LitCurate: A Configuration-Driven AI-Assisted Framework for Scientific Database Construction with an Application to Lower-Mantle Equation-of-State Data
LitCurate利用大语言模型构建低幔壳岩石状态方程数据库，包含1334条记录。
核心发现
方法论
LitCurate采用分阶段、可审计的工作流程，结合OpenAlex和LLMs实现文献检索、筛选、全文处理与结构化信息提取。配置文件定义搜索策略、提取架构和提示，支持多模型、多平台集成。每个阶段产生中间产物和源信息，确保可追溯性。利用Schema和Prompt引导模型输出符合JSON Schema的结构化数据，最终合并形成完整数据库。
关键结果
- 成功构建了包含1334条低幔岩石状态参数的数据库，涵盖205篇论文，数据关联矿物相、成分、方程形式、方法和参数约束。提取准确率达89.1%，F1值97.6%，模型检测率显著优于非推理模型。数据库通过Web应用提供检索，支持科学分析和模型输入。
- 在文献检索阶段，采用多轮查询和筛选策略，最大化覆盖目标文献，覆盖率达74%，显著优于传统手工方法。
- 模型在参数提取中的表现稳定，Verbatim提取高达95%的参数值准确率，但方程命名识别仍存在不足，提示未来需增强公式识别能力。
研究意义
该框架突破了文献到结构化数据库的自动化瓶颈，极大提升矿物物理参数的获取效率与透明度。为地球科学、材料科学等领域提供了可复用、可审计的工具，有助于推动大数据驱动的地球模型和深部地质研究。通过源信息追溯，增强数据的可信度和可再现性，满足科学研究对数据质量的高要求。
技术贡献
提出基于配置的端到端工作流程，结合多模型、多平台集成，支持复杂Schema和Prompt定制。创新性地实现了文献检索、筛选、全文处理与结构化提取的闭环体系，确保每步可追溯。引入源信息标记机制，增强数据源的透明度。实验验证模型在参数提取的高准确率和高覆盖率，优于现有的自动化工具。
新颖性
首次在科学文献自动化构建矿物状态参数数据库中，结合大语言模型与可配置工作流程，实现从文献检索到结构化数据的全流程自动化。区别于传统的规则或模板方法，LitCurate支持多阶段、可审计的操作，强调源信息追溯和用户干预，具有较强的通用性和扩展性。
局限性
- 模型在识别复杂公式和多样化表达方面仍存在不足，导致部分参数遗漏或错误。
- 全文处理对计算资源需求较高，尤其在大规模文献库中，效率仍需优化。
- 对非标准化报告格式的适应性有限，未来需增强多模态内容理解能力。
未来方向
未来将引入多模态信息融合技术，提升图表和公式的自动识别能力。计划扩展到其他地球物理参数和学科领域，增强模型的通用性。优化工作流程的自动化程度，结合主动学习策略，持续提升提取准确率和效率。
AI 总览摘要
科学文献中蕴藏着丰富的实验和计算数据，但大多未能转化为结构化、可追溯的数据库，限制了大规模分析和模型应用。传统手工整理耗时长、难以维护，自动化工具多为黑箱，缺乏审计性。本文提出LitCurate，一种基于大语言模型的配置驱动工作流程，支持文献检索、筛选、全文处理和结构化提取的全流程自动化。通过逐步、可审计的阶段设计，每个环节的中间产物和源信息都被完整记录，确保数据的透明性和可追溯性。该框架在构建低幔岩石状态方程参数数据库中表现出色，涵盖1334条记录，关联矿物相、成分、方法和参数约束，模型检测率达89.1%，F1值97.6%。实验验证显示，模型在参数提取中表现优异，尤其是数值参数的提取几乎无误。该数据库通过Web应用提供检索，极大便利了地球科学研究和模型开发。该工作不仅提升了文献数据的利用效率，也为其他学科提供了可复用的自动化构建工具，推动科学数据的开放与共享。未来，将结合多模态内容理解，扩展到更多参数和领域，持续优化流程，推动科学研究的数字化转型。
深度分析
研究背景
地球科学领域积累了大量关于岩石和矿物的实验与理论数据，但由于信息分散在论文文本、表格和图像中，难以快速整合为结构化数据库。早期平台如GeoDeepDive支持大规模文献挖掘，但缺乏端到端的可审计流程。近年来，LLMs在科学信息提取中展现潜力，但多为单一任务或局部方案，缺乏系统性集成。当前挑战在于文献检索、内容筛选、全文处理和结构化提取的无缝结合，确保源信息追溯，满足科学研究对数据质量的高要求。
核心问题
核心问题在于如何高效、自动化地从海量文献中筛选出目标研究内容，并提取符合科学标准的参数数据。传统方法依赖人工手动整理，费时费力，难以应对快速增长的文献量。自动化工具多为黑箱，缺乏源信息追溯机制，导致数据不透明，难以验证和复现。这限制了大规模数据驱动的地球模型和深部地质研究的发展。
核心创新
本研究提出LitCurate框架，创新点包括：1）配置驱动的多阶段流程，支持文献检索、筛选、全文处理和结构化提取的全流程自动化；2）引入Schema和Prompt引导模型输出结构化数据，确保每步可追溯；3）结合多模型、多平台支持，提升提取准确率和效率；4）源信息标记机制，增强数据的透明度和可信度。这些创新使得自动化流程更具可控性和可审计性，适应不同学科和任务需求。
方法详解
- �� 研究目标由用户定义，配置文件中设定搜索关键词和筛选条件。• 利用LLMs生成多轮查询，结合OpenAlex进行文献检索。• 对检索结果进行去重、排序和筛选，筛除不相关文献。• 自动下载PDF，转换为Markdown格式，进行全文清洗。• 通过正则表达式快速筛查无关文献，节省模型调用成本。• 对剩余文献进行全文筛选，确保目标内容存在。• 使用Schema和Prompt引导模型提取参数，输出符合JSON Schema的结构化数据。• 每个阶段产出中间文件和源信息，确保流程可追溯。• 最终合并所有提取结果，生成完整数据库，提供Web检索接口。
实验设计
采用1990-2025年发表的岩石状态参数文献作为数据源，建立了包含1334条记录的数据库。对比多模型提取性能，使用人工标注的真值集评估模型检测率、准确率和F1值。模型在数值参数提取中表现优异，检测率达89.1%，F1值97.6%。通过不同模型的对比，验证了商业模型优于开源模型。还进行了文献覆盖率和提取准确率的系统评估，确保框架的实用性和可靠性。
结果分析
数据库覆盖了205篇论文，涵盖多种矿物相和状态参数，数据关联矿物相、成分、方程形式、方法和参数约束。模型在参数提取中的表现优异，数值参数的准确率超过95%，方程命名识别仍有提升空间。文献检索阶段实现了74%的覆盖率，显著优于传统手工整理。模型检测率和F1值的提升，验证了框架的自动化能力和准确性，为科学数据的快速构建提供了新途径。
应用场景
该数据库可用于地球内部结构建模、地震波传播模拟和深部矿物研究。研究人员可以通过Web平台快速检索目标参数，支持模型输入和参数敏感性分析。行业中，相关企业可利用此工具优化材料设计和地质勘探流程。未来，结合多模态内容理解，将进一步扩展到其他地球参数和学科，推动科学数据的数字化转型。
局限与展望
模型在识别复杂公式和多样化表达方面仍存在不足，导致部分参数遗漏或错误。全文处理对计算资源需求较高，效率有待提升。对非标准报告格式的适应性有限，未来需增强多模态内容理解能力。
通俗解读 非专业人士也能看懂
想象你在整理一个巨大的图书馆，里面有成千上万的书，每本书都写满了关于地球内部的研究。传统的方法就像用手一页页翻，逐个摘录重要信息，非常耗时。而LitCurate就像有一台聪明的机器人助手，它可以根据你的指令，自动搜索相关书籍，筛选出最重要的章节，然后用它的“理解能力”把关键信息整理成电子表格。这个机器人还能告诉你每个数据来自哪本书、哪个章节，确保你知道每个数字的出处。这样一来，科学家们就可以用这些整理好的数据，快速构建模型，理解地球深部的奥秘，而不用担心信息的来源不明或遗漏。整个过程就像有个智能的图书管理员，帮你把海量信息变成有用的宝藏。
简单解释 像给14岁少年讲一样
想象你在一个超级大的学校图书馆，里面有成千上万的书，每本都写着关于地球内部的秘密。以前，要找到想要的知识，就得一个个翻书、抄笔记，非常费时间。而现在，有个聪明的机器人助手，它可以帮你快速找到相关的书，筛掉不相关的内容，然后把重要的数字和信息整理成电子表格。这个机器人还能告诉你这些数字是从哪本书、哪一页来的，确保你知道每个数据的出处。这样，科学家们就可以用这些整理好的信息，快速做出关于地球深处的模型，就像用拼图拼出一个完整的地球内部地图一样。这个助手让研究变得更快、更准，也让我们更容易理解这个神秘的地下世界。
术语表
Large Language Models (大规模语言模型)
基于深度学习的模型，能理解和生成自然语言，用于自动信息提取。
用于指导文献内容的结构化提取。
Schema (架构)
定义数据结构、字段类型和验证规则，确保提取数据符合预期格式。
引导模型输出符合结构化要求的内容。
JSON Schema (JSON架构)
一种描述JSON数据结构的标准，用于验证模型输出的正确性。
确保提取结果的格式一致性。
OpenAlex (开放文献数据库)
一个开放的学术文献和作者信息数据库，用于文献检索。
作为文献检索的基础数据源。
Equation-of-State (状态方程)
描述材料在不同压力和温度下的物理性质的数学关系。
本研究的核心参数类型。
开放问题 这项研究留下的未解疑问
- 1 当前模型在复杂公式和非标准表达的识别方面仍有限，未来需增强公式理解和多模态内容融合能力。
- 2 如何进一步提升大规模文献检索的效率和覆盖率，尤其在多学科交叉领域仍是挑战。
应用场景
近期应用
科学数据构建
研究人员可利用该框架快速生成结构化数据库，支持地球模型和材料研究。
模型输入优化
地球物理模拟中，自动提取的参数可作为高质量输入，提升模拟精度。
远期愿景
科学知识自动化
未来实现全自动化的科学知识提取与更新，推动科学数据库的实时维护与共享。
原文摘要
The growing scientific literature contains decades of experimental and computational results that could support data-driven and physics-based modeling, yet much of this infor- mation remains locked in publications and is not readily usable for large-scale analysis or sci- entific software. Building structured databases from the literature is particularly challenging whenrelevantstudiesmustfirstbediscoveredamonglargecollectionsofpapersandreported quantities must be extracted with enough scientific context to remain usable. We present LitCurate, an open-source framework for building scientific databases from the literature using large language models within an auditable, stage-wise curation workflow. LitCurate integratesliteraturediscovery, relevancescreening, full-textprocessing, andstructuredinfor- mation extraction while retaining intermediate results and provenance, allowing researchers to inspect and revise individual stages rather than treating automated curation as a black- box process. We apply LitCurate to construct an equation-of-state database of lower-mantle and lower-mantle-relevant high-pressure mineral phases from experimental and theoretical studies, comprising 1,334 entries from 205 papers. The resulting dataset links reported equation-of-state parameters to mineral phases, compositions, equation formulations, meth- ods, and parameter constraints, and labels values as source-reported or citation-reported when provenance can be determined. The records are available through a searchable web application. By connecting scientific literature to traceable, machine-readable data, LitCu- rate provides a reusable approach for transforming accumulated literature into resources for scientific analysis and computational modeling.