当文献数据误导材料发现中的人工智能

摘要

人工智能日益将科学文献视为构建数据库、训练预测模型和指导发现的数据来源，但文献衍生数据集往往假设报道的实验值内部一致且可直接复用。本研究以固体电解质（SE）电导率数据为代表案例，追踪数值从源论文进入整理数据集的过程，发现常见的文本-图表不一致、坐标轴标注含混、单位不一致和测量背景缺失。这些偏差在数值上往往看似合理，常规预处理难以察觉，却可能在数据库构建和机器学习复用中作为结构化标签噪声传播。一个跨数据库示例显示，含混报告可造成100倍电导率误差。该分析将数据准确性重新定义为AI驱动发现的基础设施要求，并推动可溯源报告、整理与验证实践。