EpiLens: Lightweight RAG for Epidemiological Knowledge Acquisition
作者: Vincenzo Perri, Ciro Cattuto, Daniela Paolotti
分类: cs.CL, cs.DL, physics.soc-ph
发布日期: 2026-10-19
💡 一句话要点
提出EpiLens以解决流行病学知识获取问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 流行病学 文献检索 知识获取 自动化分类 机器学习
📋 核心要点
- 现有方法在文献梳理上效率低下，手动处理大量文献耗时且易出错。
- EpiLens通过固定的检索模板和输出模式，自动化文献分类和信息提取，提高了效率和准确性。
- 实验结果表明，EpiLens的分类器在多个任务中表现优异，尤其在模型基础论文的标注上，显示出较高的准确性。
📝 摘要（中文）
为了应对未来的疫情爆发，研究人员需要了解已有的研究和所用数据。然而，手动梳理大量文献的过程缓慢，而大型语言模型可能会错误陈述或混淆来源。本文提出了EpiLens，一个轻量级的开源检索增强生成工具包，应用固定的检索模板和输出模式于文献库中的每篇论文，并将输出与源段落链接。我们构建了一个包含2297篇论文的文献库，并将EpiLens的论文分类工作流程与214篇手动标注的论文进行了评估。该分类器在四个任务中匹配或超越了测试的监督和零样本基线。研究的早期提取表引用了327个估计的已发表来源，并将每个估计链接到引用文献或综述中包含的研究。
🔬 方法详解
问题定义：本文旨在解决流行病学文献梳理的低效问题，现有方法在处理大量文献时存在速度慢和准确性不足的痛点。
核心思路：EpiLens采用固定的检索模板和输出模式，自动化处理文献，确保信息提取的高效性和一致性。这样的设计使得研究人员能够快速获取所需信息，减少手动处理的错误。
技术框架：EpiLens的整体架构包括文献检索模块、分类器和输出链接模块。文献检索模块负责从文献库中提取相关论文，分类器对提取的论文进行分类，输出链接模块则将分类结果与源文献段落进行关联。
关键创新：EpiLens的主要创新在于其轻量级的设计和固定的输出模式，使得在没有任务特定训练数据的情况下，分类器仍能在多个任务中表现出色，超越传统的监督学习和零样本学习方法。
关键设计：在设计上，EpiLens使用了固定的检索模板，确保了输出的一致性。同时，分类器的训练没有依赖于特定的任务数据，这一设计使得其在多种流行病学参数和病原体的文献分类中都能保持较高的准确性。
🖼️ 关键图片
📊 实验亮点
EpiLens的分类器在四个任务中表现优异，匹配或超越了现有的监督和零样本基线，尤其是在模型基础论文的标注上，标注的模型基础论文比例为54%，而手动标注为62%。该工具在不同病原体的文献分类中显示出一致性，特别是在与传染病相关的参数上。
🎯 应用场景
EpiLens可广泛应用于流行病学研究、公共卫生政策制定及相关领域，帮助研究人员快速获取和分析文献数据，提升疫情应对能力。未来，该工具可能在其他科学领域的文献梳理中发挥重要作用，推动知识获取的自动化进程。
📄 摘要（原文）
To prepare for future outbreaks, researchers need to know what studies have been done and what data they use. Mapping a large literature by hand is slow, while large language models alone can misstate or conflate sources. We present EpiLens, a lightweight, open-source retrieval-augmented generation package that applies a fixed retrieval template and output schema to every paper in a corpus and links outputs to source passages. We build a corpus of 2,297 papers from the sources of a multi-pathogen parameter study and evaluate EpiLens's paper-classification workflow against 214 manually labelled papers. Without task-specific training data, the classifier matches or exceeds the tested supervised and zero-shot baselines across four tasks. The study's early extraction sheets cite published sources for 327 estimates. We link each estimate to a cited document or to corpus studies included by a review. Then, we use the classifier's labels to compare the papers associated with different parameters and pathogens. EpiLens labels more papers linked to reproduction numbers than fatality risks as model-based (54% versus 22%, compared with 62% versus 24% in the manual labels). The gap is consistent with the frequent use of transmission models to estimate reproduction numbers and persists within each of five pathogens compared. Beyond the contrast between parameters, the model-based share of papers linked to incubation-period estimates differs by pathogen: 55% for SARS-CoV-2 versus 6% for mpox.