LitCurate: A Configuration-Driven AI-Assisted Framework for Scientific Database Construction with an Application to Lower-Mantle Equation-of-State Data
作者: Abin Shakya, Wilson Samuels, Dominica Wilson, Gioia A. Marchi, Israa Draz, Chenxing Luo, Renata M. Wentzcovitch
分类: cs.IR, cs.AI, physics.geo-ph
发布日期: 2026-08-27
备注: 26 pages, 7 figures
💡 一句话要点
提出LitCurate框架以解决科学数据库构建问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 科学数据库 文献策展 数据提取 机器学习 下地幔研究 开源框架 信息处理
📋 核心要点
- 现有方法在从大量文献中发现相关研究和提取信息时面临挑战，导致科学数据难以利用。
- LitCurate框架通过集成文献发现、筛选和信息提取，提供了一个可审计的阶段性策展流程，提升了数据的可用性。
- 应用LitCurate构建的下地幔状态方程数据库包含1,334条记录，显著提高了科学文献与机器可读数据的连接性。
📝 摘要（中文）
随着科学文献的增长，数十年的实验和计算结果为数据驱动和基于物理的建模提供了支持，但这些信息仍然被锁定在出版物中，难以用于大规模分析或科学软件。构建结构化数据库面临挑战，尤其是在大量文献中发现相关研究并提取具有科学背景的信息。本文提出了LitCurate，一个开源框架，通过可审计的阶段性策展工作流程，利用大型语言模型从文献中构建科学数据库。LitCurate集成了文献发现、相关性筛选、全文处理和结构化信息提取，同时保留中间结果和来源，允许研究人员检查和修订各个阶段。我们将LitCurate应用于构建下地幔状态方程数据库，包含来自205篇论文的1,334条记录，提供可搜索的网络应用程序。
🔬 方法详解
问题定义：本文旨在解决从科学文献中构建结构化数据库的挑战，现有方法难以有效发现相关研究并提取科学背景信息，导致数据利用率低下。
核心思路：LitCurate框架的核心思想是通过可审计的阶段性策展流程，利用大型语言模型进行文献的自动化处理，从而提高数据的可用性和可追溯性。
技术框架：LitCurate的整体架构包括文献发现、相关性筛选、全文处理和结构化信息提取四个主要模块。每个模块都保留中间结果，允许用户进行审查和修订。
关键创新：LitCurate的创新之处在于其可审计的策展流程，研究人员可以对自动化过程进行监督，而不是将其视为黑箱，从而提高了数据的透明度和可靠性。
关键设计：在设计中，LitCurate采用了大型语言模型进行信息提取，并设置了多层筛选机制，以确保提取信息的科学性和准确性，同时保留了数据来源的标记。
🖼️ 关键图片
📊 实验亮点
LitCurate成功构建了一个包含1,334条记录的下地幔状态方程数据库，数据来自205篇论文。该数据库通过可搜索的网络应用程序提供，显著提高了文献与机器可读数据的连接性，推动了科学分析和建模的效率。
🎯 应用场景
LitCurate框架的潜在应用领域包括科学研究、数据分析和计算建模等。通过将科学文献转化为可追溯的机器可读数据，研究人员可以更高效地进行数据驱动的研究，推动科学发现和技术进步。
📄 摘要（原文）
The growing scientific literature contains decades of experimental and computational results that could support data-driven and physics-based modeling, yet much of this infor- mation remains locked in publications and is not readily usable for large-scale analysis or sci- entific software. Building structured databases from the literature is particularly challenging whenrelevantstudiesmustfirstbediscoveredamonglargecollectionsofpapersandreported quantities must be extracted with enough scientific context to remain usable. We present LitCurate, an open-source framework for building scientific databases from the literature using large language models within an auditable, stage-wise curation workflow. LitCurate integratesliteraturediscovery, relevancescreening, full-textprocessing, andstructuredinfor- mation extraction while retaining intermediate results and provenance, allowing researchers to inspect and revise individual stages rather than treating automated curation as a black- box process. We apply LitCurate to construct an equation-of-state database of lower-mantle and lower-mantle-relevant high-pressure mineral phases from experimental and theoretical studies, comprising 1,334 entries from 205 papers. The resulting dataset links reported equation-of-state parameters to mineral phases, compositions, equation formulations, meth- ods, and parameter constraints, and labels values as source-reported or citation-reported when provenance can be determined. The records are available through a searchable web application. By connecting scientific literature to traceable, machine-readable data, LitCu- rate provides a reusable approach for transforming accumulated literature into resources for scientific analysis and computational modeling.