本文介绍了一个包括两种任务的数据集，以及一个名为 TERMinator 的工具，用于从科技文本中提取实体和它们之间的语义关系，并研究语言模型对术语识别的影响和不同方法之间的比较。实验证明，预先训练在目标语言上的语言模型并不总是表现最好。此外，添加一些启发式方法可以提高特定任务的整体质量。

Sep, 2022

通过多源数据的整合与深度学习生物实体提取方法，我们构建了一个 PubMed 知识图谱（PKG），可用于衡量学术影响、知识使用和传递，以及通过与生物实体的联系，帮助我们对作者和机构进行档案概述。

May, 2020

本文使用专业医学人士对 GPT-3 生成的医学文章摘要进行了评估，发现 GPT-3 虽然能够忠实地总结和简化单篇生物医学文章，但在多篇文章发现的证据综合方面存在困难。

May, 2023

通过比较 OpenAI GPT API 对临床评论文章标题和摘要的筛选效果和两位独立人工审核的效果，我们发现使用 OpenAI GPT API 可以显著提高临床评论的筛选效率和准确性。

May, 2023

开发了一种完全自动化的过程来生成科学实体的高质量专题页面，重点关注生物医学概念。经过人类评估，发现使用 TOPICAL 生成的 150 个不同专题页面被认为是相关、准确、连贯的，具备正确的支持引用。

May, 2024

通过对 28 种已发布系统的调查，我们在三个公开可用的语料库上深入分析了五种不同实体类型的性能比较，发现 BTM 工具在异构数据集上的性能明显低于同质数据集中的结果，表明在野外应用中 BTM 工具的性能会下降，需要进一步的研究以增强其稳定性。

Feb, 2024

通过构建基于本体的知识图谱，并利用事实检查算法和网络中心性指标，我们从医学文献和 AI 生成内容中提取事实信息，分析疾病和症状之间的关联，并发现 AI 生成内容中的知识潜力，进一步探索新的知识。

Aug, 2023

本文介绍了改进的变异识别和标准化工具 tmVar 3.0，可识别文章中广泛的变异相关实体，提供更多的变异标准化选项，并取得了超过 90％的识别和标准化精度。

Apr, 2022

利用大型语言模型的阅读理解能力和生物医学领域知识，开发了一个高通量的生物医学关系提取系统，将关系提取任务作为一个简单的二分类问题，通过外部语料库和世界知识进行判断，并从可靠医学网站中提取多种类型的生物医学关系。

Dec, 2023

本研究基于 GPT-3 模型自动生成科学论文摘要，通过机器学习模型结合多种文本表示方法来辨别机器生成文本，并分析模型性能及讨论相关研究问题，旨在揭示人工智能生成文本的能力和局限性。

Apr, 2023