在人工智能的帮助下,将期刊文章分配给副编辑 - - 关于IEEE医疗成像交易的可行性研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 学术出版学术出版

背景情况:

• 有效地将期刊提交的文章分配给副编辑 (AEs) 对于保持审查质量和及时性在像医学成像等大量领域至关重要.
• 当前的手动分配流程可能耗时,并且可能并不总是确定最合适的AE.
• 利用先进的计算方法可以优化这一关键的编辑工作流.

研究的目的:

• 调查使用大型语言模型 (LLM) 在IEEE医学成像交易期刊中用于副编辑-论文匹配的可行性.
• 开发和评估一种混合方法,将结构化元数据和基于LLM的文本相似性结合起来,用于AE-paper匹配.
• 评估不同文本组件 (标题,关键词,摘要) 和缩小维度的技术对匹配准确性的贡献.

主要方法:

• 策划了一个副编辑 (AE) 数据库,使用历史任务和AE出版物.
• 提取的文本特征包括论文标题,结构化关键字和摘要.
• 使用ModernBERT来生成语义嵌入和主要组件分析 (PCA) 来减少维度.
• 结合关键字相似性与文本相似性从LLM嵌入来排名候选AEs.

主要成果:

• 来自结构化元数据的关键词相似性是匹配性能的主要驱动因素.
• 来自ModernBERT嵌入的文本相似性提供了互补的收益,特别是与PCA结合时.
• 摘要研究表明,结构化关键字单独产生高准确性,标题增加了好处,摘要提供了最小的改进.
• 混合方法证明了编辑工作流程的实际可解释性和可扩展性.

结论:

• 结构化的关键词是准确的AE-paper匹配中最重要的因素.
• 基于LLM的文本相似性提供了有价值的补充信息,提高了匹配性能.
• 拟议的混合方法提供了一个实用,可扩展和可解释的工具,以支持编辑决策和提高同行评审效率.
• 这种方法可以减少手工工作量,并有助于保持高标准的学术出版.