[論文レビュー] SciAssess: Benchmarking LLM Proficiency in Scientific Literature Analysis

Hengxing Cai, Xiaochen Cai+21 more|arXiv (Cornell University)|Mar 4, 2024

Library Science and Information Systems被引用数 13

ひとこと要約

SciAssess は、分野を横断する科学文献における記憶、理解、分析を評価するためのベンチマークであり、厳格な品質管理と多模态の考慮を備えています。

ABSTRACT

Recent breakthroughs in Large Language Models (LLMs) have revolutionized scientific literature analysis. However, existing benchmarks fail to adequately evaluate the proficiency of LLMs in this domain, particularly in scenarios requiring higher-level abilities beyond mere memorization and the handling of multimodal data. In response to this gap, we introduce SciAssess, a benchmark specifically designed for the comprehensive evaluation of LLMs in scientific literature analysis. It aims to thoroughly assess the efficacy of LLMs by evaluating their capabilities in Memorization (L1), Comprehension (L2), and Analysis \& Reasoning (L3). It encompasses a variety of tasks drawn from diverse scientific fields, including biology, chemistry, material, and medicine. To ensure the reliability of SciAssess, rigorous quality control measures have been implemented, ensuring accuracy, anonymization, and compliance with copyright standards. SciAssess evaluates 11 LLMs, highlighting their strengths and areas for improvement. We hope this evaluation supports the ongoing development of LLM applications in scientific literature analysis. SciAssess and its resources are available at \url{https://github.com/sci-assess/SciAssess}.

研究の動機と目的

• 科学文献分析における LLM の記憶、理解、および分析を評価するベンチマークを定義する。
• 現実の文献課題を反映するため、幅広い科学分野とタスクを網羅する。
• 信頼性を確保するため、厳格な品質管理、匿名化、および著作権遵守の対策を実施する。

提案手法

• Bloomの分類に合わせた三層の能力フレームワーク：記憶（L1）、理解（L2）、分析/推論（L3）。
• True/False、Multiple-Choice、Table Extraction、Constrained Generation、Open-ended Generation を含む多様なタスクタイプ。
• 一般的な化学、合金材料、有機材料、創薬、生物学を含む広範なドメインカバーで、広い代表性を確保。
• 現在の科学的探究を反映する、公開アクセス可能な出版物およびデータベースからの生データの調達。
• 正確性を確保するための専門家によるクロスバリデーションと、プライバシーと著作権遵守のための機微情報の匿名化スクリーニング。

実験結果

リサーチクエスチョン

• RQ1 科学文献における記憶、理解、推論の能力と限界は、現在の LLM にはどのようなものがありますか？
• RQ2 さまざまな科学分野とマルチモーダルデータソースにおいて、LLM はどのように性能を発揮しますか？
• RQ3 文献分析において、最先端の LLM にとって最も難しい領域（記憶、理解、分析）はどれですか？
• RQ4 SciAssess のようなベンチマークは、科学文献分析のための LLM の開発と展開にどのように情報を提供できますか？
• RQ5 科学分野における信頼性が高く法的にも適合したベンチマークを確保するために、どのような品質管理の実践が必要ですか？

主な発見

• SciAssess は LLM（例：GPT-4、GPT-3.5、Gemini）を評価し、強みと改善の余地を特定します。
• このベンチマークは、三つの漸進的な能力レベル（L1–L3）を統合して、文学分析における特定の能力を診断します。
• 広範なドメインと5種類の質問タイプを用いて、科学文献の多様な課題を捉えます。
• データは公開出版物とデータベースから綿密に選定され、専門家の検証と匿名化を経てプライバシーおよび著作権遵守を確保します。
• 正確性チェック、匿名化、著作権保護などの品質管理プロセスが強調され、信頼性と法的・倫理的整合性を確保します。
• このフレームワークは、科学文献を分析・統合・推論する能力の向上を促進することを目的としています。