LLM4SR: Een Overzicht van Grote Taalmodellen voor Wetenschappelijk Onderzoek

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

Samenvatting

In de afgelopen jaren heeft de snelle vooruitgang van Grote Taalmodellen (GTM's) het landschap van wetenschappelijk onderzoek getransformeerd, waarbij ongekende ondersteuning wordt geboden in verschillende fasen van de onderzoekscyclus. Dit artikel presenteert de eerste systematische enquête die gewijd is aan het verkennen van hoe GTM's de wetenschappelijke onderzoeksprocessen revolutioneren. We analyseren de unieke rollen die GTM's spelen in vier kritieke onderzoeksfases: hypotheseontdekking, experimentplanning en -uitvoering, wetenschappelijk schrijven en peer reviewen. Onze review toont uitgebreid de taakspecifieke methodologieën en evaluatiecriteria. Door huidige uitdagingen te identificeren en toekomstige onderzoeksrichtingen voor te stellen, benadrukt deze enquête niet alleen het transformerende potentieel van GTM's, maar heeft ook tot doel onderzoekers en professionals te inspireren en te begeleiden bij het benutten van GTM's om wetenschappelijk onderzoek te bevorderen. De bronnen zijn beschikbaar op de volgende repository: 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