Drift Inspector：用原子贡献声明探索与测量科学漂移

研究者发布开源系统 Drift Inspector，用于测量和探索研究领域随时间的变化。该系统先用 LLM 从每篇摘要中抽取去语境化、承载贡献的命题，称为 Atomic Contribution Claims（ACC），再按年份聚类成可交互地图，使每个趋势都能追溯到背后的声明与论文。对 EMNLP 六年数据的应用显示，领域正从经典 NLP 任务转向 reasoning、multimodality 等 LLM 时代能力；该管线已处理整个 ACL Anthology，共 34.6 万条声明、8 万篇摘要、423 个会议，抽取经人工验证，聚类对照外部人工构建的分类体系。

以往判断一个领域走向，多依赖关键词统计或整篇摘要计数，背景、动机和套话会稀释真实贡献信号。该工作把分析单位下沉到可追溯的贡献命题，并公开覆盖 ACL Anthology 的大规模数据，使领域漂移的观测从模糊趋势变为可回溯到具体论文的证据链，为科研趋势分析提供了可复现的基准与方法。

摘要中混杂背景、动机、元语言和实际贡献，直接分析难以区分领域产出了什么与讨论了什么。系统先让 LLM 抽取去语境化的贡献命题，再跨年份聚类并可视化，使趋势可回溯到原始声明和论文。其可信度由两重检验支撑：抽取环节经人工验证，聚类结果与外部人工构建的分类体系对照。

对做文献检索、科研情报、投资研究或技术选型的产品，这意味着可以按贡献命题而非关键词构建趋势面板，减少摘要套话带来的噪声。研发上需要 LLM 抽取管线、跨年份聚类和可回溯数据层；成本主要在抽取与验证环节。用户可看到某趋势由哪些论文和声明支撑，提升结论可信度。

• 在文献分析或科研情报产品中接入 ACC 式抽取，提供可按年份回溯到论文的领域趋势面板。
• 基于已发布的 ACL Anthology 数据，做 NLP 领域漂移的监控与订阅服务，覆盖 423 个会议。
• 为企业技术选型或投资研究提供贡献命题级别的证据追溯功能，替代关键词热度统计。
• 开放抽取与聚类管线的 API，供第三方在自有论文库上复现并对照人工分类体系。

• LLM 抽取 ACC 的准确率和召回率具体数值未在证据中给出，人工验证的规模与方法不明。
• 聚类结果与外部人工分类体系对照的具体一致性指标未披露。
• 该系统在 EMNLP 与 ACL Anthology 之外领域的泛化能力尚不清楚。
• 管线处理 34.6 万条声明的成本、延迟和维护方式未说明。