相关实验视频
Updated: May 20, 2026
06:51
Film Extrusion of Crambe abyssinica/Wheat Gluten Blends
Published on: January 17, 2017
9.9K
对大型语言模型的评估,以补充食品挤出数据集
Necva Bölücü1, Jordan Pennells2, Huichen Yang1
1CSIRO Data61, Sydney, NSW 2122, Australia.
Foods (Basel, Switzerland)
|April 26, 2025
概括
创建结构化的食品挤出数据集是一项挑战. 本研究引入了手动策划的数据集,并探索使用大型语言模型 (LLM) 来补充它,发现LLM是有效的,但需要人类验证才能获得最佳结果.
科学领域:
- 食品科学与技术 食品科学与技术
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 食品挤出是制造结构化食品的关键工业过程,但缺乏标准化数据.
- 现有的研究数据是分散的,阻碍了科学合成,产品开发和流程优化.
- 手动策划的数据集提供高质量,但时间和资源有限.
研究的目的:
- 引入一个手动策划的食品挤出文献数据集.
- 建议和评估一种方法,使用大型语言模型 (LLM) 补充此数据集.
- 评估LLM在提取结构化食品挤出数据中的准确性和局限性.
主要方法:
- 食品挤出文献数据集的手动策划,包括出版细节,产品类型,工艺参数,配方数据,实验变量和表征指标.
- 开发和应用基于LLM的方法,从科学文献中提取有关食品挤出的结构化数据.
- 对LLM提取的数据与手动策划的数据进行比较分析,以评估准确性和识别挑战.
主要成果:
- 已经建立了一个全面的,手工策划的食品挤出数据集.
- LLM 在从食品挤出文献中提取结构化数据方面表现出显著的能力.
- 识别的挑战与LLMs包括幻觉和缺失的上下文细节,需要人类验证.
结论:
- 作为补充食品挤出数据集的工具,LLM表现有前途,可以大幅节省时间.
- 人类验证对于确保LLM生成数据的质量和准确性至关重要.
- 利用LLM与人体治疗一起,为改善食品挤出数据的可访问性和实用性提供了一个可行的策略.
