文章總結(jié)與翻譯一、文章主要內(nèi)容該研究聚焦科研人員學(xué)術(shù)興趣畫像更新滯后的問題，提出并評(píng)估了兩種基于大型語言模型（LLMs）的自動(dòng)化、可擴(kuò)展生成方法，以解決傳統(tǒng)人工維護(hù)學(xué)術(shù)畫像耗時(shí)且易過時(shí)的痛點(diǎn)，具體內(nèi)容如下：研究背景：現(xiàn)有學(xué)術(shù)平臺(tái)（如Google Scholar、ResearchGate等）的科研人員畫像常存在信息過時(shí)、不準(zhǔn)確或不完整的問題，Web抓取等傳統(tǒng)構(gòu)建方式存在局限，阻礙了基于最新研究方向的人才識(shí)別與合作搭建，而此前自動(dòng)化方法僅能提取MeSH術(shù)語生成詞云，無法生成流暢的敘事性總結(jié)。數(shù)據(jù)收集：收集了哥倫比亞大學(xué)歐文醫(yī)學(xué)中心（CUIMC）595名教職人員在PubMed上的出版物標(biāo)題、MeSH術(shù)語和摘要，其中167人擁有人工撰寫的在線研究畫像，且篩選時(shí)僅納入過去十年內(nèi)、研究者為前三位作者或資深作者（體現(xiàn)主要貢獻(xiàn)）的出版物，并通過機(jī)構(gòu)隸屬關(guān)系解決同名研究者的出版物歧義問題。模型構(gòu)建：采用兩種LLM（GPT-4o-mini）生成學(xué)術(shù)興趣畫像的策略。一是基于MeSH術(shù)語的生成方法，將關(guān)鍵詞分為方法學(xué)和健康領(lǐng)域兩類，分別讓模型生成總結(jié)后拼接；二是基于摘要的生成方法，采用“分而治之”策略，先通過潛在狄利克雷分配（LDA）將出版物按主題分組，濃縮每組摘要后再進(jìn)行最終總結(jié)，以應(yīng)對(duì)LLM輸入token限制。評(píng)估方式：從機(jī)器評(píng)估和人工評(píng)估兩方面展開。機(jī)器評(píng)估使用ROUGE-L、BLEU、METEOR等詞匯相似度指標(biāo)，BERTScore語義相似度指標(biāo)，TF