LLMが科学研究分析を支援
Semantic Scholar2026年7月31日 (金)
- •2026年のJournal of information scienceレビューは、大規模言語モデルをScience of Science手法と結び付けた
- •著者らはプロンプトエンジニアリング、RAG、ファインチューニング、事前学習、ツール学習を中核LLM技術に挙げた
- •レビューはAIエージェントによる科学評価と、検出・ナレッジグラフ構築のLLM手法を提案した
郭強梁、龔静倩、李夢萱ら共著者は7月26日、大規模言語モデルがScience of Scienceをどう支援できるかを論じた2026年のJournal of information scienceレビューを発表した。Science of Scienceは、研究システムがどのように発展し、機能するかを研究する分野である。著者らはLLMを、自然言語の理解・生成、画像認識、マルチモーダル課題に能力を持つシステムと位置付け、汎用人工知能へ向かう世界的な技術競争の中に置いた。
レビューは、利用者の視点から中核的なLLM技術を整理した。具体的には、プロンプトエンジニアリング、知識強化型の検索拡張生成（RAG、回答前に外部知識を検索する手法）、ファインチューニング、事前学習、ツール学習である。さらにScience of Scienceの歴史的発展をたどり、科学活動を測定・分析するサイエントメトリクスでLLMがどう使われ得るかを検討した。
著者らは、科学評価のためのAIエージェント型モデルを提案し、LLMを用いた検出手法とナレッジグラフ構築手法を研究フロントとして示した。情報源は、これらのツールをソフトウェア公開やベンチマーク結果ではなく、科学を評価し地図化する新しい方法として位置付けている。