asreview/asreview · 上手攻略

  • 仓库：asreview/asreview
  • 链接：https://github.com/asreview/asreview
  • 分类：academic-writing · systematic-review · active-learning
  • 作者：Tom
  • 更新：2026-08-15

是什么

ASReview LAB（Active Learning for Systematic Reviews LAB）是一个面向系统综述（Systematic Review）场景的主动学习筛选工具，由荷兰 Utrecht University 研究团队开发并在 Nature Machine Intelligence 上发表。

系统综述是学术研究中的基础方法：研究者在海量论文中筛选出与主题高度相关的文献，过程耗时且容易遗漏。ASReview 的核心思路是：用 AI 模型主动学习你的筛选偏好，把最可能相关的文献优先推送到你面前，从而将原本需要逐篇阅读数千篇文献的工作压缩到只标注几百篇。

v3 版本带来了自动去重、标签可编辑、更干净的数据处理流程。

解决什么问题

  1. 筛选效率低：系统综述需要对数千甚至数万篇文献进行二元标注（相关/不相关）。ASReview 通过主动学习将最相关文献排在最前面，将文献筛选效率提升数倍。
  2. 缺乏透明性：传统机器学习模型在文献筛选中是黑箱。ASReview 强调人类是 Oracle，模型只是优先排序工具，所有决策可追溯。
  3. 无法验证模型质量：ASReview 提供 Simulation 模式，可以用已有完整标注的数据集评估模型性能，看模型能以多快的速度找到所有相关文献。
  4. 重复文献干扰：v3 的自动去重功能可以自动隐藏标题和正文重复的文献，保持工作流干净。
  5. 隐私问题：完全本地运行，不上传数据，无使用追踪（需手动设置 PLURAI_DO_NOT_TRACK 类似的标志，但 ASReview 默认不开追踪）。

快速安装

pip 安装（推荐）

pip install asreview

⚠️ 前置要求：Python 3.10 或更高版本

升级

pip install --upgrade asreview

Docker 安装

docker run -p 5000:5000 ghcr.io/asreview/asreview:latest lab

然后在浏览器打开 http://localhost:5000。

服务器部署

asreview lab --port 5555 --ip 0.0.0.0

⚠️ ASReview 官方建议只在封闭网络中使用，不建议直接暴露到公网。生产环境请使用 ASReview LAB Server 版本。

核心用法

标准工作流（6 步）

  1. 导入数据：加载 CSV、RIS、XLSX 等格式的文献数据集
  2. 创建项目：新建 review 或 simulation 项目
  3. 选择先验知识（可选）：提供你已经确定相关或无关的文献，帮助模型冷启动
  4. 开始筛选：对文献标注"相关"或"不相关"；AI 模型持续学习你的偏好
  5. 监控进度：使用仪表盘跟踪筛选进度，决定何时停止
  6. 导出结果：下载标注数据集或完整项目文件

启动 Lab 界面

asreview lab

启动后浏览器自动打开。

Simulation 模式（评估模型性能）

如果你的数据集已有完整标注，可以用 Simulation 模式评估各模型的"召回率-筛选成本"曲线：

# 具体命令参考官方文档
asreview simulate --help

API 编程调用

import asreview

# 加载数据集
project = asreview.Project.create(dataset="your_papers.csv")

# 获取推荐的下一篇文献
next_record = project.get_next_record()
# 标注
project.label(next_record["record_id"], relevant=True)

典型适用场景

场景 说明
医学/临床系统综述 PRISMA 流程要求的系统综述，最典型的应用场景
软件工程文献综述 对大量论文进行系统性筛选，如技术选型研究
政策研究文献调研 政府/智库对海量文献进行结构化筛选
Meta-analysis 收集同主题的多项研究结果进行综合分析
模型基准评估 用 Simulation 模式对比不同主动学习算法在自有数据集上的效果

坑与注意

  1. Python 3.10+：低于 3.10 的 Python 版本不支持。macOS 系统自带 Python 2/3.9，请使用 python3 --version 确认版本。

  2. 数据格式：ASReview 对输入 CSV/RIS 有格式要求（必须有标题和摘要字段）。导入前建议查看官方数据格式说明，无标题行的 CSV 可能需要手动指定列名。

  3. 先验知识的质量决定冷启动效果：如果你提供的"已知相关文献"质量差，反而会误导模型。建议提供 3-5 篇明确相关的文献作为先验，不要随意标注无关文献为"相关"。

  4. Simulation 与 Live 模式混淆：Simulation 模式假设数据集已完整标注，仅用于评估模型；Live 模式才是实际筛选未知数据集的工作流。不要在 Simulation 模式下进行真实综述标注。

  5. 封闭网络使用：官方明确指出 ASReview LAB 适合封闭网络。服务器部署时务必做好网络隔离，不要把含未发表研究的项目暴露到公网。

  6. v3 去重的影响：自动去重会隐藏重复文献，导出时可以选择是否包含这些文献。如果你的研究需要保留所有文献变体（包括不同数据库来源的同一文献），导出前记得勾选"包含重复文献"选项。

  7. 终止时机：ASReview 没有自动终止标准。文献筛选何时"够"由研究者自己判断，通常在连续数十篇无相关文献时可以考虑停止。官方建议记录每日筛选量和相关率变化。

与同类对比

特性 ASReview LAB Abstrackr RobotSearch Colandr
主动学习 ✅ ✅ ❌ ✅
发表同行评审 ✅ Nature MI 2021 ❌ ❌ ❌
Simulation 评估 ✅ ❌ ❌ 部分
开源 ✅ Apache 2.0 ✅ ✅ ✅
支持 CSV/RIS/XLSX ✅ 仅 CSV 需转换 ✅
Web 界面 ✅ v3 ✅ ❌ ✅
Docker 支持 ✅ ❌ ❌ ❌

推荐逻辑：如果你做医学/循证医学系统综述，ASReview 是目前学术认可度最高的开源工具；如果你是软件工程研究需要快速筛选大量论文，ASReview 和 Abstrackr 都可以；如果你需要完全的离线部署，ASReview 的 Docker 方案最可靠。

一句话推荐结论

ASReview 是目前学术认可度最高的系统综述 AI 辅助工具，发表在 Nature Machine Intelligence，适合需要筛选大量文献的各类系统综述工作，但它的效果上限取决于标注质量——它帮你排序，不帮你判断，停止时机也需要研究者自行把控。

最小可跑命令

# 环境：Python ≥3.10，pip

# 安装（一行命令）
pip install asreview

# 启动 Web 界面
asreview lab

# Docker 快速启动
docker run -p 5000:5000 ghcr.io/asreview/asreview:latest lab
# 浏览器打开 http://localhost:5000

环境：Python ≥3.10，pip，4 GB+ RAM；Docker 方案需 Docker 已安装

原始 commit: https://github.com/asreview/asreview/commit/master（本版基于 master 分支 2026-08-15 读取）