摘要

本文由JingHong Li等人提出，旨在解决新手研究者在理解学术论文和掌握新研究领域基础知识时面临的困难。传统的基于关键词的知识图谱难以深入理解抽象概念，而新手研究者由于对研究领域的理解有限，可能无法有效地使用大型语言模型（LLM）如ChatGPT进行研究调查。为此，研究者提出了一种新的知识图谱形式——鱼骨图，该图通过学术论文中的问题本体构建，提供了一个高维度、简洁且具体的研究主题概览。鱼骨图不仅展示了研究主题的因果关系，还通过逻辑结构帮助新手研究者更有效地理解研究领域的知识结构和动机。

原理

鱼骨图的工作原理基于问题本体（Issue Ontology），这是一种在学术论文中定义的结构，用于捕捉作者的推理和思考过程。通过分析论文中的关键句子，鱼骨图能够展示研究任务、挑战和目标之间的因果关系。具体来说，鱼骨图包含三个主要元素：效果（Effect）、因素（Factor）和原因（Cause）。通过将这些元素与问题本体结合，鱼骨图能够扩展其设计，包括鸟瞰视图的特征，从而形成一个概念性的设计，帮助研究者快速捕捉研究主题的鸟瞰视图，并建立知识之间的连接。

流程

鱼骨图的构建过程首先从S2orc数据集中筛选出与特定研究主题（如HotpotQA）相关的论文子集。然后，使用SpaCy模型对论文的“引言”部分进行句子分割，并由专家对这些句子进行问题本体类型的标注。接下来，利用机器学习方法（如SVM和K-means）对句子进行分类和聚类，以识别出预兆问题、可改进问题和强调问题。最后，通过ChatGPT的提示工程生成任务名称和问题句子的摘要，使用Pyvis进行鱼骨图的可视化。整个流程确保了鱼骨图能够准确反映研究主题的逻辑结构和关键信息。

应用

鱼骨图作为一种新的知识图谱形式，具有广泛的应用前景。它不仅可以帮助新手研究者快速理解复杂的研究主题，还可以作为学术教育和研究的辅助工具。此外，鱼骨图的逻辑结构和可视化特性使其在科研管理、项目规划和知识传播等领域也具有潜在的应用价值。随着技术的进一步发展和优化，鱼骨图有望成为学术研究和知识管理的重要工具。