AI如何提取科研论文中的实验数据？

定义：从论文里抽实验数据到底在抽什么

在高校课题组语境里，用人工智能提取科研论文中的实验数据，是指：在授权范围内，把表格、图注和正文中的可核验数值，转成带字段名、单位、条件、来源定位和状态标记的结构化记录。它服务的是文献证据整理、材料或条件对照、复现准备和后续统计分析，而不是让模型“读完论文后直接给出科学事实”。一条合格记录至少要能回答：这是哪个量、在什么样品或条件下、原文怎么写、现在是候选还是已核验、谁在何时确认。

抽取对象通常不是整篇论文的叙事，而是一组事先定义的字段。常见字段包括：研究问题或任务标签、材料或样品、实验条件、观测指标、数值、单位、不确定度或误差、样本量、统计方法、对照组、图表编号，以及对应的页码、段落、表格行列或图注坐标。字段可以按学科增删，但增删必须写进字段字典，不能由模型在运行时临时发明列名。没有字典的抽取，验收时无法判断对错，只能看演示是否“抽得出来”。

它不是什么

• 它不是把订阅全文一键导入后，自动生成可投稿的结果表。
• 它不是用一次对话里的“准确率很高”代替评测集和误差分析。
• 它不是允许低置信度记录静默写入数据库，事后再补责任人。
• 它不是学生作业抽表、仪器原始曲线归档和未发表实验记录的混用通道。
• 它也不是学位过程里的代写：学生论文中的实验数据仍须本人取得并核验，规范见论文使用AI的制度方法，不能用文献抽取结果冒充本人实验。

和文献知识库相比，抽取更靠近“数字能否进入计算”。知识库侧重授权、题录、方法和结论的可检索卡片；抽取则要把可计算字段从卡片里再拆一层，并承受单位、有效数字和表图冲突。论文库怎么建、全文能不能解析，应先看大规模论文如何建立科研知识库。抽取结果怎样固定版本、怎样与基线或新实验对照，应接着看AI4S如何保证结果可复现。产品侧可用AI4S科学智能科研创新平台承接队列、定位和审计，但字段对错仍由学科确认。

为什么必须先定义字段、评测集和人工确认

课题组真正被抽取功能伤害的，往往不是“抽不出来”，而是“抽出来了却无法证明它对”。四类业务问题会同时出现，必须在立项时写进任务说明书。

第一，表、图、文经常不一致。同一指标可能出现在主表、附表、误差棒图注和结果段复述里，数值会因四舍五入、不同批次或不同归一化而不完全相同。如果系统把三类来源揉成一条“综合值”，后面的回归分析会显得完整，却无法回答采用了哪一处原文。分开处理并保留定位，不是技术偏好，而是为了在冲突时回到可核对的单元格或句子。

第二，单位和同义字段会在无人察觉时放大误差。摄氏度与开尔文、质量百分数与摩尔分数、每克与每千克、IC50 与 EC50、同一材料的商品名与化学名，只要自动合并时不留规则，下游就会把不可比的数放进同一列。单位错误比完全抽空更危险：空值会被人发现，错单位会在汇总图里看起来“很平滑”。因此换算和合并必须可追溯，抽查时能看到原文写法和规则编号。

第三，模型会漏提，也会幻觉出表格里没有的数。漏提会让荟萃分析偏向“容易读的表”；幻觉会把不存在的对照组或显著性写进候选库。没有评测集，这两类错误都无法定量讨论。评测集不必一开始就覆盖全部文献，但必须先有小样本、有标注规则、有错误分类。任何对外口头承诺的效果数字，本文都不提供；须用小样本评测后报告，并写明语料、字段和标注人。

第四，静默入库会把责任从研究者转移到“系统已经写进库”。一旦候选进入分析库、仪表盘或共享基准，后续使用者很难知道哪一行还没人看过。科研结论需要签字人，抽取流水线也需要状态：候选、待核验、已确认、已拒绝、需重抽。没有状态的宽表，不能当作分析输入。

实践中还常见三类偏差，立项会上应提前排除。一是把演示用的三张干净表格当成建设完成，却从未在多栏表、跨页表、扫描件和图注上评测。二是只用模型自报的置信度决定是否入库，不设人工队列，导致高自信的单位错误直接进入统计。三是把未授权全文、合作方中试表和未发表实验记录送进同一抽取服务，日志里也分不清来源。纠正这些偏差，不需要先换更大模型，需要先补字段字典、评测集、定位和核验队列。对照摘要见高校AI智库 · 实验数据抽取专题。

五步抽取：从评测集到版本留存

第一步：先做小样本评测，再谈扩大范围

在批量跑库之前，先冻结本任务的字段字典和标注说明，从拟处理语料中抽出可代表版式差异的小样本，由学科人员按同一规则标注。评测至少分开报告：字段级是否抽对、应抽未抽的漏提、单位或数量级错误、定位能否跳回原文。不要用“整体感觉能用”代替分类误差。小样本规模由学科决定，但规则是：没有评测报告，不得把抽取结果写入分析库，也不得在建设材料里填写未标明条件的准确率。须用小样本评测后报告。

第二步：对表格、图注、正文分别处理，并保留定位

三类通道使用不同的解析和核验策略。表格优先保留行列结构、表头层级和脚注；图注优先保留图号、坐标轴含义、图例和误差表达；正文优先保留段落、句号定位和与图表的交叉引用。每条记录必须带定位：页码加表格坐标，或段落标识，或图注编号。定位缺失的条目，即使数字看起来合理，也只能留在候选区。冲突时不得让模型“选一个更合理的数”后删除其余来源，而应并列保留，交给核验人判定采用哪一处。

第三步：单位换算和同义字段合并必须可追溯

标准单位和标准字段名可以存在，但原文写法不能丢。换算要记录规则编号、系数来源和是否经过人工确认；无法解释的自动换算视为未核验。同义合并要留下别名表：哪些写法被映射到同一字段，谁批准这张表，哪次抽取使用了哪一版。合并后的宽表如果不能跳回原文单元格，就不能进入可引用分析。

第四步：低置信度条目进入人工队列，禁止静默写入数据库

置信度可以用来排序核验，不能单独决定入库。建议默认：新抽取一律为候选；低置信度、表图冲突、单位不明、缺定位、跨栏表头的条目强制进入人工队列；只有核验通过且状态变为已确认的记录，才能被分析工作流读取。禁止后台任务在无人确认时把候选覆盖成“已清洗数据”。队列要能按字段、文献、核验人筛选，并记录退回原因。

第五步：抽取版本、模型版本和核验人一并保存

同一篇论文在字段字典升级、模型更换或解析器修复后，可能抽出不同结果。每次批量运行都要留下：语料版本、字段字典版本、模型或规则引擎名称与版本、提示词或配置哈希、运行时间和操作者。核验通过时保存核验人和时间；拒绝时保存理由。这些元数据是后续复现和投稿核对的前提，不能只保最终宽表。与工作流日志、数据卡如何对齐，见结果可复现要求。

比较：静默入库与核验队列

立项时最危险的方案，是把抽取流水线做成“抽完即入库”。下表用于区分静默入库和核验队列。学校可以先做小范围自动预填，但分析库的写入条件必须按右列检查，不能用左列的速度证明能力。

只按模型自报置信度过滤、没有人工队列，本质上仍接近静默入库：高自信的错单位会比低自信的正确值更早进入分析。置信度可以决定核验顺序，不能代替对照原文。一所学校可以对公开综述做预填、对拟写入论文的对照表走全量核验，但两套流量应共用同一字段字典和同一状态机，避免出现“演示库很干净、分析库来历不明”。

建设步骤：输入、角色、动作与输出

下列步骤按时间顺序排列。每一步都写出输入、责任角色、动作和输出，便于写入课题计划和验收清单。角色名称可按院系调整，但不能出现“只有厂商或只有模型、没有学科主责”。

1. 冻结抽取任务与字段字典

动作：写出字段名、定义、允许单位、同义写法、必填项和冲突处理规则；标明哪些字段一旦出错就会污染结论。输出：字段字典、任务边界和“暂不抽取”清单。没有字典不得采购“通用抽表引擎”作为唯一验收对象。

2. 授权盘点与小样本评测集

动作：只对授权范围内的全文、表格和图片做解析；其余保留题录。按标注说明制作评测集，覆盖跨页表、多级表头、图注和正文复述。输出：授权台账、评测集、标注指南和首轮误差分类。文献侧细节见科研知识库建设方法。准确率须用小样本评测后报告，不在计划书预填效果数字。

3. 分通道抽取并保留原文定位

动作：表格、图注、正文分开跑，记录页码、单元格或段落；表图冲突并列保留。输出：带定位的候选表、失败清单和无法解析对象列表。扫描件或复杂版式解析失败时，应标记需人工录入，而不是让模型估一个数。

4. 核验队列与状态流转

动作：低置信度、单位不明、缺定位、来源冲突的条目进入队列；通过、拒绝、退回重抽都留理由。输出：状态机说明、队列操作手册和禁止静默入库的接口约束。分析查询默认只读已确认记录。

5. 误差分析、版本固化与是否扩大

动作：按漏提、错字段、错单位、幻觉、定位失败分类；固定本次抽取版本和模型版本；决定是否扩大语料。输出：误差分析报告、版本清单、复测记录和扩大或停用决定。没有误差分析就宣布“可以支持荟萃分析”，只是扩大了不确定范围。

如果某一步缺少输出物，不要进入下一步批量抽取或对外共享宽表。尤其是没有授权台账就解析全文、没有评测集就宣传效果、没有核验人就开放分析接口，都会在投稿、检查或合作方审计时暴露。

字段字典、评测集和误差分析怎么写

字段字典是抽取能否被复测的合同。它把“把实验数据抽出来”改写成可判定的列。建议按“字段名—定义—示例—反例—单位—来源通道—是否关键”书写。示例和反例比同义词列表更重要：反例能阻止把显著性星号当成效应量、把图例颜色说明当成浓度。字典版本号必须进入每次运行的元数据；改字典等于改任务，需要重新评测，不能只热更新列名。

评测集至少应能区分的错误

• 字段错配：数值抽对，但挂到了相邻指标或相邻样品。
• 漏提：原文表中有、字段字典要求抽，结果缺失。
• 单位或数量级错误：数字表面相似，量纲或数量级已偏。
• 幻觉：原文表图不存在该数，或把正文估计值写成测定值。
• 定位失败：记录无法跳回对应单元格、图注或句子。
• 非法合并：把不可比条件或不同批次静默叠进同一单元格。

报告时分开给出上述类别，而不是只给一个总分。总分会掩盖“数字大多对、单位经常错”这类高风险模式。本文不给出、也不引用脱离语料和标注规则的准确率、召回率或“达到百分之多少即可上线”。须用小样本评测后报告，并同时写清：语料来源与授权、样本如何抽取、哪一版字段字典、哪一版模型或规则、谁标注、争议如何仲裁。换模型或换解析器后，用同一评测集复测，比较的是差异，不是宣传新分数。

人工确认规则建议写成可执行语句

确认不是“觉得差不多”。核验人应能在界面看到原文片段或表格截取、候选字段、单位和定位，并选择确认、修改后确认、拒绝或提交争议。关键字段——将被写入论文对照、进入共享基准或驱动下一步计算的字段——必须有高于日常预填的确认级别。修改后确认仍要保留模型原值和人工改值，便于误差分析，不能只留最终数。争议条目不得平均、不得取信更高的模型，必须回到原文或标记为无法采用。

抽取之后若进入计算、拟合或智能体编排，候选表和已核验表必须分字段或分库存放。工作流不得把“最新抽取”默认为生产输入。复现包里应能找到字段字典、评测集版本和本次核验范围，否则他人无法判断图表中的文献数字从何而来。方法上与可复现建设衔接：抽取是证据层，复现是运行层，二者缺一就不能把文献数字写进可对外辩护的结论。

交付物、验收与采购口径

核心交付物

• 字段字典和评测集：含定义、单位、反例、标注说明和小样本名单。
• 定位到原文的抽取结果：含表、图、文通道和坐标或段落标识。
• 人工核验队列：含状态流转、退回理由和关键字段加签。
• 误差分析报告：含漏提、错字段、错单位、幻觉和定位失败，须用小样本评测后报告。

验收应覆盖的条目

• 抽查条目能对上原文表格或图注，定位失败视为该条未通过。
• 单位错误可被发现：评测集中应包含至少一类已知错单位或易混单位样本。
• 未核验数据有状态标记，且分析接口默认排除候选和已拒绝。
• 不把抽取结果直接当实验事实：系统不得提供“一键写入论文结果”；正式结论有签署记录。
• 低置信度或冲突条目不能绕过队列；后台任务不能把候选覆盖为已确认。
• 授权范围可检查：未授权全文不能被批量抽取或导出宽表。
• 版本可复测：更换模型或字典后能重跑同一评测集并对照差异。

验收必须使用双方确认的文献样本和字段字典，而不是厂商自带的干净演示表。未通过项应列出缺陷、责任方和复测时间。采购参数按“对象—条件—期望—证据”书写，例如：在学校提供的小样本上提交误差分类报告；任意已确认记录可在约定界面跳回原文单元格；学生或外部账号无法导出其他课题组未授权抽取表。不要写唯一模型、无法验证的“理解论文能力”，也不要写脱离评测集的准确率承诺。

商务和技术附件还应包含：解析器与模型的等价替代说明、试运行周期、核验培训对象、数据退出和抽取表移交。成本只要求供应商按学校给出的文献量和字段假设测算，不在本文给出价格。平台能力可对照AI4S科学智能科研创新平台的数据协同与审计，但学科验收不能外包给产品演示。