Large Language Models and Synthetic Data for Monitoring Dataset Mentions in Research Papers

计算机科学 数据科学 自然语言处理
作者
Aivin V. Solatorio,Rafael Macalaba,James Liounis
出处
期刊:Cornell University - arXiv [Cornell University]
标识
DOI:10.48550/arxiv.2502.10263
摘要

Tracking how data is mentioned and used in research papers provides critical insights for improving data discoverability, quality, and production. However, manually identifying and classifying dataset mentions across vast academic literature is resource-intensive and not scalable. This paper presents a machine learning framework that automates dataset mention detection across research domains by leveraging large language models (LLMs), synthetic data, and a two-stage fine-tuning process. We employ zero-shot extraction from research papers, an LLM-as-a-Judge for quality assessment, and a reasoning agent for refinement to generate a weakly supervised synthetic dataset. The Phi-3.5-mini instruct model is pre-fine-tuned on this dataset, followed by fine-tuning on a manually annotated subset. At inference, a ModernBERT-based classifier efficiently filters dataset mentions, reducing computational overhead while maintaining high recall. Evaluated on a held-out manually annotated sample, our fine-tuned model outperforms NuExtract-v1.5 and GLiNER-large-v2.1 in dataset extraction accuracy. Our results highlight how LLM-generated synthetic data can effectively address training data scarcity, improving generalization in low-resource settings. This framework offers a pathway toward scalable monitoring of dataset usage, enhancing transparency, and supporting researchers, funders, and policymakers in identifying data gaps and strengthening data accessibility for informed decision-making.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
研友_8Y26PL发布了新的文献求助10
刚刚
烟尘完成签到,获得积分10
刚刚
NatureLee完成签到 ,获得积分10
1秒前
GD完成签到,获得积分10
1秒前
温暖的寻雪完成签到 ,获得积分10
1秒前
2秒前
梦月无声发布了新的文献求助10
2秒前
3秒前
3秒前
好运帆完成签到,获得积分10
4秒前
4秒前
qqq完成签到,获得积分10
4秒前
4秒前
4秒前
翁家毅完成签到,获得积分10
4秒前
所所应助梁朝伟采纳,获得10
5秒前
5秒前
dorito完成签到,获得积分10
6秒前
6秒前
6秒前
烟花应助小亮哈哈采纳,获得10
7秒前
今后应助小亮哈哈采纳,获得10
7秒前
精明连虎完成签到,获得积分10
8秒前
科研通AI6.2应助GD采纳,获得10
8秒前
June完成签到 ,获得积分20
9秒前
9秒前
瑶瑶酱发布了新的文献求助10
9秒前
香蕉觅云应助鳗鱼士萧采纳,获得10
10秒前
简单捕手完成签到,获得积分20
10秒前
lion8603应助stay采纳,获得10
10秒前
10秒前
11秒前
11秒前
liyongfei完成签到 ,获得积分10
12秒前
科研通AI6.3应助燎原采纳,获得10
12秒前
Ti发布了新的文献求助10
12秒前
12秒前
青芒果发布了新的文献求助10
13秒前
hx完成签到 ,获得积分10
13秒前
13秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
2026年中国辛酸癸酸聚乙二醇甘油酯行业市场现状调查及投资机会研判报告 1000
2026年中国辛酸癸酸聚乙二醇甘油酯行业市场规模及竞争格局分析报告 1000
模型平均及其应用 900
Fundamentals of Pharmaceutical and Biologics Regulations: A Global Perspective, Second Edition 700
Évora na Idade Média 555
作者名:Kristopher P. Plain,悉尼大学的,目前只能查到其四篇论文,想找到其博士论文 550
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 工程类 有机化学 化学工程 生物化学 计算机科学 内科学 物理 复合材料 催化作用 细胞生物学 无机化学 光电子学 物理化学 电极 基因
热门帖子
关注 科研通微信公众号,转发送积分 7340671
求助须知:如何正确求助?哪些是违规求助? 8953763
关于积分的说明 19005351
捐赠科研通 6992617
什么是DOI,文献DOI怎么找? 3218771
关于科研通互助平台的介绍 2384385
邀请新用户注册赠送积分活动 2198760