本文综述了人工智能在系统文献综述中的应用，重点研究了 AI 技术在文献综述的半自动创建中的应用，特别是在筛选和提取阶段。通过对 21 个主流文献综述工具的分析，以及对 11 个利用大型语言模型进行文献搜索和学术写作辅助的最新工具的分析，讨论了领域内的当前趋势，概述了关键研究挑战，并提出了未来研究的方向。

Feb, 2024

这项研究引入了一种开创性的基于人工智能的工具，旨在提高系统文献综述中的文章选择阶段的效率，通过数据准备、人工智能辅助文章评估和结构化结果展示的三重方法实现，该工具在各个学术领域中显著加速了文献综述的耗时任务，特别在管理和经济学等领域中，GPT 模型的采用可以大大减少潜在的偏见，提高文献综述选择阶段的速度和准确性，不仅增加了研究人员的生产力和准确性，而且在涌现的学术出版物潮中迈出了重要的步伐。

Jan, 2024

通过整合开放科学、大型语言模型和自然语言处理功能，提供了一个 AI 文献综述套件，以优化和自动化学术和工业研究中的文献综述过程。

Jul, 2023

通过构建一个自动化的流水线以及实验，我们在仅需人工筛选的 2 周时间内，取得了非常高的准确性和泛化能力，从而使得系统能够自动完成系统性评论过程的主要步骤，包括文件搜索、文件选择以及数据提取。

Oct, 2020

本文讨论如何运用自然语言处理技术，自动生成机器学习领域的论文评审。通过收集论文数据集和训练模型进行实验，研究发现自动生成的评审可以涵盖更多的内容，但在细节方面需要更高的准确性和构造性。最后，总结了这个领域的八个难题及其潜在解决方案。

Jan, 2021

该文献综述通过机器学习预测引用次数或质量评分等方法，从文章文本和元数据中识别高影响力或高质量研究的指标，并回顾了有关排名和公共数据集的证据，用于预测学术文章的影响力，并讨论了技术辅助评估的偏见和透明度。

Dec, 2022

本研究探索使用精细调整的大型语言模型（LLMs）自动化系统性文献综述（SLRs），提出了将人工智能与学术研究方法相结合的重要和创新贡献。通过采用最新的精细调整方法和开源的 LLMs，我们展示了一种实用高效的自动化 SLR 过程的方法，包括知识综合的最终执行阶段。研究结果在 LLM 响应的事实准确性方面保持了很高的保真度，并通过对现有符合 PRISMA 的 SLR 的复制进行了验证。研究提出了减轻 LLM 虚幻感的解决方案，并提出了追踪 LLM 响应与信息来源的机制，从而证明了这种方法如何满足学术研究的严格需求。最终的发现证实了精细调整的 LLMs 在简化各种劳动密集型的文献综述过程方面的潜力。鉴于这种方法的潜力及其在所有研究领域的适用性，这项基础研究还呼吁更新 PRISMA 报告指南以整合 AI 驱动的过程，确保未来 SLRs 的方法透明性和可靠性。该研究拓宽了 AI 增强工具在各学术和研究领域的应用，为在日益增长的学术研究数量面前以更高效的方式进行全面准确的文献综述设立了新的标准。

Apr, 2024

通过系统文献综述，本研究分析了人工智能与科学计量学，网路计量学和文献计量学的协同作用，以揭示 AI 算法在这些领域应用和效益的潜力。

Feb, 2024

提出了一种自动系统，将调查论文审查任务概念化为一个分类问题，采用机器学习模型测定与指定主题相关的论文的相关性，并且通过使用 BERT 等高级语言模型，取得了优于传统机器学习方法的初步结果。

Jun, 2024

通过对 8700 万篇论文和 710 万项专利采用自然语言处理技术，研究发现 AI 在科研中的使用范围广泛，特别是自 2015 年以来增长迅速，使用 AI 的论文影响因子更高，同时也存在 AI 人才供需不平衡和种族、性别等方面的不公平问题。

Apr, 2023