/tags/citation-verification/林協霆醫師 (citation-verification)Hugo -- gohugo.iozh-twhttps://htl.physician.tw/favicon-32x32.pnghttps://htl.physician.tw/3232https://htl.physician.tw/favicon-32x32.pnghttps://htl.physician.tw/android-chrome-512x512.png5bbad5Mon, 20 Apr 2026 00:00:00 +0000/blog/audit-oe-skill-2026-04-20/Mon, 20 Apr 2026 00:00:00 +0000/blog/audit-oe-skill-2026-04-20/<h2 id="introduction引言" > <div> <a href="#introduction%e5%bc%95%e8%a8%80"> # </a> Introduction（引言） </div> </h2> <p>LLM 在醫學文獻問答上的最大風險是「幻覺引文」：表面上引用了某篇論文，實則該論文不存在，或標題作者與宣稱不符。即便 OpenEvidence 等工具已嘗試以檢索增強生成（RAG）緩解此一現象，仍可能在文獻邊緣案例中出現錯位。本 Skill 的設計目的，是建立一個獨立的稽核層，對 <code>openevidence-mcp</code> 的每筆引文進行平行 PubMed 驗證並產出結構化準確性分數，使使用者能在書寫前知曉引用品質。</p> <h2 id="methods方法" > <div> <a href="#methods%e6%96%b9%e6%b3%95"> # </a> Methods（方法） </div> </h2> <p>Skill 接收一組由 <code>openevidence-mcp</code> 回傳的引文列表，對每筆引文以平行方式呼叫 PubMed E-utilities，比對 PMID、標題、作者、期刊與年份。比對結果以多維度給分（標題相似度、作者一致性、期刊匹配度），最後彙整為單一準確性分數。實作以 TeX 為輔助記錄方法學細節，並以 Python 進行查詢與分析。</p> <p>設計上強調「獨立驗證」：稽核管線完全與引文來源解耦，避免使用同一個 LLM 進行自我評分。此外，平行查詢顯著縮短整體稽核時間，使其能即時嵌入研究者的書寫流程而不致打斷思路。Skill 安裝方式為 <code>npx skills add htlin222/audit-oe-skill</code>。</p> <h2 id="results結果" > <div> <a href="#results%e7%b5%90%e6%9e%9c"> # </a> Results（結果） </div> </h2> <p>稽核 Skill 能在數秒內為一份引文列表打出綜合準確性分數，並標出可疑或無法驗證的條目。對於使用 OpenEvidence 起草論文段落的研究者，這提供了「先稽核再採用」的安全網，顯著降低投稿後因錯誤引用而被審稿人質疑的風險。Skill 形式亦使其能與其他寫作 workflow 自然串接。</p> <h2 id="discussion討論" > <div> <a href="#discussion%e8%a8%8e%e8%ab%96"> # </a> Discussion（討論） </div> </h2> <p>本專案實踐了「LLM 治理 LLM」的思維：當生成端越來越強，驗證端就必須以獨立工具承擔抑制偏誤的責任。限制方面，PubMed 並非所有醫學文獻的金本位，部分區域期刊可能不被收錄；準確性評分的權重需要持續校準。未來可加入 Crossref 與其他資料庫的多重比對、引入 LLM 進行語意相似度判讀，並擴展至非醫學領域的引文稽核。</p> <h2 id="連結" > <div> <a href="#%e9%80%a3%e7%b5%90"> # </a> 連結 </div> </h2> <ul> <li>GitHub：<a href="https://github.com/htlin222/audit-oe-skill">htlin222/audit-oe-skill</a></li> <li>主要語言：TeX</li> <li>最後更新：2026-04-20</li> </ul>