[论文解读] COVID-SEE: Scientific Evidence Explorer for COVID-19 Related Research
COVID-SEE 是一个基于网络的文献探索系统，通过将神经网络搜索与 PICO 结构化医学概念、主题及关系的交互式可视化相结合，增强了对 COVID-19 研究发现的探索能力。它使研究人员能够通过协调的桑基图、主题模型和概念云，探索关键主题、概念关系及文献集合，从而提升生物医学文献中信息的可发现性与探索性搜索效率。
We present COVID-SEE, a system for medical literature discovery based on the concept of information exploration, which builds on several distinct text analysis and natural language processing methods to structure and organise information in publications, and augments search by providing a visual overview supporting exploration of a collection to identify key articles of interest. We developed this system over COVID-19 literature to help medical professionals and researchers explore the literature evidence, and improve findability of relevant information. COVID-SEE is available at http://covid-see.com.
研究动机与目标
- 为解决现有工具仅返回排序文献列表的不足，支持研究人员在 COVID-19 文献中进行交互式科学证据探索。
- 通过整合生物医学概念的可视化、主题化和关系化视图，支持医学研究人员在聚焦搜索与探索性搜索之间灵活切换。
- 利用 PICO 分类（人群、干预措施、对照组、结局）对 CORD-19 中的信息进行结构化与组织化，以增强临床相关性。
- 通过可视化概念关系、主题及关键术语在文献集合中的分布，提升相关文献的可发现性与可导航性。
- 提供统一界面，结合神经检索与多种协调的可视化方式，以支持证据发现。
提出的方法
- 利用来自 covidex.ai 的预训练神经搜索引擎，从 CORD-19 数据集中实现高精度检索。
- 应用基于 PICO 的分类方法，从文章文本中提取并结构化医学概念（如人群、干预措施、结局等）。
- 使用桑基图可视化 PICO 概念之间的加权关系，并通过可点击链接检索支持性文献。
- 在医学概念上训练全局主题模型，以生成文献集合的主题可视化。
- 为每篇文献生成动态概念云，突出显示关键术语，支持文献层面的探索。
- 集成用户资料夹功能，用于保存、版本控制和重新激活选定的文献集合，以支持进一步分析。
实验结果
研究问题
- RQ1交互式可视化在提升 COVID-19 文献中相关科学证据的发现与导航方面，能发挥何种作用？
- RQ2PICO 结构化概念关系在多大程度上能增强搜索结果的可解释性与实用性？
- RQ3协调的多视图可视化（概念关系、主题、概念云）能否支持更高效的生物医学文献探索性搜索？
- RQ4将神经检索与结构化概念可视化相结合，在证据发现方面是否优于标准文档检索？
- RQ5视觉摘要在帮助研究人员识别大规模科学文献集合中的关键发现与关系方面，发挥何种作用？
主要发现
- COVID-SEE 成功实现了神经检索与多视图可视化的集成，使研究人员能够在统一界面中探索概念关系、主题及关键术语。
- 桑基图有效凸显了关键的 PICO 关系，通过可点击链接可查看支持性文献，该功能在检索 'COVID-19 潜伏期' 的 58 篇文献中得到验证。
- 主题可视化模型能够识别并展示检索到的文献集合中的主题聚类，支持主题层面的探索。
- 概念云视图提供了简洁的文献级关键术语摘要，有助于快速评估文献内容。
- 与基线检索相比，该系统在探索性搜索中表现更优，使用户能够流畅地在聚焦查询与广泛概念探索之间切换。
- 用户资料夹功能支持对选定文献的持久追踪与重新分析，有助于实现迭代式研究工作流。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。