科研人员最耗时的工作，有时并不是提出科学问题，而是从数百甚至数千篇论文中收集、筛选和整理数据。
以一项系统评价或 Meta-analysis（荟萃分析）为例，研究团队可能需要花费数月时间检索文献、筛选研究、提取效应量、核对置信区间，再将不同论文中的数据整理成统一格式。药物研发领域也面临类似问题：药物半衰期、药代动力学参数、临床试验结果等信息分散在论文、专利和监管文件中，人工整理不仅耗时，还容易出现遗漏和录入错误。
如果能够用自然语言描述研究问题，让 AI 自动寻找相关文献、提取指定数据，并生成可以追溯原始证据的数据集，科研数据整理会发生什么变化？
Paperclip Datasets 正在尝试实现这一工作流程。 它将 AI 科学数据提取、跨来源信息检索和结构化数据集构建结合起来，让研究人员不必再完全依赖人工逐篇阅读和复制数据。
这不只是把文献检索变快，而是试图改变科研数据从发现、提取到验证和更新的整个过程。
Paperclip Datasets 是什么？重新定义 AI 科学数据提取
官方入口：Paperclip Datasets
Paperclip Datasets 是 GXL 推出的 AI 科学数据集构建工具。它的核心思路是：研究人员不必预先找到所有论文，再逐篇提取数据，而是直接描述自己需要什么数据，让 AI 根据研究问题组织数据收集任务。
例如，你可以提出这样的需求：
构建一个人类药物半衰期数据集，收集已发表研究中报告的药物消除半衰期，记录药物名称、数值、单位、研究对象、给药途径、研究来源和原始文献位置。
传统流程需要研究人员自行设计检索式、下载论文、阅读方法和结果部分，再逐项填入 Excel。Paperclip Datasets 则尝试将这些任务交给 AI agents（AI 智能体）并行处理。
其主要能力可以概括为四个方面。
自然语言描述研究需求
用户通过自然语言定义数据集的主题、字段和筛选条件，不需要从零开始设计复杂的数据提取程序。
例如，研究人员可以指定需要提取的药物半衰期、血浆浓度、样本量、实验条件等字段。AI 根据这些要求组织数据提取任务。
多来源并行提取科学数据
科研证据往往不只存在于期刊论文中。Paperclip 的数据基础设施覆盖多个科学信息来源，包括：
- 学术论文： PubMed Central、bioRxiv、medRxiv 等。
- 临床试验： ClinicalTrials.gov 及国际临床试验注册平台。
- 监管文件： FDA、EMA、PMDA 等相关监管资料。
- 专利： 全球多个司法辖区的专利出版物。
- 生物数据库： UniProt、PDB 和 ChEMBL 等。
这意味着，研究人员可以从单一文献检索扩展到跨来源的科学数据收集，为药物研发数据整理和生物医学研究提供更丰富的信息基础。
每条数据都能够追溯原始证据
这是 Paperclip Datasets 值得关注的能力。
AI 自动提取的数据，如果无法回答一个基本问题，就很难真正用于科研：这个数值究竟来自哪篇论文的哪个位置？
可溯源 AI 数据集（Traceable AI Dataset）的价值就在于保留数据与原始文献之间的联系。研究人员可以进一步检查原文，确认提取结果是否准确，避免只得到一张缺少证据链的表格。
支持数据刷新与持续更新
传统 Excel 数据集通常是一次性整理成果。文献更新后，研究团队需要重新检索、筛选和补充。
AI 驱动的数据集则有机会形成持续更新的工作流程。当新的论文、临床试验或监管资料出现时，可以重新运行相关任务，检查是否有新的数据需要纳入。
这对于需要长期维护的药物数据库和系统评价项目尤其有价值。
两个真实案例：Paperclip Datasets 能够完成什么？
工具是否有价值，不能只看功能介绍，更重要的是它能否解决真实科研任务中的复杂问题。GXL 官方博客披露的两个案例，展示了 AI 自动构建生物医学数据集和复现 Meta-analysis 的潜力。
案例一：构建目前最大的人类药物半衰期数据集
药物半衰期（Drug Half-life）是药代动力学研究中的重要参数，直接关系到药物在体内的消除速度、给药间隔设计以及药物暴露水平评估。
但不同药物的半衰期数据分散在大量研究中，而且报告方式并不统一。有些论文提供平均值和标准差，有些按不同剂量、给药途径或患者人群分别报告，还有一些数据隐藏在表格和补充材料中。
如果研究人员希望建立一个覆盖尽可能多种药物的人类半衰期数据库，传统方法需要经历大量文献检索和人工数据提取工作。
Paperclip Datasets 展示的案例提出了一个很有代表性的结果：
人类药物半衰期数据集
- 条半衰期测量值：19,952
- 2,418个药物名称
案例数据规模，按该项目提供的结果描述
这类数据集的意义不仅是数量大，更在于它能够把原本分散在不同研究中的药物参数集中到统一的数据结构中。
对于药物研发人员，这类数据可以用于：
- 比较不同药物的半衰期分布。
- 分析药物结构与药代动力学参数之间的关系。
- 为药物研发早期的参数估计提供参考。
- 为机器学习模型提供药代动力学训练数据。
- 识别不同研究条件下同一药物参数的差异。
当然，19,952 条测量值并不意味着19,952种不同药物，也不意味着每条记录都具有相同的实验条件。研究人员仍需区分健康受试者与患者、单次给药与多次给药、不同给药途径及测量方法。
真正有价值的药物半衰期数据集，不只是收集更多数字，而是保留数字背后的实验条件和证据来源。
案例二：复现20篇顶级期刊 Meta-analysis，结果一致率达到90.3%
Meta-analysis 是循证医学（Evidence-Based Medicine）的重要研究方法，但其数据收集过程非常复杂。
研究人员不仅要找到相关研究，还需要提取每项研究的效应量（Effect Size）、95%置信区间（95% Confidence Interval）、样本量及结局指标。即使找到了正确的论文，也可能因为提取了错误的亚组或次要结局而影响最终结果。
GXL 在官方博客中介绍了一项针对20篇 Lancet 系列期刊 Meta-analysis 的基准测试。
研究团队首先人工提取原始 Meta-analysis 报告中的效应量、置信区间、效应方向和统计学显著性，作为对照标准。随后，使用相同的 AI agent、提示词和模型，仅改变底层检索工具，对这些研究主题进行独立复现。
结果如下：
Meta-analysis 复现表现：严格一致率
数据来源：GXL 官方博客，Paperclip Repos: Enabling Git for Literature Search。
这里的90.3%有明确的统计定义：复现结果必须同时满足效应方向一致，以及统计学显著性判断一致（即95%置信区间是否跨越无效值的判断一致）。
Paperclip 达到90.3%，普通 Web Search 为72.7%，Elicit API 为71.7%。测试发现，差距主要与全文访问能力有关：一些关键结果并不出现在摘要中，而是隐藏在表格、森林图（Forest Plot）、亚组分析和补充材料里。
需要强调的是，这项测试衡量的是独立复现结果与已发表 Meta-analysis 之间的严格一致程度，并不等于90.3%的数据提取准确率，也不能直接解释为所有系统评价任务的成功率。
它真正说明的是：当 AI 能够访问全文并定位具体证据时，跨论文的数据提取和结果复现有机会变得更加可靠。
Paperclip Datasets 对三类科研用户有什么价值？
Paperclip Datasets 的应用场景并不局限于学术论文写作。对于需要处理大量科学信息的企业和科研团队，它同样具有实际价值。
药物研发人员与制药企业
药物研发需要综合分析论文、专利、临床试验和监管文件。过去，这些信息往往由不同团队分别整理，难以形成统一的数据视图。
通过 AI 自动构建生物医学数据集，研发团队可以尝试建立：
- 药物半衰期和药代动力学参数数据库。
- 药物靶点、作用机制及生物活性数据集。
- 同类药物临床试验结果比较数据库。
- 竞争药物专利和研发进展数据库。
- 药物安全性与不良事件证据集合。
这可以帮助研发团队更快地完成早期信息收集和竞争情报分析。
临床研究人员与系统评价团队
对于从事系统评价（Systematic Review）和 Meta-analysis 的研究团队，最直接的价值是减少重复性的数据提取工作。
例如，研究人员可以要求 AI 提取20项临床研究中的样本量、干预措施、对照组、主要结局、风险比（Risk Ratio）及95%置信区间，并按照统一字段生成结构化表格。
这可以为人工筛选、数据核对和统计分析提供基础。
但需要明确：AI 自动提取不能代替系统评价所要求的规范检索、研究筛选、偏倚风险评估和统计学判断。它更适合作为研究团队的数据整理助手。
AI 与机器学习研究者
高质量训练数据是科学 AI 模型的重要基础。
例如，研究者希望训练一个预测药物半衰期的机器学习模型，就需要收集大量药物参数，并尽可能保留数据来源、实验条件和测量单位。
Paperclip Datasets 可以帮助研究者将分散的科学文献转化为结构化数据，为后续的数据清洗、特征工程（Feature Engineering）和模型训练提供基础。
相比只从论文摘要中收集数据，能够进一步利用全文、表格及补充材料的信息，可能获得更丰富的训练样本。
不过，训练前仍需处理重复记录、单位换算、缺失值、实验条件差异和数据泄漏（Data Leakage）等问题。
Paperclip Datasets 与传统数据整理工具有什么区别？
研究人员可能会问：既然已经有 Excel、Google Scholar、普通 AI 搜索工具和 Elicit，为什么还需要 Paperclip Datasets？
关键在于，这些工具解决的问题并不完全相同。
需要注意，表格是对不同工具典型工作方式的概括，并非所有产品版本和使用场景下的完整功能对照。尤其是 Elicit，其功能不应简单等同于只检索摘要；上述90.3%与71.7%的对比则来自 GXL 特定的基准测试，而不是对所有任务的普遍结论。
Paperclip 的差异化优势，在于它不只是帮助研究人员找到论文，而是尝试把文献检索、全文阅读、数据提取和证据组织连接成一条完整工作流。
Paperclip Datasets 使用教程：如何用 AI 从论文快速生成药物数据集？
对于第一次使用的研究人员，建议不要直接从一个过于宽泛的研究问题开始，而是先选择一个边界清晰的数据提取任务。
以下是一个可以直接参考的使用流程。
第一步：明确数据集的研究目标。
例如，不要只输入：
收集药物半衰期数据。
可以改成：
从已发表的人体药代动力学研究中，收集药物消除半衰期数据，优先纳入原始研究论文，排除动物实验和体外实验。
研究范围越明确，越容易减少无关数据。
第二步：定义需要提取的字段。
建议明确要求 AI 提取：
特别需要注意单位统一。例如，分钟、小时和天不能直接混合进行统计分析。
第三步：明确纳入与排除标准。
可以进一步要求：
- 仅纳入人体研究。
- 区分健康志愿者与患者。
- 保留不同剂量和给药途径的数据。
- 排除无法确认原始测量值的记录。
- 不要将不同研究条件下的测量值直接合并。
第四步：检查数据并导出。
获得数据集后，重点检查重复记录、缺失字段、异常数值和原始文献证据。确认数据结构符合研究要求后，再导出 CSV，用于 R、Python 或其他统计分析软件。
一个可以直接使用的 Prompt
药物半衰期数据集构建提示词
可复制后根据自己的研究领域修改
Create a structured dataset of human drug elimination half-life measurements from published pharmacokinetic studies.
Extract the following fields for each measurement:
- Drug name
- Half-life value and unit
- Study population
- Sample size
- Administration route
- Dosage
- Study design
- DOI or source identifier
- Exact supporting evidence from the original source
Include human studies only. Keep measurements from different populations, dosages, and administration routes separate. Do not infer missing values. Flag ambiguous or conflicting measurements for manual verification.
Export the results as a structured dataset.
更多功能和具体操作，可以访问 Paperclip Datasets 官方入口，以及 GXL 官方博客，了解产品更新和技术案例。
使用 AI 自动构建数据集，需要注意哪些问题？
AI 可以显著减少数据整理的时间，但研究人员不能因此放弃数据质量控制。对于真正用于论文发表、药物研发或模型训练的数据集，以下几个问题尤其重要。
不要把提取结果直接当作原始事实。
AI 可能将不同实验条件下的数值混淆，也可能错误识别表格中的列和行。每条关键数据都应尽可能回到原始论文核对。
特别关注同一研究中的重复数据。
一篇论文可能同时报告不同剂量、不同时间点和不同患者亚组的数据。它们不一定是重复记录，也不能简单合并。
统一单位和数据定义。
例如，药物半衰期可能涉及终末消除半衰期（Terminal Elimination Half-life）、有效半衰期（Effective Half-life）等不同概念。即使数值单位相同，也不代表这些指标可以直接比较。
保留完整的数据来源和处理记录。
建议记录 DOI、原文位置、提取日期、纳入标准、单位转换方式及人工修订情况。对于临床研究，还应保留研究注册编号和主要结局定义。
关注数据偏倚和文献覆盖范围。
Paperclip 的全文覆盖能力受到数据源开放程度和索引范围的限制。不能因为某个研究主题没有检索到更多结果，就认为相关研究不存在。系统评价仍需要按照规范的方法开展完整检索和筛选。
因此，更合理的定位是：让 AI 负责大规模信息发现与初步提取，让研究人员负责科学判断、质量控制和最终决策。
从文献检索到科研数据基础设施：Paperclip Datasets 的未来价值
过去，科研数据整理通常是一个以人工为中心的过程。研究人员需要自己寻找论文、阅读全文、复制数字、核对单位，再通过 Excel 或数据库完成整理。
这种方式并没有错，但当文献数量达到数千篇，或者数据需要持续更新时，人工整理的成本会迅速增加。
Paperclip Datasets 所代表的变化，是让 AI agents 不再只是回答科研问题，而是能够参与构建可重复使用的科学数据资产。
未来，这类工具有望在更多领域发挥作用：
- 药物研发： 自动整理药物代谢、毒理学和药效学数据。
- 精准医学： 整合不同研究中的生物标志物和临床结局。
- 循证医学： 辅助系统评价和 Meta-analysis 的数据收集与更新。
- 生物信息学： 从大量论文中提取基因、蛋白质和疾病关联信息。
- 科学机器学习： 为 AI 模型构建有来源、有实验背景的训练数据集。
对于科研人员而言，值得关注的变化并不是 AI 能否在一分钟内生成一张表格，而是能否把过去需要数月才能完成的数据收集工作，转变为一个更快、更透明、更容易重复执行的过程。
如果你正在开展药物研发、系统评价、Meta-analysis 或科学机器学习项目，不妨尝试 Paperclip Datasets。
从一个明确的研究问题开始，定义需要的数据字段，让 AI 帮助你完成初步的数据发现和整理，再通过人工验证建立真正可以用于科研的数据集。
科研工作的竞争力，未来可能不仅取决于谁能更快找到论文，还取决于谁能更高效地把分散的科学证据转化为高质量、可溯源、可持续更新的数据资源。
