arXiv cs.AI· Navapat Nananukul, Mayank Kejriwal·· 13 小时前AI 评分33
基于 LLM 的 NIH 资助研究 AI 采用情况分析
An Analysis of Artificial Intelligence Adoption in NIH-Funded Research
AI 导读
研究用人类在环的 LLM 方法对 2025 年 58,746 个 NIH 资助生物医学项目进行分类分析，发现 AI 占 NIH 资助组合的 15.9%，并获得 13.4% 的资助溢价。79% 的 AI 项目仍处于研发阶段，仅 14.7% 进入临床部署或实施，健康差异研究仅占 AI 资助工作的 5.7%。
正文 · AI 翻译
摘要：理解人工智能（AI）和机器学习（ML）在美国国立卫生研究院（NIH）资助组合中的采用情况，对于研究资助策略、机构规划和卫生政策至关重要。大语言模型（LLM）的出现从根本上改变了研究格局分析，使研究人员能够从数千份非结构化研究文档中进行大规模语义提取。在本文中，我们展示了一种人在回路的研究方法，使 LLM 能够大规模自动分类和总结研究描述。使用我们的方法，我们对 2025 年 58,746 个 NIH 资助的生物医学研究项目进行了全面分析。我们表明：(1) AI 占 NIH 资助组合的 15.9%，并享有 13.4% 的资助溢价，集中于跨疾病领域的发现、预测和数据整合；(2) 存在关键的研究到部署差距，79% 的 AI 项目仍处于研究/开发阶段，而只有 14.7% 参与临床部署或实施；(3) 健康差异研究严重代表性不足，仅占 AI 资助工作的 5.7%，尽管其对 NIH 的公平使命至关重要。这些发现为循证政策干预建立了一个框架，以使 NIH 的 AI 资助组合与健康公平目标和战略研究优先事项保持一致。
| 主题： | 人工智能（cs.AI）；计算机与社会（cs.CY）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2604.07424 [cs.AI] |
| （或 arXiv:2604.07424v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.07424 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | 2026 IEEE 国际数字健康会议（ICDH） |
| 相关 DOI： | https://doi.org/10.1109/ICDH72779.2026.00042
链接到相关资源的 DOI |
提交历史
来自：Navapat Nananukul [查看电子邮件]
[v1]
2026 年 4 月 8 日星期三 17:05:11 UTC（4,469 KB）
[v2]
2026 年 10 月 29 日星期四 00:22:08 UTC（4,487 KB）
来源：arXiv cs.AI · arxiv.org