LLM4SR: Eine Umfrage zu Großen Sprachmodellen für Wissenschaftliche Forschung

LLM4SR: A Survey on Large Language Models for Scientific Research

January 8, 2025

Autoren: Ziming Luo, Zonglin Yang, Zexin Xu, Wei Yang, Xinya Du

cs.AI

Zusammenfassung

In den letzten Jahren hat der rasante Fortschritt von Großen Sprachmodellen (GSM) die Landschaft der wissenschaftlichen Forschung verändert und bietet beispiellose Unterstützung in verschiedenen Phasen des Forschungszyklus. Dieser Artikel präsentiert die erste systematische Umfrage, die sich damit befasst, wie GSMs den wissenschaftlichen Forschungsprozess revolutionieren. Wir analysieren die einzigartigen Rollen, die GSMs in vier kritischen Phasen der Forschung spielen: Hypothesenfindung, Experimentplanung und -durchführung, wissenschaftliches Schreiben und Peer-Review. Unsere Übersicht zeigt umfassend die aufgabenspezifischen Methoden und Evaluierungskriterien auf. Durch die Identifizierung aktueller Herausforderungen und die Vorschläge für zukünftige Forschungsrichtungen hebt diese Umfrage nicht nur das transformative Potenzial von GSMs hervor, sondern zielt auch darauf ab, Forscher und Praktiker dazu zu inspirieren und anzuleiten, GSMs zur Förderung wissenschaftlicher Untersuchungen einzusetzen. Ressourcen sind im folgenden Repository verfügbar: https://github.com/du-nlp-lab/LLM4SR

English

In recent years, the rapid advancement of Large Language Models (LLMs) has transformed the landscape of scientific research, offering unprecedented support across various stages of the research cycle. This paper presents the first systematic survey dedicated to exploring how LLMs are revolutionizing the scientific research process. We analyze the unique roles LLMs play across four critical stages of research: hypothesis discovery, experiment planning and implementation, scientific writing, and peer reviewing. Our review comprehensively showcases the task-specific methodologies and evaluation benchmarks. By identifying current challenges and proposing future research directions, this survey not only highlights the transformative potential of LLMs, but also aims to inspire and guide researchers and practitioners in leveraging LLMs to advance scientific inquiry. Resources are available at the following repository: https://github.com/du-nlp-lab/LLM4SR