AI Quinex wydobywa dane liczbowe z artykułów z dokładnością 98%

Narzędzie AI Quinex wyodrębnia dane liczbowe z artykułów naukowych z dokładnością 98%

Naukowcy z Forschungszentrum Jülich (Jülich, Niemcy) przedstawili framework Quinex (Quantitative Information Extraction), przeznaczony do automatycznego wyodrębniania danych ilościowych z publikacji naukowych. System oparty na otwartych modelach językowych pozwala znajdować wartości liczbowe, jednostki miar i informacje kontekstowe, przekształcając nieustrukturyzowany tekst w ustrukturyzowane zbiory danych. Dokładność wyodrębniania liczb i jednostek sięga 98% według miary F1, co czyni narzędzie obiecującym dla przyspieszenia przeglądu literatury w energetyce, klimatologii, materiałoznawstwie i innych dziedzinach.

Jak działa Quinex

Framework przetwarza tekst artykułów naukowych i wyodrębnia parametry ilościowe: temperatury, sprawność, emisje, koszty, wskaźniki medyczne itp. System nie tylko znajduje liczby, ale także określa, do jakiego obiektu lub zjawiska się odnoszą, przypisuje jednostki miar, rejestruje współrzędne czasowe i przestrzenne oraz metodę pozyskania danych. Na przykład fraza „w 2025 roku sprawność wyniesie od 63 do 71%” jest przekształcana w rekord z parametrem „sprawność”, zakresem wartości, rokiem i odnośnikiem do źródła. Pozwala to naukowcom szybko zbierać i porównywać dane z setek i tysięcy artykułów.

Otwarte modele i przejrzystość

Kluczową cechą Quinex jest wykorzystanie otwartych i kompaktowych modeli językowych zamiast zamkniętych rozwiązań komercyjnych. Takie podejście ułatwia weryfikację, modyfikację i wdrażanie systemu bez kosztownej infrastruktury. Twórcy podkreślają, że narzędzie nie „halucynuje” liczb: wartości są wyodrębniane bezpośrednio z tekstu, a błędy są możliwe tylko przy interpretacji kontekstu, gdy powiązania między danymi są rozproszone w różnych częściach artykułu.

Wyniki testów

Quinex został przetestowany na tysiącach abstraktów z różnych dziedzin nauki. Oprócz 98% dokładności dla liczb i jednostek, system osiągnął 87% F1 przy klasyfikacji ilościowo opisywanych właściwości i 82% dla encji. Zbiory testowe obejmowały dane o kosztach produkcji energii elektrycznej, maksymalnym poborze tlenu u człowieka, magnitudzie trzęsień ziemi i szerokości pasma wzbronionego w materiałach fotowoltaicznych.

Co ważne

• Quinex automatyzuje wyodrębnianie danych liczbowych z artykułów naukowych, skracając czas przeglądu literatury.
• System wykorzystuje otwarte modele językowe, co zapewnia przejrzystość i dostępność.
• Dokładność wyodrębniania liczb i jednostek miar wynosi 98% według F1.
• Narzędzie jest przeznaczone do wspomagania: ostateczne wnioski pozostają po stronie badacza.
• Projekt został udostępniony publicznie w celu adaptacji do konkretnych dyscyplin.

Kontekst i perspektywy

Strumień publikacji naukowych rośnie szybciej niż możliwości ręcznej analizy. Quinex rozwiązuje problem „wąskiego gardła” w badaniach, gdzie wymagane jest porównywanie parametrów ilościowych z wielu źródeł. Twórcy planują rozszerzyć narzędzie o branżowe zbiory danych i nowe modele, aby zwiększyć dokładność w konkretnych obszarach, takich jak energetyka, chemia i biomedycyna.

FAQ

Pytanie: Jakie typy danych może wyodrębniać Quinex?

Odpowiedź: System przetwarza dowolne wartości liczbowe z przypisanymi jednostkami miar: temperatury, sprawność, emisje, koszty, wskaźniki medyczne i inne parametry ilościowe.

Pytanie: Czy można używać Quinex bez specjalnych zasobów obliczeniowych?

Odpowiedź: Tak, narzędzie jest zbudowane na otwartych i kompaktowych modelach, co pozwala na uruchomienie bez kosztownej infrastruktury.

Pytanie: Czy Quinex zastępuje pracę badacza?

Odpowiedź: Nie, system jest narzędziem pomocniczym do zbierania danych, a analiza i wnioski pozostają po stronie naukowca.

— Editorial Team