LLM4SR : Une enquête sur les grands modèles de langage pour la recherche scientifique

LLM4SR: A Survey on Large Language Models for Scientific Research

January 8, 2025

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

cs.AI

Résumé

Ces dernières années, l'avancée rapide des Grands Modèles de Langage (GML) a transformé le paysage de la recherche scientifique, offrant un soutien sans précédent à travers diverses étapes du cycle de recherche. Cet article présente la première enquête systématique dédiée à explorer comment les GML révolutionnent le processus de recherche scientifique. Nous analysons les rôles uniques joués par les GML à travers quatre étapes critiques de la recherche : la découverte d'hypothèses, la planification et la mise en œuvre d'expériences, l'écriture scientifique et l'évaluation par les pairs. Notre revue présente de manière exhaustive les méthodologies spécifiques aux tâches et les critères d'évaluation. En identifiant les défis actuels et en proposant des orientations pour la recherche future, cette enquête met en lumière non seulement le potentiel transformateur des GML, mais vise également à inspirer et guider les chercheurs et praticiens dans l'utilisation des GML pour faire progresser l'enquête scientifique. Les ressources sont disponibles sur le dépôt suivant : 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