Exploring the utilisation of Large Language Models within document relation visualisations

Abstract

In deze thesis gaan we dieper in op hoe Large Language Models (LLMs) academisch onderzoek kunnen versterken met ondersteuning van visualisaties. We beginnen hierbij door de overvloed van academische data aan te kaarten. Deze overvloed zorgt voor ervoor dat relevant werk zoeken moeilijker kan zijn. Om dit tegen te gaan, onderzoeken we een combinatie van LLMs en visualisaties.

Hiervoor doen we een literatuurstudie in twee domeinen: binnen Natural Language Processing, specifiek binnen de Transformer architectuur en LLMs, en over bestaande technieken voor het visualiseren van academische publicaties. Deze technieken bestaan uit citatie graven, tijdlijnen en clustering technieken.

Om deze inzichten toe te passen, ontwikkelden we een web applicatie bestaande uit twee delen: Ten eerste de backend die LLMs gebruikt voor het samenvatten, labelen van publicaties en voorstellen van onderwerpen. Verder processed de backend ook publicaties voor de frontend. Ten tweede is er de frontend, waar twee interactieve visualisaties voorgesteld worden: een tijdlijn en een graaf met geclusterde onderwerpen.

We vergelijken onze applicatie met bestaande tools en vinden onze aanpak voordelig voor exploratief onderzoek. Ons prototype heeft een sterke basis voor verbeteringen in academische visualisaties ondersteund door LLMs.