利用自然语言处理技术 (NLP) 对大量的客观科研文章和研究进行分析是理解气候变化的多方面影响在各地的关键，使得我们能够从中提取和处理关于特定地区气候变化影响的关键信息。通过使用 BERT (Bidirectional Encoder Representations from Transformers) 进行命名实体识别 (NER)，我们可以高效地识别气候文献中的具体地理位置，该方法能够为特定地区的气候趋势分析，确定与气候变化有关的主题或关注点，追踪这些问题在时间上的进展，评估其频率、严重程度和潜在发展趋势。利用这种深入分析特定地区气候数据的方法，可以制定更具定制性的决策、适应措施和减轻策略，解决每个地区所面临的独特挑战，并提供基于数据洞察的更有效解决方案。这种方法通过对科学文本的深入探索，为决策者、工程师和环保人士等多方面的利益相关者提供可行的见解。通过主动理解这些影响，社会能够更好地做好准备，明智地分配资源，并设计出针对未来气候条件的量身定制战略，确保更具弹性的未来。

Jan, 2024

本文介绍了利用自然语言处理技术构建的问答型模型 ClimateQA，该模型可用于分析财务报告以确定与气候相关的内容，以应对气候变化对全球股市等投资领域的巨大影响。

Nov, 2020

本文是一篇关于使用自然语言处理技术生成简化版摘要的研究综述，发现基于 transformer 的方法如 BERT 和 PEGASUS 在生成 lay text summarisation 方面相对优秀，并建议采用抽取式和生成式相结合的混合方法，并开发一些新的评估指标以确保 lay summary 更易读。

Mar, 2023

科学文章数量快速增长，对其进行质量控制对科学家和大众利益至关重要。由于同行评审往往困难、耗时且容易出错，自然语言处理（NLP）在改进同行评审方面具有巨大潜力。我们的论文旨在为未来的 NLP 同行评审努力奠定基础，讨论了同行评审的一般过程，以 AI 会议的审稿为例，详细阐述了从文稿提交到定稿的每个步骤，讨论了 NLP 协助的挑战和机遇，提出了 NLP 同行评审面临的大型挑战，包括数据获取、运营和实验、伦理问题，并创建了一个聚合与同行评审相关的主要数据集的伴侣仓库。最后，我们呼吁科学界、NLP 和 AI 研究人员、政策制定者和资助机构共同努力推动 NLP 同行评审的研究，希望我们的工作能够在 AI 时代为机器辅助的科学质量控制设定议程，不仅仅限于 NLP 社区。

May, 2024

这篇论文提出了一个自动评估框架，通过综合指标评估大型语言模型在应对气候危机方面的知识，并发现现有大型语言模型的知识在时效性方面存在不足。

Dec, 2023

气候变化对人类健康的影响带来了前所未有的多样化挑战，本研究运用社交媒体分析和自然语言处理技术，特别以气候变化领域为基础进行预训练模型建立和推特情感分析，以了解公众对气候变化的态度和关注点，以便决策者、研究人员和组织能够有效了解公众的认知并制定相应的气候变化对策。

Oct, 2023

该研究系统评估了最近 NLP 应用于放射学报告方面的文献，并将其归类为 6 个临床应用类别，结果表明，深度学习的使用在增加，但传统的机器学习方法仍然普遍存在。

Feb, 2021

本研究应用自然语言处理技术，对 B2B 数据集进行情感分析、主题建模和关键词提取，证明通过自动化方法能够准确地提取情感，并将笔记按相关性分类到不同主题。同时，本研究强调缺乏明确分离主题会导致主题缺乏与商业背景相关性。

May, 2023

该论文讨论了 NLP 研究中使用计算模型所耗费的能量问题，提出了使用气候表现模型卡的可行性，以简化气候报告。

May, 2022

通过对一组包含 750 条推特的新数据集进行分类实验，我们比较了各种常用文本分类器的性能，在分类平衡度增加的情况下，监督机器学习方法表现更好，而传统机器学习方法如逻辑回归和随机森林与深度学习方法在性能上相似，但需要较少的训练时间和计算资源，这对社会科学研究中的短文本分析具有重要意义。

Oct, 2023