📦 纸面到表格

Paper To Table 从学术论文中提取结构化信息并填充文献综述表格。

质量原则

• 提取保真（质量约束）
• 绝不编造论文中不存在的信息
• 绝不超出明确陈述进行推断
• 字段确实找不到才用“N/A”
• 区分：

– 明确事实 → 直接提取 – 暗示但未明说 → 标“N/A”或注明为暗示 – 信息缺失 → “N/A”

• 置信度评分：每项标 HIGH/MEDIUM/LOW

• 字段理解
• 理解每个表头的语义
• 按含义而非关键词映射内容
• 处理同义词与领域术语
• 识别上下文中的隐含信息

• 结构化深度
• 粒度恰当（研究级/实验级/结果级）
• 保留字段间关系
• 正确处理多实验论文

• 批处理稳定性
• 各论文独立处理（单篇失败不影响其余）
• 记录完整操作日志
• 支持中断续跑
• 写入前验证输出

工作流 Step 1：识别输入

• 论文：单文件、多文件或文件夹 → 支持 PDF/DOCX/TXT
• 表格模板：XLSX 或 CSV（含表头）
• 语言：自动检测或用户指定
• 领域：Psychology / Cognitive Neuroscience / Computer Science / Brain Science / General

Step 2：读取表头 python scripts/read_table.py 输出：列名、数据类型约束、领域推断

Step 3：提取论文内容 python scripts/extract_paper.py --structured 格式处理：PDF→pdfplumber/PyMuPDF/OCR 兜底；DOCX→python-docx；TXT→直接读取 输出结构化 JSON：含 full_text 与章节（abstract/introduction/methods/results/discussion/conclusion）

Step 4：LLM 提取（关键） 原则：只提取论文明确陈述，绝不臆造 输入：表头 + 论文全文/章节 输出格式（每字段）： { "FieldName": { "value": "extracted value 或 N/A", "confidence": "HIGH/MEDIUM/LOW", "source": "paper location" } } 关键规则：

• JSON key 与表头完全匹配（大小写敏感）
• 缺失→"N/A"，不推断
• 多值用分号分隔
• 保留原文语言
• LOW confidence 需说明原因

提取优先级：Abstract→Methods→Results→Discussion→补充材料

Step 5：验证并写入 python scripts/write_table.py '' --validate 验证：JSON 格式、键名匹配、无重复、数据类型合理 重复检测：标题相似度>85% 视为重复，跳过并警告

Step 6：报告 输出：处理论文数、新增行数、跳过数（重复/错误）、LOW confidence 字段、输出路径

批处理 python scripts/batch_process.py [output_folder]

• 每篇独立处理
• 自动生成日志 batch_log_YYYYMMDD_HHMMSS.json
• 支持断点续传

详细字段定义与提取策略 → references/extraction-patterns.md 质量检查清单 → references/quality-checklist.md

领域专精 Psychology / Cognitive Neuroscience / Computer Science / Brain Science