文章總結與翻譯一、文章主要內容該研究聚焦科研人員學術興趣畫像更新滯后的問題，提出并評估了兩種基于大型語言模型（LLMs）的自動化、可擴展生成方法，以解決傳統人工維護學術畫像耗時且易過時的痛點，具體內容如下：研究背景：現有學術平臺（如Google Scholar、ResearchGate等）的科研人員畫像常存在信息過時、不準確或不完整的問題，Web抓取等傳統構建方式存在局限，阻礙了基于最新研究方向的人才識別與合作搭建，而此前自動化方法僅能提取MeSH術語生成詞云，無法生成流暢的敘事性總結。數據收集：收集了哥倫比亞大學歐文醫學中心（CUIMC）595名教職人員在PubMed上的出版物標題、MeSH術語和摘要，其中167人擁有人工撰寫的在線研究畫像，且篩選時僅納入過去十年內、研究者為前三位作者或資深作者（體現主要貢獻）的出版物，并通過機構隸屬關系解決同名研究者的出版物歧義問題。模型構建：采用兩種LLM（GPT-4o-mini）生成學術興趣畫像的策略。一是基于MeSH術語的生成方法，將關鍵詞分為方法學和健康領域兩類，分別讓模型生成總結后拼接；二是基于摘要的生成方法，采用“分而治之”策略，先通過潛在狄利克雷分配（LDA）將出版物按主題分組，濃縮每組摘要后再進行最終總結，以應對LLM輸入token限制。評估方式：從機器評估和人工評估兩方面展開。機器評估使用ROUGE-L、BLEU、METEOR等詞匯相似度指標，BERTScore語義相似度指標，TF