通过上下文工程应对基于大语言模型的数据提取中的挑战：对Jansen等人（2025）的评论

他们的研究结果表明，尽管大语言模型在描述研究特征的某些变量上达到了可接受至良好的准确度，但在数值变量上表现不佳，尤其是与效应量相关的变量。在本评论中，我们讨论自动化数据提取当前的挑战以及改进Jansen等人研究报告工作的潜在路径。我们将讨论置于上下文工程的框架内，旨在通过针对特定任务的动态优化策略来完善提供给大语言模型的信息。我们识别出五项关键挑战，这些挑战反映了大语言模型的独特模式或研究综合中的标准做法：解析半结构化数据、理解长上下文、进行算术归纳、开展复杂推理以及确保编码协议的可重复性。随后，我们概述了受上下文工程实现（如检索增强生成和工具集成推理）启发的潜在解决方案。为便于说明，我们呈现四个示例：通过光学字符识别提取半结构化数据、通过函数调用可靠地计算效应量、使用基于大语言模型的智能体执行自适应检索，以及通过自我完善迭代改进输出。最后，我们呼吁未来在自动化数据提取方面的研究应超越简单的指令遵循范式，迈向更可靠的上下文工程形式。（PsycInfo数据库记录（c）2026 APA，保留所有权利）。