AI 辅助科研数据探索：新工具 SciClaim2Explore 亮相 JCDL
发布日期：2026 年 10 月 15 日
来源机构：莱布尼兹科学与技术信息中心（TIB）
阅读科学文献与深入探究其背后的原始数据之间存在显著鸿沟。即便研究论文提供了支持数据集的访问权限，用户往往仍需经历下载文件、解析数据结构以及编写代码等繁琐步骤，才能回答后续的科学问题。
针对这一痛点，莱布尼兹科学与技术信息中心（TIB）的研究团队开发了一款名为 SciClaim2Explore 的新工具。该工具允许用户通过自然语言提问，直接查询和探索支持特定科学结论的数据集。相关成果已在《第 26 届 ACM/IEEE 数字图书馆联合会议记录》（JCDL 2026）上发表。
技术原理与功能特性
SciClaim2Explore 由 Hadi Ghaemi、Zakieh Alizadehsani 和 Markus Stocker 共同开发，基于 TIB 知识织机（Knowledge Loom）构建。这是一个开放的科学数字图书馆平台，旨在将科学陈述与其支持数据、代码及方法论紧密连接。
该工具的核心交互界面为简单的问答系统。当用户提出问题时，人工智能模块会将自然语言转换为数据库查询语句，在关联的支持数据中检索并返回结果表格。在适当情况下，系统还会生成数据可视化图表。此外，为了保障透明度，用户可以查看自动生成的 SQL 查询语句，从而理解答案是如何得出的。
除了直接回答问题，该工具还支持以下功能：
- 复制报告中呈现的结果；
- 比较数据集中的不同组别；
- 探索原始文章未讨论的数据趋势。
准确性挑战与测试结果
研究人员指出，利用 AI 进行数据查询面临的最大挑战在于确保模型访问正确的数据集。测试发现，通过将每个问题与特定的科学发现及其关联数据集进行精确链接，可以有效消除因查询错误数据集而导致的幻觉或错误，进而提高 AI 回答的准确性。
然而，即使指向了正确的数据集，系统的可靠性仍有提升空间。数据显示，主要工作流程中仅有约 62% 至 67% 的问题得到了正确回答。这一结果既展示了让研究证据更易被探索和复用的前景，也强调了用户在依赖此类工具时，仍需人工核查分析结果是否真正回应了其科学问题的必要性。
应用价值
对于科研人员而言，SciClaim2Explore 的实际意义在于降低了数据复用的门槛。当科学发现与支持数据建立明确联系后，用户可以通过简单的语言指令来调查差异、比较观察结果或挖掘潜在趋势。由于工具公开了底层查询逻辑，这种透明性有助于增强研究的可重复性。
参考文献：Hadi Ghaemi et al., "SciClaim2Explore: Claim-Oriented Exploration of Scientific Data Evidence," Proceedings of the 26th ACM/IEEE Joint Conference on Digital Libraries (2026). DOI: 10.1145/3805696.3846517
