Automated Analysis Framework for Multilingual Climate-Health Literature Based on Multi-Agent Large Language Model
作者: Yuze Sun, Shihui Zhang, Jiancheng Pan, Yunjia Ye, Wentao Luo, Jiahao Li, Quan Zhang, Wenjia Cai, Xiaomeng Huang
分类: cs.AI
发布日期: 2026-08-28
💡 一句话要点
提出多代理大语言模型框架以解决气候健康文献分析问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 气候健康 文献分析 多语言处理 自动化框架 大语言模型 信息提取 多代理系统
📋 核心要点
- 现有的手动分析和单一算法方法在处理跨学科和多语言文献时效率低、可扩展性差，难以满足气候健康领域的需求。
- 本文提出了一种多代理大语言模型的自动化分析框架，通过模拟领域专家的思维，实现文献分析的全流程自动化。
- 在验证实验中，该框架在核心信息提取任务中取得了0.92的F1得分，显著提升了文献分析的效率和准确性。
📝 摘要（中文）
随着跨学科和多语言科学文献的快速增长，传统的手动分析和单一算法方法面临效率低、可扩展性差和领域适应性不足等问题。针对气候健康领域的文献分析需求，本文提出了一种基于多代理大语言模型的自动化分析框架，实现了文献筛选、结构化信息提取和标准化整合的全流程自动化。该框架以中央协调模块为核心，部署了三个专用代理进行文档评估、信息提取和分析审查，模拟领域专家的文献分析思维，并采用四层幻觉控制策略和人工验证程序，确保分析结果的准确性和可靠性。经过验证，该框架在覆盖1993至2023年中国的32,642篇气候健康论文的双语语料库上，核心信息提取的F1得分达到0.92，完成了2,012个城市与文献的关联对的提取和标准化，为气候健康研究领域的大规模证据挖掘提供了有效的技术支持。
🔬 方法详解
问题定义：本文旨在解决传统文献分析方法在处理气候健康领域多语言文献时的低效率和适应性不足的问题。现有方法往往依赖人工分析，难以应对文献数量的快速增长。
核心思路：提出的框架通过多代理系统模拟领域专家的分析思维，利用大语言模型实现文献分析的全自动化，提升分析效率和准确性。
技术框架：整体架构包括中央协调模块和三个专用代理，分别负责文档评估、信息提取和分析审查。框架采用四层幻觉控制策略，结合人工验证，确保结果的可靠性。
关键创新：最重要的创新在于多代理系统的设计，通过分工合作提升了文献分析的效率和准确性，与传统单一算法方法相比，具有更好的适应性和可扩展性。
关键设计：框架中采用了四层幻觉控制策略，确保信息提取的准确性，并结合人工验证程序，提升了结果的可信度。
🖼️ 关键图片
📊 实验亮点
在验证实验中，该框架在核心信息提取任务中取得了0.92的F1得分，成功提取并标准化了2,012个城市与文献的关联对，显著提升了文献分析的效率和准确性，为气候健康研究提供了强有力的技术支持。
🎯 应用场景
该研究的自动化分析框架可广泛应用于气候健康领域的文献挖掘与分析，帮助研究人员快速获取和整合相关信息，支持政策制定和科学研究。未来，该框架还可扩展至其他跨学科领域，推动多语言文献的智能分析与应用。
📄 摘要（原文）
The rapid proliferation of interdisciplinary and multilingual scientific literature has left traditional manual analysis and single-algorithm methods plagued by low efficiency, poor scalability, and insufficient domain adaptability. Targeting the literature analysis needs of the typical interdisciplinary climate-health field, this study proposes a multi-agent large language model automated analysis framework for multilingual scientific literature, which realizes full-process automation covering literature screening, structured information extraction, and standardized integration. With a central coordination module as the core, the framework deploys three dedicated agents for document evaluation, information extraction, and analytical review to mimic the literature analysis thinking of domain experts, and adopts a four-layer hallucination control strategy together with a manual verification procedure to ensure the accuracy and reliability of analytical outcomes. Validated on a bilingual Chinese-English corpus of 32,642 climate-health papers covering China from 1993 to 2023, the framework achieves an F1 score of 0.92 in core information extraction, and completes the extraction and standardization of 2,012 city-literature association pairs, offering effective technical support for large-scale evidence mining in the climate-health research domain.