ai4mat-lab/GPT_MOF_Project: MOF Data Extractor - v1.0.0
Notice bibliographique
Résumé
GPT-MOF-Project In this project, we used GPT-4o-mini (LLM) to extract key elements from scientific literature regarding metal-organic frameworks features and their CO2 capture properties. Using the MOFDataExtractor.py, you can extract MOF key characteristics from literature. These characteristics include MOF Type, Secondary building block formation, Linker, Solvent, Reaction Temperature, Reaction Time, Physical state, Metal, Oxidation number, pore diameter, pore volume, ligand, multidentate, synthesis method, carboxylate ligands, imidazolate, specific surface area, BET, CO₂ selectivity, CO₂ selectivity percentage, CO₂ adsorption amount, CO₂ adsorption capacity, adsorption temperature, and adsorption pressure. You can edit the characteristics inside the code by editing the GPT prompt. To run the code: 1- Install the requirements 2-Insert your OpenAI API key in the outlined section. 3-Make a directory with the name "Directory for Literature" and put the literature in PDF format in the folder. 4-Rename the documents in numeric format to track the documents for further analysis (optional). MOF_database_cleaned. csv contains the CSV output of data extracted from 434 articles. The data has been cleaned and is machine-readable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,238 | 0,204 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».