而帮助过滤，根据相关性对数据重新排序。
结果：使用了来自 horizon scans 的十二个内部数据集和四个外部基准数据集。SCANAR 通过自动化以前依赖人工的流程提高了检索效率。AIDOC 显示出节省工作量的潜力，在 95% 召回率下实现了约 65% 的理论人工审查工作量减少，或在添加 CMH（一种现有的开源算法，用于做出数据驱动的早期停止筛选决策）后减少 20%。与基准数据的比较分析表明，AIDOC 的性能与现有的系统综述自动化工具相似，尽管性能因数据集特征而异。
结论：验证表明，SCANAR 和 AIDOC 显示出通过简化数据检索和优先级排序来提高 horizon scanning 效率的潜力。这些工具可能缓解方法学限制，并允许更广泛、更快速的 horizon scans。建议进一步研究以优化这些模型，并设计整合大型语言模型的新工作流程和验证流程。
| 主题： | 信息检索 (cs.IR)；人工智能 (cs.AI)；计算与语言 (cs.CL) |
| 引用为： | arXiv:2504.01627 [cs.IR] |
| （或 arXiv:2504.01627v2 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2504.01627 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Lena Schmidt [查看电子邮件]
[v1]
2025年4月2日星期三 11:33:08 UTC (1,079 KB)
[v2]
2026年10月11日星期日 11:21:30 UTC (2,402 KB)
来源：arXiv cs.AI · arxiv.org