用GPT-4和Kimi辅助系统性综述，提升文献编码效率。

Enhancing Systematic Reviews with Large Language Models: Using GPT-4 and Kimi

• 对比大模型与人工编码结果，验证其在综述中的适用性。
• 发现模型表现受数据量和问题复杂度影响显著。
• 适合希望加速文献筛选与编码的研究人员参考。

本研究探讨了GPT-4与Kimi两款大型语言模型（LLMs）在系统性综述中的应用。通过将大模型生成的编码结果与一篇经同行评审的系统性综述中的人工编码进行对比，评估其性能。研究发现，大模型的表现随数据量和问题复杂度波动明显，在数据量大或问题复杂时表现下降。该结果提示，大模型可作为辅助工具提升综述效率，但需注意其局限性。

原文摘要 · Abstract (English)

This research delved into GPT-4 and Kimi, two Large Language Models (LLMs), for systematic reviews. We evaluated their performance by comparing LLM-generated codes with human-generated codes from a peer-reviewed systematic review on assessment. Our findings suggested that the performance of LLMs fluctuates by data volume and question complexity for systematic reviews.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。