PubMed Central
PulseAugur coverage of PubMed Central — every cluster mentioning PubMed Central across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
研究：到2025年，89%的生物医学论文显示LLM辅助写作
一项利用无偏方法估算学术写作中LLM使用情况的新研究表明，到2025年底，绝大多数生物医学出版物将显示出LLM辅助内容的迹象。研究人员将他们的方法应用于PubMed Central的开放获取论文，发现89%的论文显示出LLM相关词汇过量。研究还指出，LLM在讨论部分比在方法部分更频繁地使用，尽管即使是方法部分也显示出超过50%的LLM使用率。
-
新数据集和LLM管道分析AI对生物医学期刊的影响
研究人员开发了BioMedJImpact，这是一个新的数据集和管道，旨在分析人工智能（AI）对生物医学期刊的影响。该数据集来源于2744种期刊的174万多篇文章，包含了文献计量数据、合作指标以及使用三阶段LLM管道计算的AI参与率。初步分析表明，更大的作者团队与更高的引用影响力相关，而在特定近期数据集子集中，AI参与与影响因子呈正相关。
-
大型语言模型重塑科学探索、协作与分工
一项对2022年及以后科学出版物数据的分析显示，大型语言模型（LLMs）的广泛采用与科学研究的重大重组同时发生。科学家们越来越多地跨越智力上距离较远的领域进行发表，并探索新领域，特别是资深研究人员和来自非英语国家的科学家。该研究还表明，协作动态发生了转变，研究团队在角色上变得更加专业化和差异化，这表明朝着明确的职责分工迈进，并且在某些任务上可能减少对合著者（co-authors）的依赖。
-
MedPMC框架从文献中创建高保真医疗多模态数据集
研究人员开发了MedPMC，一个旨在从科学文献中创建高保真医疗多模态数据集的框架。该系统处理了PubMed Central的数百万篇文章，以整理图像-文本对，解决了现有医疗数据资源的局限性。MedPMC在各种医疗AI基准测试中表现出显著的改进，包括图像-文本分类和视觉问答，并且正在公开发布。
-
MedPMC框架为基础模型扩展医学图像-文本数据
研究人员开发了MedPMC，一个旨在系统化扩展高保真医学多模态数据以用于基础模型的框架。该自动化系统处理来自PubMed Central (PMC) 的许可文献，为医学AI创建强大的基础设施。MedPMC应用于超过610万篇文章，整理了1100万个图像-文本对，在图像和文本提取的组件评估中表现出强劲的性能。与现有的生物医学基线相比，使用MedPMC数据训练的模型在零样本AUC、医学视觉问答和形态学到图像检索方面有了显著的改进。
-
数千篇生物医学论文中发现AI生成的引文
《柳叶刀》近期发表的一项研究显示，生物医学期刊文章中的AI伪造引文显著增加。研究人员开发了一个AI驱动的系统来分析超过240万篇论文，在2023年至2026年初的2800篇文章中发现了超过4000个伪造的参考文献。这种趋势在综述文章中尤为普遍，可能与LLM幻觉有关，研究期间每篇论文的伪造引文数量增加了12倍以上。
-
AI幻觉将虚假引文插入科学论文
人工智能工具越来越多地在学术论文中插入虚构的参考文献，这种现象有损科学过程。一项对生物医学文献的研究发现，近3000篇论文中存在超过4000个虚假引文，自2024年以来此类错误的发生率急剧上升。这些AI生成的错误会损害循证医学指南和患者治疗，因为研究基础层面的错误会沿着整个知识链传播。
-
开发者在印度健康文献上对RAG管道进行基准测试
一位开发者正在构建一个系统，使用印度公共卫生文献来对检索增强生成（RAG）管道进行基准测试。该平台将比较三种AI检索方法在约9000篇研究论文上的表现，并评估它们的token使用量、成本、延迟和质量得分等指标。解决的核心问题是RAG在处理需要连接不同概念的多跳问题时的困难，而传统向量搜索常常无法做到。
-
使用多模态图像进行医学思考
研究人员开发了MIRAGE系统，旨在通过检索和生成多模态医学图像和文本来辅助医学教育。MIRAGE利用了经过微调的CLIP模型（MedICaT-ROCO）和扩散模型（Prompt2MedImage），允许用户根据文本提示查找或创建相关图像。此外，一个大型语言模型（Dolly-v2-3b）提供了丰富的描述，并且该系统支持对不同医学状况进行视觉比较。其目标是为全球医学生提供一个免费、易于访问且交互式的学习工具，该工具完全基于公开可用的预训练模型构建。
-
新的AI模型和数据集推动了眼科和外科手术中视觉语言能力的发展
研究人员推出了PubMed-Ophtha，这是一个包含从科学文献中提取的超过10万对眼科图像-字幕的新数据集。该数据集旨在解决医学领域训练视觉语言模型高质量数据稀缺的问题。提取过程包括对PDF中的图进行详细分解、对成像模态进行标注以及复杂的基于LLM的字幕分割，在检测和提取任务中实现了高精度。
-
新研究通过新颖方法和基准解决大语言模型幻觉问题
多篇在arXiv上发布的研究论文解决了大型语言模型和视觉-语言模型中的幻觉挑战。一篇论文介绍了上下文内视觉对比优化（IC-VCO），通过在共享上下文中利用对比图像和新颖的样本编辑策略来减轻多模态幻觉。另一项研究调查了影响幻觉鲁棒性的架构因素，对幻觉进行分类并为模型设计提供指导。此外，还提出了一个新的框架BenHalluEval，用于评估和检测孟加拉语模型中的幻觉，突显了现有方法在低资源语言上的不足。其他研究则将幻觉检测重新构建为分布外…