@ASofiMahmudi: 介绍 Jev Reviewer,一款为系统综述者设计的工具,用于快速查找和提取研究文章中的信息。
摘要
Jev Reviewer 是一个开源工具,通过使用 AI 从研究文章中提取直接引用来帮助系统综述者,支持多种文件类型,并确保所有处理都在浏览器本地进行。
查看缓存全文
缓存时间: 2026/09/19 15:08
Jev Reviewer:从论文中提取系统评价所需数据
来源:https://choxos.github.io/jev-reviewer/
论文实际报告了什么?
将论文拖放至此处(含补充材料)
用于系统评价与Meta分析的数据提取工具。添加试验报告及其附录、方案、分析计划和数据表格(支持PDF、Word、Excel、PowerPoint、OpenDocument、RTF、网页、CSV或文本格式),然后根据您表格所需内容提问。系统将搜索每个文件;每个答案均来自文件的原始引用段落,并标注页码或行号供您核验。
所有文件仅保存在当前浏览器中,无任何数据上传。
示例使用Johnson等人2026年发表于《PLoS Medicine》的论文,含其统计分析计划与CONSORT清单(CC BY 4.0协议)。
工作原理
Jev作为TypeSafe的System One模型,从不直接生成答案。它逐页阅读文件,并指向回答您问题的原文段落;应用程序将逐字复制这些段落,并标注出处文件和页码。每个问题需进行两轮处理:首先同时筛查所有文件段落针对所有问题,随后逐条检查有希望的段落。答案将标记为“已报告”“不明确”或“未找到”,若某答案分散在多个表格行中,系统将保留所有相关引用。
您始终保持评审员身份。对于每段引用,绿勾标记可将其设为当前问题的答案(其他引用将折叠,直至被再次调用),铅笔图标可编辑您的答案,方框图标可复制引用段落及其出处。引用内容将严格保持原文;您可自由编辑生成答案。若问题标注为“结局数据”,则需按干预组逐一回答(样本量N、均值与标准差SD,或事件数与N),并从引用原文中提取数值。问题下方的“检查”按钮可确认当前答案(例如当文件未报告该信息时)。数据提取表将展示每项研究对应每个问题的答案,在排除研究后统计PRISMA流程图,导出结果,并通过不同标签页显示:偏倚风险评估、撤稿信息、开放获取副本、与其他评审员的答案对比,还能自动生成方法段落、PRISMA 2020流程图及纳入研究表。在筛选阶段,“去重搜索结果”功能可识别数据库导出中被规则和Jev共同识别的重复条目,仅由单方识别的条目则供您人工裁决。标题与摘要筛选功能将逐条记录与您的纳入标准比对:Jev根据标题和摘要判断每项标准,您做出最终决定,被纳入的条目将成为项目的研究对象。
项目、研究、文件及答案均保存在当前浏览器和设备上:无任何数据上传或服务器存储。仅文件文本和您的提问通过本其中继服务传送至TypeSafe(使用共享密钥,每日有用量限制)。为检查撤稿及开放获取副本,研究的DOI或PubMed ID将通过中继服务查询Crossref、OpenAlex、PubMed,并访问Retraction Watch(XeraRetractionTracker)及PubMed Central。在Chrome浏览器中,语音识别功能会将您的语音发送至Google。Google Analytics仅统计访问量,无法获取您的文件、提问或项目与研究名称。
按回车键提交提问。“查找”功能可即时在文件中搜索精确词汇,无需调用Jev。您可说出问题,或使用“下一个”“上一个”在不同引用间切换。
快捷键
当无输入框处于激活状态时:
- J/K:在答案间切换
- C:切换当前答案的勾选状态
- E:开启/关闭答案编辑器
- N:跳转至下一个未核验的答案
- /:返回提问框 在编辑器中:按Esc关闭编辑器。完成所有答案核验后,即可一键进入下一项研究的核验流程。
指南(https://choxos.github.io/jev-reviewer/guide/)将逐步指导完成整个系统评价流程,从导入文献到报告工具使用方式。
项目管理
一个项目包含其所有研究;一项研究包含其所有文件及答案。数据仅保存在当前浏览器和设备,永不上传。加载至项目的提问模板可应用于该项目下的任意研究,项目导出文件将包含所有研究的答案汇总表。
搜索结果去重
添加数据库导出文件(支持RIS、BibTeX、EndNote、PubMed、Web of Science、CSV或Excel格式)。系统通过两种方式识别重复项:基于DOI、PubMed ID和标题的精确匹配,以及Jev智能识别。双方均识别到的重复对将被移除;仅被单方识别的重复项将保留供您人工判定。
相似文章
EviStreams: 医学系统综述中的人机协作 AI 数据提取
EviStreams 是一个开源、无代码的网络平台,它使用人机协作 AI 进行系统综述中的数据提取,表明数据提取的质量更依赖于字段规范而非模型选择。
@omarsar0: 找到 Jev 的一个优秀生产用例。我使用 Jev 整理了约 2300 篇 AI 研究论文。总成本仅为 0.14 美元,
一位用户分享了一个生产用例,其中 Jev 工具高效地重新标记了 2300 篇 AI 研究论文,具有高准确性和低成本,改进了先前的分类方法。
Jev – 在X平台上的Jev演示精选、工具、技能与集成
本文汇集了Jev(TypeSafe AI的类型化决策模型)的演示、工具、技能与集成,旨在为开发者提供入门参考。
我将Jev作为我的AI智能体的“潜意识”辅助工具进行了测试
本文介绍了使用Jev作为快速分类器,为AI智能体过滤和处理小任务,从而提高效率并降低成本。
Jev 的一些有趣颠覆性用例,欢迎补充。
本文介绍了 Jev 的几个颠覆性用例,这个工具可应用于 AI 评估、语音 AI、工作流、合成角色等,为各种 AI 任务提供快速且可量化的解决方案。