信息資源管理視角下的全球ChatGPT研究主題識別與啟示

［中圖分類號]G203

[文獻標志碼]A

[文章編號]1005-6041（2025）02-0031-07

1引言

大語言模型是革命性的人工智能創新成果。隨著2022年ChatGPT的出現，以其為代表的大語言模型為新產業形態的出現和發展奠定了基礎，為數字經濟和數字社會發展提供了更加高效可靠的創新型工具，在各個領域表現出顛覆性的應用價值，奠定了該前沿技術在全球各國經濟與科研戰略規劃中的重要地位。習近平總書記強調，“發展人工智能，將為我國構建現代化經濟體系、實現高質量發展提供重要支撐”，為我國發展人工智能提供了行動指南和根本遵循[1]。聚焦到學術界，國內外學術界與ChatGPT直接相關的研究在2023年開始大量出現，ChatGPT問世不久就受到研究者的廣泛關注并成為系列持續性熱點議題。

新一代信息技術發展是信息資源管理的重要發展驅動力之一。全球信息資源管理領域研究者緊密關注ChatGPT技術發展，從2023年開始產出ChatGPT相關研究成果，并持續至今。隨著全球信息資源管理領域ChatGPT研究主題的多元化，全面剖析該學科領域ChatGPT的研究特征、熱點主題分布以及演化路徑，對于科學把學科發展方向具有重要意義，可為我國ChatGPT以及大語言模型相關理論研究提供學理參考，推動ChatGPT的本土化進程，推動生成式人工智能精細化治理，為新質生產力的形成提供技術支持，全面助力創新型高質量發展。

2研究方法與數據集構建

采用信息計量法與內容分析法，使用VOSviewer構建信息資源管理視角下全球ChatGPT研究主題知識圖譜。使用兩種檢索策略構建研究數據集。第一，構建核心數據集。從科睿唯安（ClarivateAnalytics）2024年6月20日發布的JCR中選出圖書館學（LibraryScience）和情報學（Information Science）兩學科的161種期刊，再進一步精選出其中被SCIE與SSCI收錄的83種高質量期刊，從中檢索出主題包含ChatGPT的載文，共得到108篇文獻。經人工審查論文摘要，剔除學術性較弱或學術觀點不明確的評論類文獻5篇，最終得到103篇文獻作為核心數據集。第二，構建補充數據集。將檢索范圍擴大到SCI與SSCI數據源的ArticleReview和EarlyAccess類型，從中檢索出題名或關鍵詞包含ChatGPT的論文，共得到1276篇文獻，并對綜合類期刊中與ChatGPT密切相關的研究成果進行人工篩選，得到23篇文獻作為補充數據集。將上述兩部分數據集合形成研究文獻集，共計126篇文獻。所有文獻都具有較高的主題相關度和學術價值，且均于2023—2024年發表，時效性較強。檢索時間為2024年6月22日。

分析發現，研究文獻集主要分布在51種期刊中，表1列出了文獻量在4篇及以上的期刊。其中，《美國醫學信息學協會雜志》文獻量為25篇，遠超其他期刊，顯示出信息資源管理視角下的全球ChatGPT相關研究對醫學信息學方向十分關注

在此基礎上，使用VOSviewer抽取樣本文獻集關鍵詞，并對語義相近或表達形式不一致的關鍵詞進行歸并，獲得332個語義獨立的英文關鍵詞，并選擇其中47個詞頻大于或等于2的關鍵詞（見表2）。基于這些關鍵詞，構建全球ChatGPT研究的領域知識圖譜，探索ChatGPT的全球研究進展和發展趨勢。

3信息資源管理視角下的全球ChatGPT研究主題識別

結果表明，信息資源管理視角下全球ChatGPT研究的重要關鍵詞包括AI（人工智能）、Large

LanguageModel（大語言模型）、GenerativeAI（生成式人工智能）、NaturalLanguageProcessing（自然語言處理）、Chatbot（聊天機器人）、Ethics（倫理）、MedicalEducation（醫學教育）、MachineLearning（機器學習）Communication（交流）等（見表3）。除作為檢索詞的“ChatGPT”外，AI（O.48）、LargeLanguage Model（O.37）、Generative AI（O.23）、NaturalLanguage Processing（O.11）、Chatbot（0.19）等5個關鍵詞的中介中心度大于0.1，為該主題研究知識網絡的重要關聯節點。

對全球ChatGPT研究主題進行分析，運用VOSviewer構建研究主題聚類知識圖譜（見圖1）。

在主題聚類基礎上，結合內容分析法與對關鍵文獻的研讀，形成8個研究主題。研究文獻集中約93.7% （118/126）的文獻，其研究主題可劃分到聚類形成的8個主題之一中（見表4），表明該聚類結果可覆蓋研究文獻集的大部分。

3.1ChatGPT性能分析與技術倫理

部分研究對ChatGPT的各種性能進行了測試，主要聚焦于推理分析能力測試。ChatGPT定性分析能力實驗表明，ChatGPT傾向于描述性主題，但也能夠提出具有強表面有效性的定性分析結果[2]。ChatGPT循證分析能力實驗表明，ChatGPT基于相關性、特異性和確定性的分析可有效區分相互矛盾的證據，證明了ChatGPT評估和解釋科學主張的能力[]。在評估計劃質量任務能力上，有別于傳統內容分析方法，ChatGPT可以通過識別差異和事實核查機器生成的響應來補充人工編碼以減少人為錯誤[4]

ChatGPT引發了社會正義、個人自主權、文化認同和環境保護等方面的重大倫理問題，如責任、包容、社會凝聚力、自主性、安全、偏見、問責制和環境影響。推進人工智能倫理治理標準化是化解ChatGPT倫理危機的關鍵舉措。有研究提出，生成式人工智能模型公開發布時須包含AI內容檢測機制，即：任何開發通用生成式AI模型的組織，如要公開發布模型，都必須提供能夠有效執行AI內容檢測的檢測工具，允許用戶隨時查詢任意內容項是否全部或部分由模型生成，此舉將在許多領域降低新人工智能模型帶來的風險[5]

3.2ChatGPT的用戶接受研究

研究者利用計劃行為、用戶技術接受等理論框架，主要采用PLS-SEM建模方法，以大學生、上班族等群體為研究對象，探索ChatGPT用戶技術接受意愿和使用意愿的影響因素等問題。

研究表明，預期績效、預期付出、社會影響和使用便捷性等特定技術感知因素，以及相對風險感知和情緒因素，是影響用戶對ChatGPT技術接受意愿的重要因素[6]。對于大學生和上班族而言，知識獲取和應用、感知智能對其接受意愿有積極影響，信任是影響與引導其參與ChatGPT使用行為的關鍵因素，年齡、個人創新能力與ChatGPT使用意愿顯著相關[7]。以上研究為提高用戶的人工智能系統參與度提供了依據和方向。

有學者研究ChatGPT對用戶心理健康的影響發現，當用戶被強迫使用ChatGPT時將承受技術壓力，進而間接影響生活滿意度，而技術焦慮則是強迫使用ChatGPT、技術壓力和生活滿意度三者作用的重要調節因素，為人工智能采納及其對用戶心理健康的影響提供了新線索[8]

3.3ChatGPT促進信息系統發展

在理論研究方面，人智協作是信息系統理論化的新前沿，通過探索生成式人工智能工具與人類協作發展信息系統理論的有效模式，解決當前信息系統理論研究二元對立、理論發展前景不樂觀的問題，開拓信息系統理論的新領域

信息搜索是ChatGPT賦能信息資源管理的重要研究方向。有學者研究發現，用戶的信息搜索工具從搜索引擎轉向生成式人工智能，低信息任務匹配度和信息過載導致傳統搜索引擎難以滿足用戶需求，而人工智能生成內容（AIGC）的信息質量和感知交互會影響用戶感知價值。上述因素和社會影響構成了決定用戶搜索工具轉變的主要因素[10]。學術信息搜索用戶主要關注搜索結果的權威性、及時性和能否滿足情境化需求，在研究指出，信息搜索系統持續需求策略和改進機制仍然是GhatGPT賦能學術信息搜索的關鍵[11]

對于事實核查等信息驗證工作，一方面ChatGPT作為信息系統的人工智能輔助工具在收集信息、檢測虛假信息方面發揮輔助作用，但另一方面，ChatGPT自身可能創造和傳播虛假信息。改善信息系統邏輯和提升人工智能素養將是提升信息驗證效能的關鍵舉措[12] 。

3.4ChatGPT賦能科學計量與知識組織

ChatGPT在科學計量與文獻計量領域具有巨大潛力。有研究表明，ChatGPT在預測引文計量、Mendeley文獻管理軟件用戶行為和社交媒體參與度等實驗中的預測相關性超過了傳統可讀性指標，表現出在科學計量學領域的應用潛力[13]。還有研究表明，ChatGPT在尋找對標機構與基準測試、人智協同生成文獻綜述等文獻計量應用場景中表現良好。多數研究認為應加入不同程度的人工干預，以提升生成內容結果的質量。

以ChatGPT為代表的生成式人工智能的出現打破了傳統知識組織模式，有望在社會與集體知識概念的基礎上融入促進知識融合提示功能，形成一種超越知識描述并刺激知識轉化的人智交互知識組織模式，為術語詞表、理論分析和方法建構等知識組織場景提供支持[14]。研究者討論了ChatGPT輔助提取社交媒體災害信息位置、文旅資源知識圖譜、藥物基因組知識圖譜、醫學教育知識構建等問題[15-16]認為ChatGPT在解決信息提取、信息檢索、術語聚類、決策支持和知識共享等知識組織問題方面表現出色。

3.5ChatGPT融入圖書館發展的方法路徑

圖書館是知識密集型服務機構，ChatGPT作為大語言模型，可以解決信息處理與知識聚類問題，與圖書館信息業務和知識服務契合度較高。

ChatGPT大語言模型和接口具有利用電子信息資源、執行非標準復雜任務的潛力，可以促進館員與圖書館資源之間的交互，幫助館員提取和組合描述性元數據、編制索引、分類圖書，有效推動圖書館信息資源處理的人智協同發展。有學者指出，ChatGPT在支持虛擬參考咨詢方面的整體表現具有顛覆性意義，但在處理高級研究問題、復雜查詢和與特定本地環境相關的問題方面仍須加強微調[17]

ChatGPT對于圖書推薦、信息素養教育等圖書館服務應用場景具有重要支持作用。在圖書推薦方面，研究者提出基于ChatGPT的圖書推薦通用框架BookGPT，可根據讀者身份屬性信息進行個性化且具有可解釋性的內容推薦[18]。在人工智能素養教育方面，有的高校圖書館開發了整合ChatGPT功能的圖書館信息素養教學框架[19]，為學生提供ChatGPT時代的批判性思維技能訓練，以提升人工智能素養教育的精準性。雖然學術界普遍認為ChatGPT能夠促進圖書館服務創新發展，但也指出其在圖書館服務中存在即時性等使用局限[20]

3.6ChatGPT對學術研究的影響

ChatGPT對學術研究范式造成了巨大沖擊，全球信息資源管理領域研究者對ChatGPT給學術研究帶來的影響展開了論述。

在研究設計階段，部分研究強調了ChatGPT有助于增強定性研究，如反思性主題分析[21]。在論文撰寫階段，ChatGPT在協助文獻綜述、統一內容格式和提供編輯校對等方面表現出卓越能力[22]。在學術評論與論文審稿階段，ChatGPT能夠輔助同行評審專家生成具備一定科學性、定性與定量相結合的完整評論，助力學術研究的交流和傳播[23]。

ChatGPT在支持學術研究的同時，也對學術研究環境造成了沖擊，帶來了許多衍生問題，如虛假參考文獻污染、同行評議報告抄襲、人工智能作者有效性和人工智能出版倫理等[24-25]，也存在由于技術濫用帶來的學術研究缺乏獨創性、批判性思維減少、剽竊判定難度加大、幻覺偏見風險增加等潛在問題。因此，如何科學與合理地利用ChatGPT等生成式人工智能進行學術研究，將是全球學術界持續關注的重點問題。

3.7ChatGPT在健康信息領域的應用

為更好地利用人工智能促進醫療健康與公共衛生事業的公平發展，ChatGPT在健康信息領域的應用問題受到全球研究者的重點關注。信息資源管理視角下的ChatGPT健康信息領域應用研究涵蓋了健康信息行為、健康信息組織、健康信息服務三大研究方向。

在健康信息行為研究方向，有研究表明，ChatGPT能夠有效識別目標明確個體的健康行為及其動機狀態，并提供準確健康信息支持，但缺乏對目標不明確個體的引導和支持[26]

在健康信息組織研究方向，有研究提出了從臨床敘述中識別命名醫療實體并將其映射進受控詞表的方案[27]。研究者構建醫學開源模型PMC LLaMA，該模型性能卓越，超過了ChatGPT，促進了醫學基礎模型的進一步發展[28]

在健康信息服務研究方面，ChatGPT在患者信息輔助方面具有良好應用前景，如針對患者關于肝硬化和肝細胞癌的知識、管理和情感支持上表現良好，還能提供生育臨床提示咨詢，為皮膚病治療方案提供可靠參考意見。此外，ChatGPT在常見疾病癥狀檢查中表現出較高的準確性，并可通過電子病歷和評估量表輔助醫生進行臨床檢查診斷和護理[29]

3.8人工智能視角下的教育發展問題

此類研究主要采用問卷調查法、綜合元分析法、扎根理論等，探討人工智能視角下數字社會教育發展問題，包括人工智能工具信息需求與感知、人工智能教育應用的技術接受、專業教學支持和提升STEM（科學、技術、工程和數學）領域性別包容，體現了人工智能促進數字社會教育發展的重要作用。

有研究表明，教育學博士生的人工智能工具信息需求主要是學術研究和論文撰寫，認為ChatGPT是最常選擇的工具。在人工智能教育應用的技術接受影響因素中，績效期望影響程度高，努力期望和社會影響的影響程度中等，而便利條件的影響程度低，這為研究人員擴展人工智能在教育領域的應用場景研究提供了參考[30]

在專業教學支持方面，研究者提出人工智能輔助語言學習（Artificial Intelligence Assisted LanguageLearning，AIALL）五維模型，并以ChatGPT支持英語學習為例，論證AI可以強化語言教學中教師角色的靈活性和學習者的自主性，提供具有趣味性的交互學習體驗[31]。研究同時強調了人工智能在復雜醫學概念教學、人工智能素養和倫理融入商科課程設計等領域的重要性和可行路徑。生成式人工智能是技術與社會需求的深度融合體，能夠通過其跨學科方法和社會影響促進女性更多地進入STEM領域，促進了性別平等。

4信息資源管理視角下全球ChatGPT研究對我國相關研究領域的啟示

采用信息計量法和內容分析法探索全球ChatGPT的研究進展，提煉國外研究啟示，在此基礎上展望我國ChatGPT研究的未來發展方向，以期為我國大語言模型和生成式人工智能的理論研究提供學理依據。

4.1國內外GhatGPT研究主題對比

研究結果表明，信息資源管理視角下全球ChatGPT研究主題主要分布在性能與倫理、用戶接受、信息系統、科學計量與知識組織、圖書館發展、學術研究、健康信息、教育發展等8個研究方向上。與國內信息資源管理視角下ChatGPT相關研究主題[32]對比發現，兩者具有一定趨同性，均涉及ChatGPT技術賦能信息系統、知識組織、圖書館發展和學術研究等方向，但全球研究主題中性能分析、用戶接受、科學計量、健康信息等研究方向在國內研究中涉及較少。本文認為全球部分研究主題值得國內學術界關注、研究乃至將其本土化。首先是大語言模型可解釋性探索和性能改良。這有助于加強對大語言模型生成內容本質的理解，以科學理論指導國產大語言模型的研發與應用。其次是大語言模型用戶信息行為與多模態交互方法探索。這有助于明確生成式人工智能如何更好服務用戶，以及大語言模型如何向多模態發展。再次是基于GPT技術的知識供給場景，從科學計量、知識組織、健康信息服務、人工智能素養教育等方向加強人工智能時代信息資源管理領域對知識供給的理論和實踐研究。

4.2對我國信息資源管理領域大語言模型與生成式人工智能研究的啟示

4.2.1加強生成式人工智能通用理論研究。隨著模型參數規模的不斷擴大與訓練數據的不斷豐富，生成式人工智能最終由量變實現質變，產生通用智能，為人類智能社會的到來奠定基礎。參考全球研究主題，國內生成式人工智能通用理論研究可加強對生成式人工智能可解釋性、大語言模型基礎架構改良和大語言模型持續學習能力優化等問題的關注。首先，對生成式人工智能可解釋性探索問題，要尋找一種克服“黑箱”約束的策略，從而明晰涌現能力作用機理，在合理干預的基礎上提高大語言模型對目標知識的挖掘、提取和動態追蹤能力，在增強模型性能的同時提高其可解釋性。其次，大語言模型基礎架構改良需要通過融合外部知識體系，構建以數據和知識為驅動力的新型研究范式，進一步提高模型的擴展能力與綜合效率，從而實現更加準確、可靠的知識服務反饋。再次，關注大語言模型持續學習能力優化，通過對經驗回放、正則化等方法的深入探索，提高大語言模型對新數據、新知識的適應能力和處理能力，從而實現模型的持續學習。

4.2.2探索大語言模型用戶信息行為與多模態交互方法。大語言模型的用戶信息行為研究在國內并不多見，但該研究方向具有重要研究價值，可參考全球相關研究啟示，利用計劃行為、用戶技術接受等理論框架，以教學、科研、信息處理、知識組織等為研究對象，探索用戶行為特征與影響因素，為提高用戶的人工智能系統參與度提供理論和實踐支持，也為改良大語言模型的用戶服務模式提供參考。可加強大語言模型的多模態用戶交互方法研究，從強化信息表征理解、優化具身學習性能和輕量化設計探索3個研究方向入手。強化信息表征理解需要發揮不同預訓練任務的功能作用，根據不同粒度條件對不同模態數據進行對齊與交互，在提高模型數據處理能力的同時也增強其表征能力。優化具身學習性能需要發揮人機交互、執行交互、融合感知等前沿技術的優勢作用，借助環境實時反饋信息，實現模型的持續優化。輕量化設計探索主要針對多模態模型結構進行優化，在降低模型規模的同時減輕數據存儲壓力與運算壓力，提高模型對不同硬件條件的適應性。

4.2.3基于GPT技術重構信息資源管理視角下的知識供給模式。國外ChatGPT研究對GPT技術重構知識供給模式進行了一定的討論，如科學計量、健康信息、AI素養教育等，而國內相關研究較為欠缺。目前GPT技術重構知識供給模式的知識流轉機理和知識供給機制等尚不明朗。國內研究者可從科學計量、知識組織、健康信息、人工智能素養教育等方向加強知識供給研究，細化各個知識交互場景的多元知識供給機理和流程，從技術層面探索輔助用戶信息行為全過程、提升用戶知識交互與吸收效能的科學理論，從管理層面探索促進信息公平、推動知識服務均等化、實現GPT技術賦能數字社會全面發展的實踐路徑。同時，為營造生成式人工智能推動新質生產力發展的信息環境，信息資源管理領域研究者和圖書館信息素養培訓館員可重點關注以提升AI人機協同效率為目標的生成式AI素養教育，形成涵蓋生成式AI算法、工具應用、AI倫理等主題的AI素養教育框架，切實提升公眾對生成式AI的認知和應用能力，形成推進數字中國全面發展的新助力。

[參考文獻]

[1]習近平關于網絡強國論述摘編[M].北京：中央文獻出版社，2021：140.

[2]WACHINGER J，BARNIGHAUSEN K，SCHAFER LN，etal.Prompts，Pearls，Imperfections：Comparing ChatGPTandAHumanResearcherinQualitative Data Analysis[J].Qualitativehealth research.2024.

[3]XIE SY，ZHAO W J，DENG G H，et al.UtilizingChatGPT as a Scientific Reasoning Engine To Differentiate Conflicting Evidence And Summarize Challenges In ControversialClinicalQuestions[J].Journal of the American Medical Informatics Association（JAMIA）.2024，31（7） ：1551-1560.

[4]FUXY，WANGRN，LICS.CanChatGPTEvaluatePlans？［J]. Journal of the American Planning Association，2023，90（3） ：525-536.

[5] KNOTT A，PEDRESCHI D，CHATILA R，et al.GenerativeAI Models should IncludeDetectionMechanismsasa Condition For Public Release[J].Ethics and information technology.2023，25（4） ：55.

[6]LEESW，JONES-JANGM，CHUNGMJ，et al.Who isUsing ChatGPT and Why？：Extending the Unified Theory ofAcceptance and Use of Technology（UTAUT）Model[J].InformationResearch.2024，29（1） ：54-72.

[7]JO H. Understanding AI tool engagement ： A Study ofChatGPTUsageand Word-of-MouthamongUniversity Studentsand Office Workers[J].Telematics and Informatics.2023（85）：102067.

[8]DUONG C D，NGO T V N，KHUC T A，et al.UnravelingtheDark SideofChatGPT：A Moderated Mediation ModelofTechnology Anxiety and Technostress[J].Information Technologyamp;People.2024.

[9]JARVENPAAS，KLEINS，UNIVERSITYOM，etal.New Frontiers in Information Systems Theorizing：Human-GAICollaboration[J].Journal of the Association for InformationSystems.2024，25（1） ：110-121.

[10]ZHOU T，LI S.Understanding User Switch of Information Seeking：From Search Engines to Generative AI[J].Journalof Librarianship and Information Science.2024.

[11]HERSH W.Search Still Matters： Information Retrievalin theEra of Generative AI[J].Journal of the American MedicalInformatics Association，2024，31（9） ：2159-2161.

[12]CUARTIELLES R，RAMON-VEGAS X，PONT-SORRIBES C.Retraining Fact-Checkers：The Emergence of ChatGPTin Information Verification[J].ElProfesional De La Informacion.2023，32（5） ：1-17.

[13]DE WINTER J.Can ChatGPT be used to Predict Citation Counts，Readership，and Social Media Interaction？AnExploration among 2222 Scientific Abstracts[J].Scientometrics.2024，129（4） ：2469-2487.

[14] CRESS U，KIMMERLE J.Co-Constructing Knowledgewith Generative AI Tools： Reflections from a CSCL Perspective[J].International Journal of Computer-Supported CollaborativeLearning.2023，18（4） ：607-614.

[15]MURUGAN M，YUAN B，VENNER E，et al.Empowering Personalized Pharmacogenomics with Generative AI Solutions[J].Journal of the American Medical Informatics Association.2024，31（6） ：1356-1366.

[16]HUI Y J，MAI G C，CUNDY C，et al.Geo-KnowledgeGuided GPT Models Improve the Extraction of Location Descriptions from Disaster-Related Social Media Messges[J].International Journal of Geographical Information Science，2023，37（11） ：2289-2318.

[17]LAI K.How Well Does ChatGPT Handle ReferenceInquiries？ An Analysis Based on Question Types and QuestionComplexities[J].College amp; research libraries.2023，84（6） ：974.

[18]LI ZYA，CHEN YF，ZHANGX，et al.BookGPT：AGeneral Framework for Book Recommendation Empowered byLargeLanguage Model[J].Electronics.2023（12） ：4654.

[19]JOHNSON S，OWENS E，MENENDEZ H，et al.UsingChatGPT-Generated Essays in Library Instruction[J].The Journal of Academic Librarianship.2024，50（2） ：102863.

[20]YAMSON G C.Immediacy as a Better Service：Analysis of Limitations of the Use of ChatGPT in Library Services[J].Information Development.2023.

[21]HITCH D.Artificial Intelligence Augmented Qualitative Analysis： The Way of the Future？[J].Qual Health Res.2024，34（7） ：595-606.

［22」LIvbEbEn 1.Iowara Non-Human-Uenterea Design：Designing an Academic Article with ChatGPT[J].El Profesional De La Informacion.2023，32（5）.

[23] CARABANTES D，GONZALEZ - GERALDO J L， JOVER G.ChatGPT could be the Reviewer of Your Next ScientificPaper.Evidence on the Limits ofAI-Assisted Academic Reviews[J].El Profesional DeLa Informacion.2O23，32（5）.

[24] ORDUNA - MALEA E， CABEZAS - CLAVIJO A. ChatGPTand the Potential Growing of Ghost Bibliographic References[J].Scientometrics.2023，128（9） ：5351-5355.

[25] PINIEWSKI M，JARIC I， KOUTSOYIANNIS D，et al. Emerging Plagiarismin Peer-Review Evaluation Reports：A Tip of the Iceberg？[J].Scientometrics.2024，129（4）：2489-498.

[26]BAK M，CHIN J.The Potential and Limitations of Large Language Models in Identification of the States of Motivations for Facilitating Health Behavior Change[J].Journal of the American Medical Informatics Association（JAMIA）.2024，31 （9）：2047-2053.

[27] WANG A，LIU C，YANG J，et al.Fine-Tuning Large Language Models for Rare Disease Concept Normalization[J]. Journal of the American Medical Informatics Association （JAMIA）.2024，31（9） ：2076-2083.

[28]WU C，LIN W，ZHANG X，et al. PMC-LLaMA： Toward Building Open-Source Language Models for Medicine [J].Journal of the American Medical Informatics Association. 2024，31（9） ：1833-1843.

[29]JIANGLY，LIU XC，NEJATIANNP，et al.Health System- Scale Language Models are All - Purpose Prediction Engines[J].Nature.2023，619（7969）：357-362.

[30]ALI I， WARRAICH N F， BUTT K.Acceptance and Use of Artificial Intelligence and AI-based Applications in Education：A Meta-Analysis and Future Direction[J].Information Development.2024.

[31]BIN-HADYWRA，AL-KADIA，HAZAEAA，et al. Exploring the Dimensions of ChatGPT in English Language Learning：A Global Perspective[J].Library Hi Tech.2023.

[32]王海蓓，潘輝.我國ChatGPT研究領域熱點主題識別 與演化路徑分析[J].圖書館學研究.2024（3）：2-12，77.

[收稿日期]2024-11-22

[作者簡介]許娜娜（1983一），女，碩士，館員，珠海市金灣區圖書館。

[說明]本文系2020年度國家社科基金項目“文化自信視域下的經典閱讀研究\"（項目編號：20BTQ009）的研究成果之一。