Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.004 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".