（本文发表于《现代情报》2026年第10期P41-56）

学术文献中的知识实体是表征其价值内核的载体，对其进行自动化、高精度的挖掘与分析利用，是洞察科技情报发展态势、揭示学科演化规律的重要途径。

方法/过程

以情报学领域11本中文核心期刊的题录信息为研究对象，融合思维链（CoT）知识蒸馏与QLoRA参数高效微调策略，借助大参数教师模型生成包含推理过程的思维链数据，将其蒸馏注入并训练轻量化的小参数学生模型中，实现知识的低耗、高效抽取；对抽取的知识实体，采用融合BGE语义表征和LLMs的BERTopic聚类分析方法，识别并归纳研究主题—数据来源—研究方法（T-D-M）三类簇及关联组合路径。

结果/结论

实验表明，该训练策略能够显著提升学生模型的性能，但与教师模型间仍存在差距；同架构的科技领域预训练大语言模型的基础性能优于通用语言模型。以情报学领域11本核心期刊2021—2025年的9 053篇文献为实证对象，开展知识聚类与关联组合分析，归纳出该领域近年来的主要研究热点与方向，绘制“研究主题—数据来源—研究方法—研究路径”分析图，揭示研究主题、数据来源、研究方法驱动的差异化研究逻辑与潜在研究组合。

支持单位：