Unified scientific knowledge representation for large language models
Notice bibliographique
Résumé
Les grands modèles de langage (LLMs) démontrent un potentiel significatif pour l’avancement de la recherche scientifique, mais éprouvent souvent des difficultés sur des tâches complexes et propres à un domaine. L’un des principaux défis réside dans la représentation des faits scientifiques : les connaissances en science s’expriment rarement sous forme de triplets standards, mais plutôt à travers des attributs hiérarchiques, des qualificateurs contextuels et des relations imbriquées qui contiennent un sens plus fin. Dans ce travail, nous introduisons la Hyper Scientific Knowledge Base (HSKB), une base de connaissances hyper-relationnelle et interdisciplinaire conçue pour relever ce défi. HSKB unifie les connaissances de cinq domaines scientifiques, incluant la science des matériaux, la chimie, la physique, la biologie et la médecine, dans un format JSON hiérarchiquement structuré. Cette ressource est automatiquement construite à partir de plus de 76 000 sources scientifiques, produisant 227 585 entités et 862 367 propriétés enrichies de qualificateurs. Pour évaluer son utilité, nous intégrons HSKB dans un pipeline de génération augmentée par recherche (RAG) et mesurons ses performances sur plusieurs bases de données spécialisées, à la fois mono-domaines et multi-domaines. Les résultats montrent des améliorations constantes du BERTScore F1, démontrant qu’une représentation scientifique hyper-relationnelle et ciblée peut renforcer les capacités de raisonnement et de récupération des LLMs. D'une part, ce travail contribue à une méthodologie novatrice de construction de bases de connaissances. D'autre part, les résultats empiriques montrent que l’intégration structurée et interdisciplinaire des connaissances peut faire progresser les tâches de question-réponse scientifique fondée sur les LLMs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».