Los grandes modelos de lenguaje pueden extraer datos morfológicos de las descripciones taxonómicas, pero su...

Área de la Ciencia:

• Botánica y taxonomía
• Biología computacional
• La bioinformática

Sus antecedentes:

• Los datos morfológicos son vitales para la taxonomía, la biología evolutiva, la ecología y la identificación de especies.
• Falta una base de datos centralizada para los datos morfológicos, a diferencia de las secuencias de ADN o los datos de muestras.
• Los datos morfológicos están predominantemente "encerrados" en la literatura taxonómica, lo que dificulta la accesibilidad.

Objetivo del estudio:

• Explorar la viabilidad del uso de grandes modelos lingüísticos (LLM) y el reconocimiento óptico de caracteres (OCR) para la extracción automatizada de datos morfológicos.
• Poblar una tabla de taxones × caracteres con 51 caracteres morfológicos para las Asteraceae nativas e introducidas de Australia.
• Evaluar la exactitud, la reproducibilidad y las limitaciones de los LLM en los datos morfológicos mineros de las descripciones taxonómicas.

Principales métodos:

• Utilizó ChatGPT 4o para procesar 1.121 descripciones taxonómicas de las Asteraceae australianas.
• Se han extraído datos para 51 caracteres morfológicos de 945 taxones (95 géneros, 838 especies/taxones infraespecíficos).
• Evaluación de la precisión de los datos mediante comprobación visual y evaluación de la reproducibilidad mediante la repetición de inferencias con el mismo LLM de código abierto.

Principales resultados:

• Se logró una tasa de datos faltantes del 51,1% y una tasa de error general del 5,8% en los controles visuales.
• Las tasas de error fueron más bajas para los caracteres cypsela y pappus (2,1%), con errores comunes que involucran confusión de bract y involucro.
• Los LLM propietarios mostraron una mayor reproducibilidad (78,9% de celdas consistentes) que los LLM de código abierto, que exhibieron errores de unidad y caracteres omitidos.

Conclusiones:

• La extracción de descripciones morfológicas basadas en LLM es factible, pero requiere instrucciones extremadamente precisas.
• Los LLM son inherentemente probabilísticos, lo que plantea desafíos para la plena reproducibilidad y integración en flujos de trabajo automatizados en comparación con los scripts.
• La investigación futura debería investigar la generación aumentada de recuperación o el ajuste fino para mejorar el rendimiento de LLM en la extracción de datos morfológicos.