Nature新发布的OpenScholar AI系统，基于4500万篇科学论文，解决了假引用问题。通过接入ScholarStore数据库，OpenScholar能准确检索和生成文献综述，显著提高引用精度和内容覆盖度。测试结果显示，其表现超越GPT-4o和人类专家，成为学术写作的新工具。

谷歌推出的AI科学家“科研搭子”利用高级推理加速科学发现，已在肝脏纤维化和抗菌耐药性等领域取得初步成果。科学家可通过提供研究主题与AI协作，AI通过自动化反馈生成高质量研究方案，展现出在药物再利用和新靶点识别方面的潜力，但文献综述和事实核查能力仍需改进。

本研究提出了“辩论树”框架，旨在解决科学发现的分散问题。该框架通过将科学论文转化为辩论角色，生成详细论证，促进论文比较和文献综述，实验结果表明其在提升批判性思维方面的有效性。

AMD推出的科研AI“Agent Laboratory”利用大语言模型实现文献综述、实验和报告撰写，科研费用节省84%。该系统由华人团队开发，o1-preview表现最佳，生成的代码达到SOTA性能，促进人类与AI的协同科研。

本研究评估了大型语言模型在文献综述写作中的能力，并提出了自动评估框架。尽管取得了一定进展，但高级模型仍难以避免生成虚构的参考文献，且不同模型在各学科的表现存在差异，为未来研究提供了重要见解。

本研究探讨了利用自然语言处理技术和大型语言模型的检索增强生成方法，自动生成文献综述。结果表明，GPT-3.5-turbo模型在文献综述生成中表现最佳，显示了其在文献自动化处理中的应用潜力。

本文探讨了大型语言模型（LLMs）在系统性文献综述中的应用，提出了PRISMA-DFLLM框架，以提高文献综述的效率和准确性。研究表明，LLMs能够自动化文献筛选和提取，显著减少人工工作量，并提升生成效率。案例研究验证了LLMs在学术出版中的潜力，呼吁更新PRISMA指南以整合AI驱动的过程，确保文献综述的透明性和可靠性。

本研究探讨了生成性人工智能（GenAI）在学术研究中的应用，强调其在创造性假设生成、数据分析和文献综述中的潜力，并提出了提高研究效率的建议，同时讨论了研究完整性和伦理方面的挑战。

本文探讨了大型语言模型（LLMs）在计算机科学和自然语言处理中的应用与挑战。研究显示，GPT-4在生成文献综述方面优于GPT-3.5，但LLMs仍面临数据偏见和伦理问题。提出了AutoSurvey工具以提高文献调查效率，并呼吁更新PRISMA指南以整合AI驱动的流程，确保研究的透明性和可靠性。

本文提出了PRISMA-DFLLM框架，结合大型语言模型与系统性文献综述，以提高文献综述的效率和可重复性。研究表明，尽管GPT-4表现优异，但在动态问题上仍需改进。通过自动化文献综述，研究展示了大型语言模型在学术研究中的潜力，并呼吁更新PRISMA指南，以整合AI驱动的过程，确保研究的透明性和可靠性。

本研究探讨了大型语言模型（LLMs）在文献综述中的应用，提出了一种高效的自动化系统，以减少人工筛选工作量并提高准确性。研究表明，经过精细调整的LLMs能够有效整合信息，解决幻觉问题，为科学研究提供可靠支持。同时，呼吁更新PRISMA指南，以确保AI驱动的文献综述方法的透明性和可靠性。

本文评估了基于Transformer的文献综述生成模型，发现自动生成的摘要已接近人工撰写，但仍面临幻觉和信息不足的挑战。同时，强调了多个数据集在自然语言处理中的应用，特别是对媒体偏见和新闻叙述结构的分析价值。

本研究提出了一种利用大型语言模型（LLM）进行文献综述的工具包，旨在减少文献综述的时间和工作量。通过整合开放科学和自然语言处理，自动生成高质量的非编码RNA文献摘要，证明LLM在多个临床文本摘要任务中优于人工专家，从而减轻医生文档负担，提升个性化患者护理。

本研究分析了引用筛选评估数据集的问题，提出了CSMeD解决方案，该方案集合了九个公开释放的文献综述集合的元数据集，提供了统一访问325个医学和计算机科学领域的系统化文献综述资源。同时，还介绍了用于评估全文出版物筛选任务的新数据集CSMeD-FT，并通过实验和建立新数据集的基线展示了CSMeD的实用性。