Publication Trend Analysis and Synthesis via Large Language Model: A Case Study of Engineering in...

文章核心总结与翻译

一、主要内容

文章提出一种基于大型语言模型（LLM）的混合分析框架，用于量化科学文献的主题趋势和跨学科关联。以《美国国家科学院院刊》（PNAS）2005-2024年间发表的1519篇工程类文章为研究对象，通过两阶段分类流程：先基于摘要进行主主题分类，再通过全文分析完成次主题标注，最终结合传统自然语言处理（NLP）方法（如BoW、TF-IDF）验证结果，并通过二分图呈现主题间的潜在关联。研究发现该框架可自主还原期刊的隐性分类结构，揭示工程学与生物学、医学等领域的跨学科联系，同时识别出组织工程、诊断技术、材料科学等核心研究主题及其时间演化特征。

二、创新点

1. 提出“摘要主分类+全文次分类”的两阶段流程，突破传统仅依赖摘要或关键词的分析局限，捕捉文献中的隐性主题关联。
2. 融合LLM的语境理解能力与传统NLP的统计验证优势，既解决了关键词稀疏性问题，又通过BoW、c-TF-IDF等方法确保分类结果的可靠性。
3. 采用二分图和邻接矩阵可视化主题间的不对称依赖关系，清晰呈现工程学作为基础学科与其他领域的交叉模式，无需预先知晓期刊分类规则。
4. 验证了LLM在科学文献元研究中的潜力，可自动生成通俗易懂的主题标签，同时动态追踪研究趋势的演化。

三、核心部分翻译（Markdown格式）

Abstract（摘要）

科学文献正日益受到复杂语言、静态学科结构和潜在稀疏关键词