A Survey of Large Language Models in Discipline-specific Research: Challenges, Methods and Opportunities

📄 arXiv: 2507.08425v1 📥 PDF

作者: Lu Xiang, Yang Zhao, Yaping Zhang, Chengqing Zong

分类: cs.CL

发布日期: 2025-07-11

期刊: Lu XIANG, Yang ZHAO, Yaping ZHANG, Chengqing ZONG, "A Survey of Large Language Models in Discipline-specific Research: Challenges, Methods and Opportunities", Studies in Informatics and Control, ISSN 1220-1766, vol. 34(1), pp. 5-24, 2025

DOI: 10.24846/v34i1y202501

💡 一句话要点

综述性研究：分析大语言模型在跨学科研究中的挑战、方法与机遇

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 跨学科研究 监督微调 检索增强生成 代理方法 工具使用 学科应用 综述

📋 核心要点

  1. 现有研究缺乏对LLM在跨学科领域应用的系统性理解，阻碍了其更广泛的应用和发展。
  2. 该综述从技术和应用两个角度，对LLM在不同学科中的应用方法和贡献进行了全面梳理和分类。
  3. 通过分析现有挑战和未来研究方向，为研究人员在跨学科背景下使用LLM提供了指导和参考。

📝 摘要（中文）

大型语言模型（LLM）已在众多学科研究中展现出变革潜力，重塑了现有的研究方法并促进了跨学科合作。然而，对于LLM如何系统地融入不同学科，目前尚未进行充分探索。本综述全面概述了LLM在跨学科研究中的应用，从技术角度和适用性角度对研究工作进行了分类。从技术角度来看，本文考察了诸如监督微调、检索增强生成、基于代理的方法和工具使用集成等关键方法，这些方法增强了LLM在特定学科环境中的适应性和有效性。从适用性的角度来看，本文探讨了LLM如何为数学、物理、化学、生物学以及人文和社会科学等各个学科做出贡献，展示了它们在特定学科任务中的作用。本文批判性地考察了当前存在的挑战，并在LLM的最新进展基础上，重点介绍了有希望的研究方向。通过全面概述该领域的技术发展和应用，本综述旨在为在跨学科研究背景下探索LLM复杂前景的研究人员提供宝贵的资源。

🔬 方法详解

问题定义：现有方法未能充分理解和系统化地整合大型语言模型（LLM）到各个学科的研究中。这导致研究人员难以有效地利用LLM解决特定学科的问题，并且缺乏对LLM在跨学科研究中潜力的全面认识。现有方法在适应不同学科的特定需求和挑战方面存在局限性。

核心思路：该综述的核心思路是对LLM在跨学科研究中的应用进行系统性的梳理和分类，从技术角度（如微调、检索增强生成等）和应用角度（如数学、物理、人文社科等）两个维度进行分析。通过这种分类，可以更清晰地了解LLM在不同学科中的应用方式、面临的挑战和未来的发展方向。

技术框架：该综述的技术框架主要包括以下几个方面：1) 对LLM在不同学科中的应用进行文献调研和收集；2) 从技术角度对LLM的应用方法进行分类，包括监督微调、检索增强生成、基于代理的方法和工具使用集成等；3) 从应用角度对LLM的应用领域进行分类，包括数学、物理、化学、生物学以及人文和社会科学等；4) 分析LLM在跨学科研究中面临的挑战，并提出未来的研究方向。

关键创新：该综述的关键创新在于其系统性和全面性。它不仅对LLM在跨学科研究中的应用进行了全面的梳理，而且从技术和应用两个角度进行了深入的分析。这种多维度的分析方法有助于研究人员更全面地了解LLM在跨学科研究中的潜力和局限性。

关键设计：该综述的关键设计在于其分类框架。通过将LLM的应用分为技术角度和应用角度，可以更清晰地了解LLM在不同学科中的应用方式和面临的挑战。此外，该综述还对LLM在跨学科研究中面临的挑战进行了深入的分析，并提出了未来的研究方向，为研究人员提供了有价值的参考。

📊 实验亮点

该综述总结了LLM在数学、物理、化学、生物学、人文社科等多个学科的应用案例，展示了LLM在解决学科特定问题方面的潜力。例如，在数学领域，LLM可以辅助定理证明和公式推导；在生物学领域，LLM可以用于蛋白质结构预测和药物发现。这些案例表明，LLM在跨学科研究中具有广阔的应用前景。

🎯 应用场景

该研究成果可应用于指导研究人员在各自学科中有效利用LLM，促进跨学科合作，并加速科研创新。它为LLM在教育、医疗、金融等领域的应用提供了理论基础和实践指导，有助于推动这些领域的智能化发展。

📄 摘要（原文）

Large Language Models (LLMs) have demonstrated their transformative potential across numerous disciplinary studies, reshaping the existing research methodologies and fostering interdisciplinary collaboration. However, a systematic understanding of their integration into diverse disciplines remains underexplored. This survey paper provides a comprehensive overview of the application of LLMs in interdisciplinary studies, categorising research efforts from both a technical perspective and with regard to their applicability. From a technical standpoint, key methodologies such as supervised fine-tuning, retrieval-augmented generation, agent-based approaches, and tool-use integration are examined, which enhance the adaptability and effectiveness of LLMs in discipline-specific contexts. From the perspective of their applicability, this paper explores how LLMs are contributing to various disciplines including mathematics, physics, chemistry, biology, and the humanities and social sciences, demonstrating their role in discipline-specific tasks. The prevailing challenges are critically examined and the promising research directions are highlighted alongside the recent advances in LLMs. By providing a comprehensive overview of the technical developments and applications in this field, this survey aims to serve as an invaluable resource for the researchers who are navigating the complex landscape of LLMs in the context of interdisciplinary studies.