文章主要内容和创新点主要内容本文旨在从科学论文中提取问答对（Question-Answer, QA pairs），帮助研究者快速掌握论文的核心思想和贡献。为此，作者提出了两种QA生成方法，并通过领域专家（Subject Matter Experts, SMEs）和“LLM作为评估者”的范式进行了评估。核心上下文方法（Core Context-based QA Generation, CCQG）：基于论文的标题、摘要和关键词筛选出与核心内容高度相似的“突出段落”，利用大语言模型（LLM）生成问题，通过相似度排序筛选问题后，再生成对应的答案。知识图谱方法（Knowledge Graph, KG-based）：先微调实体关系（Entity Relationship, ER）提取模型（基于REBEL模型），从论文中提取实体关系三元组（head, relationship, tail）构建知识图谱；再通过三元组的TF-IDF类度量（结合实体中心性、语义相似度等）筛选“突出三元组”，基于这些三元组生成QA对。评估结果显示，知识图谱方法生成的QA对在相关性、有用性、准确性等指标上表现更优，能更全面地覆盖论文核心内容；且微调实体关系提取模型对获取高质量三元组至关重要。创新点提出了“生成高质量QA对以总结科学论文核心思想和贡献”的任务，为研究者提供了一种高效、直观的文献理解方式。设计了两种QA生成方法，尤其是基于知识图谱的方法