Large language models overcome the challenges of unstructured text data in ecology

工作流程 计算机科学 鉴定(生物学) 介绍(产科) 任务(项目管理) 数据提取 数据科学 非结构化数据 情报检索 结构化 自然语言处理 生态学 数据挖掘 大数据 数据库 生物 经济 放射科 管理 医学 梅德林 生物化学 财务
作者
Andry Castro,João Pinto,Luís Reino,Pavel Pipek,César Capinha
标识
DOI:10.1101/2024.01.23.576654
摘要

Abstract The vast volume of currently available unstructured text data, such as research papers, news, and technical report data, shows great potential for ecological research. However, manual processing of such data is labour-intensive, posing a significant challenge. In this study, we aimed to assess the application of three state-of-the-art prompt-based large language models (LLMs), GPT 3.5, GPT 4, and LLaMA-2-70B, to automate the identification, interpretation, extraction, and structuring of relevant ecological information from unstructured textual sources. We focused on species distribution data from two sources: news outlets and research papers. We assessed the LLMs for four key tasks: classification of documents with species distribution data, identification of regions where species are recorded, generation of geographical coordinates for these regions, and supply of results in a structured format. GPT 4 consistently outperformed the other models, demonstrating a high capacity to interpret textual data and extract relevant information, with the percentage of correct outputs often exceeding 90% (average accuracy across tasks: 87–100%). Its performance also depended on the data source type and task, with better results achieved with news reports, in the identification of regions with species reports and presentation of structured output. Its predecessor, GPT 3.5, exhibited reasonably low accuracy across all tasks and data sources (average accuracy across tasks: 81–97%), whereas LLaMA-2-70B showed the worst performance (37– 73%). These results demonstrate the potential benefit of integrating prompt-based LLMs into ecological data assimilation workflows as essential tools to efficiently process large volumes of textual data.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
2秒前
忧虑的羊完成签到 ,获得积分20
5秒前
丘比特应助哈娜桑de悦采纳,获得10
5秒前
5秒前
nana完成签到,获得积分10
5秒前
5秒前
Yducky发布了新的文献求助10
6秒前
zjspidany应助李四采纳,获得10
7秒前
8秒前
8秒前
nana发布了新的文献求助10
8秒前
二两完成签到,获得积分10
9秒前
aslink完成签到,获得积分10
9秒前
Lucas应助小刘小刘采纳,获得10
9秒前
科研通AI2S应助坦率续采纳,获得10
9秒前
天天快乐应助lmy采纳,获得50
10秒前
Mr_老旭完成签到,获得积分10
10秒前
CK发布了新的文献求助10
10秒前
13秒前
幸福大白完成签到,获得积分10
13秒前
敏敏发布了新的文献求助10
13秒前
二两发布了新的文献求助10
14秒前
fhw完成签到 ,获得积分10
19秒前
壮观的夏云完成签到,获得积分10
19秒前
21秒前
2213sss完成签到,获得积分10
21秒前
21秒前
三月聚粮应助浅辰采纳,获得10
23秒前
26秒前
yyxhahaha完成签到,获得积分10
27秒前
喜悦的天德完成签到,获得积分10
28秒前
29秒前
29秒前
32秒前
Mars夜愿完成签到,获得积分10
34秒前
杨哈哈发布了新的文献求助10
34秒前
彭于晏应助喜悦的天德采纳,获得10
37秒前
陳新儒发布了新的文献求助10
38秒前
Mars夜愿发布了新的文献求助10
38秒前
CipherSage应助55555采纳,获得20
39秒前
高分求助中
Licensing Deals in Pharmaceuticals 2019-2024 3000
Cognitive Paradigms in Knowledge Organisation 2000
Introduction to Spectroscopic Ellipsometry of Thin Film Materials Instrumentation, Data Analysis, and Applications 1800
Natural History of Mantodea 螳螂的自然史 1000
A Photographic Guide to Mantis of China 常见螳螂野外识别手册 800
How Maoism Was Made: Reconstructing China, 1949-1965 800
Barge Mooring (Oilfield Seamanship Series Volume 6) 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3314052
求助须知:如何正确求助?哪些是违规求助? 2946471
关于积分的说明 8530176
捐赠科研通 2622111
什么是DOI,文献DOI怎么找? 1434341
科研通“疑难数据库(出版商)”最低求助积分说明 665205
邀请新用户注册赠送积分活动 650804