项目概述

本项目是一个基于大语言模型的学术研究辅助工具，专门用于从经济学文献中自动提取因果逻辑关系并构建知识图谱。代码复现了经济学顶刊中关于因果推断演进的分析方法，帮助研究者量化分析学术文献中的因果主张和叙事复杂性。

核心思路

系统通过大语言模型（使用 OpenAI API 接口）批量处理经济学论文摘要，自动识别文本中的核心经济概念和因果关系。基于“因果革命”的理论框架，将非结构化的学术文本转化为结构化的知识图谱，通过图论算法计算因果主张比例、叙事复杂性等核心指标，从而量化分析经济学研究方法的演进趋势。

使用流程

1. 环境配置

需要配置 OpenAI API 密钥，安装 openai、pandas、networkx、matplotlib 等 Python 库。

2. 数据准备

准备“期刊样例.xlsx”数据文件，放置在 ./data/ 目录下。文件应包含“文章标题”和“文章摘要”两列必要数据，代码会自动清理缺失值。

3. 模型调用

通过多线程并行处理大量文献，使用精心设计的提示词让大模型提取概念和因果关系。

4. 知识图谱构建

将提取结果构建为有向图，节点代表经济概念，边代表因果关系。

5. 指标计算

自动计算因果主张比例、叙事复杂性、最长因果链等核心指标。

6. 结果可视化

生成特定领域的概念网络图，展示因果关系的分布和结构特征，并自动设置中文字体确保中文显示正常。

技术特色

• 支持 OpenAI API 调用，具备自动重试和错误处理机制

• 采用多线程并行处理，显著提升大批量文献处理效率

• 内置环路检测和修复算法，确保因果逻辑的合理性

• 提供完整的诊断报告，帮助研究者理解文献中的逻辑结构

• 自动处理数据清洗，去除缺失值，确保分析质量

• 支持中文可视化，自动配置中文字体避免乱码

该系统为经济学研究方法论研究提供了强大的计算支持，能够自动分析大量文献并提取有价值的模式特征，适用于学术趋势分析、研究方法评估等应用场景。

参考文献

Garg, P and T Fetzer (2025), “Causal Claims in Economics”, arXiv preprint arXiv:2501.06873.

核心指标计算结果（复刻指标结果）

• 节点总数：12773

• 因果主张比例（Causal Share）：99.25%

• 叙事复杂性（Narrative Complexity）：计算受环路影响（需进一步清洗）

环路检测与处理

检测发现存在逻辑环路：

恒生指数风险 → 深成指数风险 → 上证指数风险 → 恒生指数风险

通过自动环路打破算法，确保网络结构为 有向无环图（DAG）。

最终优化结果（复刻最终实验结果汇报）

• 最终包含因果节点数：964

• 叙事复杂性（Max Causal Depth）：5

核心因果逻辑链

外部冲击 → 资本流入流出 → 汇率变动 → 贷款 → 投资 → 产出