综述：古典中医文献注释与索引的方法、挑战及未来发展方向：一项叙述性综述 刘思哲（Sizhe Liu） 周颖（Ying Zhou） 宋永梅（Yongmei Song） 陈聪（Cong Chen）

《Publications》：Methods, Challenges, and Future Directions in Annotation and Indexing of Classical Chinese Medical Texts: A Narrative Review Sizhe Liu, Ying Zhou, Yongmei Song and Cong Chen

　　摘要
对古典中医文献的注释和索引能够提取核心信息，促进结构化注释和标准化索引的实现。这些过程为知识检索、数字化利用以及对这些文献的深入分析提供了重要支持。数字技术的最新进展为注释和索引开辟了新的可能性，提供了应对古典中医文献抽象、简洁且复杂性质所带来的挑战的变革性方法。然而，现有研究在很大程度上忽视了注释和索引在工作流程中的内在联系和协同机制。本研究将注释和索引视为一个整体进行探讨，回顾了当前的研究现状，指出了存在的挑战，并提出了未来的发展方向。研究结果表明，古典中医文献注释和索引的主要挑战集中在四个关键领域：文化内涵、规则制定、结果传播和技术算法。解决这些问题需要采取系统化的方法，包括建立中医文化遗产框架、制定标准化的注释和索引原则、构建高质量的语料库、优化数据流通机制以及改进智能算法。推进古典中医文献的注释和索引不仅有助于其高效流通和二次利用，还为大规模挖掘中医知识、现代传承和跨学科智能应用奠定了坚实基础，从而推动该领域的创新发展。

1. 引言
注释通过根据特定规范添加信息来丰富语料库文本，而索引则通过分配标准化的语义标识符来实现文本内容的高效检索。注释和索引在自然语言处理（NLP）和知识组织的研究与应用中发挥着关键作用，共同构成了原始数据与智能信息技术之间的核心桥梁。NLP包含了一组基于理论的计算方法，通过多层次的语言分析和表示技术来解析自然语言。这些方法模拟人类的语言处理能力，以适应各种任务和应用场景，从而为知识组织提供技术支持（Guetterman等人，2018年）。知识组织则提供了一个分层框架，用于系统地构建古代文本知识和智能服务。在此基础上，注释和索引不是孤立的技术操作，而是贯穿整个分层框架的。它们涵盖了五个相互关联的层次：数据层、注释层、标准化层、索引层和应用层，以实现从原始文本到智能应用的完整过程。概念模型如图1所示。

近年来，中医的数字化转型加速了核心NLP任务（如命名实体识别NER和关系提取RE）在古代中医文献注释和索引中的应用，取得了显著成果。注释和索引表现出双向互动：注释结果为索引自动化提供信息，而索引输出则为注释提供规范约束。然而，由于学科壁垒和技术工具的碎片化，当前研究往往将注释和索引视为孤立的任务，主要关注优化注释方法或开发索引平台，从而忽视了两者在更广泛的知识组织工作流程中的内在联系和协同机制。最近，研究人员提出了针对现代文献的协作式注释和索引方法。例如，一项关于罕见疾病的研究引入了首个系统化且可扩展的罕见疾病文献大规模注释和索引的语义框架（Azarbonyad等人，2026年）。尽管如此，针对古典文献的注释和索引的综合研究仍大多未被探索。因此，本综述将注释和索引作为一个整体进行探讨，重点关注古典中医文献，定义了古代中国文献背景下的注释和索引关键概念，分析了常见的方法论方法，并指出了当前挑战及潜在解决方案。通过这种方式，本研究旨在为古典中医文献的深入分析、资源共享和可持续利用提供理论见解和实践指导，最终促进从数字保存向智能应用的转变，为实现知识组织和数字人文学科的更广泛目标做出贡献。

2. 方法
本研究采用叙述性综述方法。首先对古典中医文献的注释和索引进行了文献搜索，从中文和英文数据库中选取了具有强烈主题相关性和重要学术影响力的相关文献，以支持对核心问题的深入讨论。搜索范围涵盖了CNKI、万方数据和VIP等中文数据库，以及Web of Science Core Collection和PubMed（MEDLINE）等英文数据库。搜索时间跨度从各数据库建立之初至2026年3月。中文搜索词包括“中医古籍”（古典中医文献）与“标注”（注释）、“标引”（索引）、“知识组织”（知识组织）和“自然语言处理”的组合；英文搜索词包括“Traditional Chinese Medicine”或“Chinese medical texts”与“annotation”或“indexing”或“knowledge organization”的组合，以及“Natural Language Processing”或“named entity recognition”或“relation extraction”的组合。通过审阅标题、摘要和全文，我们纳入了与古典中医文献的注释、索引和自然语言处理直接相关的原创研究、综述和实证研究。以下类型的出版物被排除在外：（1）非期刊文献，如会议论文、报告、专利、新闻和书籍；（2）缺乏作者、所属机构或年份等基本信息的文献；（3）重复记录；（4）主题与古典中医文献的注释和索引明显无关的文献。需要指出的是，作为叙述性综述，本研究并不追求对文献的全面覆盖，而是通过明确描述搜索和筛选策略来确保方法论的透明度，从而支持对核心问题的讨论。

3. 古典中医文献及其注释和索引的特点
由于古典中医文献具有独特的特点，如广泛的历史跨度、多样且复杂的内容以及高度专业化，因此需要建立专门针对这些特点的注释和索引原则。

3.1. 古典中医文献的特点
现有的古典中医文献数量庞大、类型多样且历史跨度广泛（Shi等人，2025年）。它们还具有抽象性、简洁性和复杂性等内在特征。这些文献主要是非结构化文档，缺乏统一的框架，语义分散且包含丰富的概念隐喻。它们通过建立不同物质实体之间的联系来创造“元气”和“阴火”等抽象概念（K. Chen等人，2025年）。古典中医文献广泛使用隐喻、转喻和互文性等修辞手法。例如，“脾是湿土”这一表述将脾的生理功能比作土的特性。同时，“同一种草药有多个名称”和“不同草药有相同的名称”等现象在这些文献中很常见。例如，“ShuYu”、“Huai Shanyao”和“HuaiShan”都指“山药（Common Yam Rhizome）”，而“rendong”和“jinyinhua”实际上是“金银花”的不同名称。此外，中医理论的固有不连续性和地域特殊性意味着同一理论概念在不同历史时期的名称和内涵可能有所不同。同样，各地的医学家形成了不同的学派，每个学派都有独特的治疗和草药偏好。例如，“不可通约性”这一概念被用来分析中医理论体系的演变，揭示了“补中益气”概念的转变。这表明理解中医概念不能仅依赖字面解释，还需要结合具体背景和文化背景全面把握其本质（L. Y. Zhu等人，2024年）。与基于词典和规则的方法相比，机器学习方法更适合处理大规模数据和复杂的注释任务，并能有效捕捉数据中的深层关系。然而，这些方法高度依赖语料库，需要大量的注释数据，往往导致注释结果不稳定。此外，它们的统计模型通常基于独立性假设，难以充分处理语言中的复杂语义依赖关系。

3.2. 古典中医文献注释和索引的原则
尽管已有学术探索针对古典中医文献的注释和索引进行了研究，但尚未建立统一的标准和技术规范。学术界提出了基于“不重叠、不嵌套和最小化”标准的中医文献语料库注释原则。根据这些原则，应选择最小的语义单位作为注释实体进行标注，同时确保语义完整性，并优先标注疾病和症状等实体（L. H. Liu等人，2022年）。一个给定的字符字符串只能被标注为一种类型的实体，实体之间不应存在语义或文本范围的重叠。例如，“风热感冒”应作为一个“症候”类型的整体进行标注，而不是拆分为“风热”和“感冒”，或者同时标注为“症候”和“疾病”。此外，应避免标注非实质性语义元素（如标点符号和古典功能词），以减少冗余信息对后续语料库分析的干扰。表1使用《伤寒论》原文中的例子说明了注释原则。

数字古代中医文献的索引原则是“文档保证、用户保证和基于目录设计的深入处理”。这些原则要求索引词必须是文献中实际使用的词语，用户可以搜索这些索引词进行检索，并且索引应超出书籍目录的范围，涵盖正文中明确提及但未包含在目录中的标题或主题（W. N. Zhang等人，2025年）。

4. 古典中医文献的注释
古典中医文献的注释是指识别、提取和标准化这些文献中知识单元标识的过程。其核心目标是将古典中医文献中语义分散的内容转化为可应用的结构化信息。目前针对古典中医文献的主要注释任务包括词性标注、NER和RE。这些任务通常使用基于词典和规则的方法、机器学习和深度学习来完成。

4.1. 古典中医文献的注释任务
词性标注是自然语言处理中的基本任务。它涉及确定句子中词语的语法类别，识别它们的词性并相应地进行标注（Xiong等人，2019年）。古典中医文献的词性标注涉及使用机器为文本中出现的中医术语分配最合适的语法类别。例如，在“气虚导致疲劳”这一短语中，“气”作为属性修饰“虚”，被标注为形容词。在“治疗虚证需要补益”这一短语中，“虚”作为宾语，指的是“补”，被标注为名词。词性标注直接影响文本内容的理解以及后续应用（如信息提取和文本处理）的性能（Yuan，2014年）。古典中医文献包含许多有意义的语言实体，如疾病名称、症候类型和草药名称（L. L. Liu等人，2020年）。NER利用自然语言处理技术从非结构化文本中提取和识别这些离散的实体单元。基于NER识别的实体，RE探索实体之间的语义关系，主要目标是从包含注释实体的句子中提取实体关系，表示为实体-关系-实体三元组（Yan等人，2025年）。NER和RE的结合可以识别和提取这些语言实体，通过标准化映射将非标准实体统一为领域标准术语。例如，在从古代文献中提取出“XiaoDan”和“FeiXiao”等术语后，可以将它们与中医诊断和治疗的临床术语联系起来，将这些语言实体映射到消渴病的标准实体上。共指消解是将指代同一实体的表达式分组到一个等价集的过程，其主要任务是确定指代词与其先行词之间是否存在语义关联。共指涉及用一个指称表达式替换上下文中的语言单位。在古典中医文献中存在大量的共指现象。例如，在《金匮要略》中关于大承气汤的描述中提到：“在阳明病中，如果出现潮热且大便稍硬，可以服用大承气汤；如果大便不硬，则不应服用。”这里的“Zhi”指的是“大承气汤”。中医文献中的共指省略可能导致指称模糊，影响对原文的理解和信息提取的效率。共指消解可以有效解决文本中的指称模糊问题，从而提高信息获取的准确性和完整性（T. T. Zhang等人，2025年）。

4.2. 古典中医文献的注释方法
目前采用的注释方法包括基于词典和规则的方法、传统的机器学习方法以及基于深度学习的方法（W. X. Xu等人，2024年）。基于词典和规则的方法依赖于带有权重的手工制定规则。这些方法需要预先构建中医术语词典或手动定义规则模板，然后使用正向、反向或双向匹配算法来识别和注释古典中医文献中的匹配术语。这种方法可以高效地识别文本中的词性标记和特定实体。然而，它严重依赖于专家定义的规则，在处理多样化和复杂的文本时效果有限（Tan等人，2024年）。
传统的机器学习方法主要包括条件随机场（CRF）、隐马尔可夫模型（HMM）、支持向量机（SVM）和最大熵模型（MEM）。其中，CRF模型在解决标签偏差问题方面表现最佳，具有最高的识别准确率；因此，它被广泛用于古典中医文献中的词性标注、句法分析和命名实体识别等任务。与基于词典和规则的方法相比，机器学习方法更适合处理大规模数据和复杂的注释任务，并能有效地捕捉数据中的深层关系。然而，这些方法高度依赖于语料库，需要大量的标注数据，这往往导致注释结果不稳定。此外，它们的统计模型通常基于独立性假设，难以充分捕捉语言中固有的复杂语义依赖关系。
近年来，深度学习方法，如双向编码器表示（BERT）和双向长短期记忆网络（BiLSTM），越来越多地应用于古典中医文献的注释（Y. Xu等人，2026年）。BERT模型通过堆叠Transformer编码器构建，可以利用上下文共现条件预测未标记文本的深层双向表示，从而更彻底地捕捉句子内的双向关系。BiLSTM由一个前向LSTM和一个后向LSTM组成，形成一个双向循环神经网络。这种结构使其能够更好地捕捉双向语义，并解决循环神经网络训练过程中梯度消失或爆炸的问题。为了提高注释和索引的效率和准确性，上述三种注释方法经常结合使用。例如，研究人员使用RoBERTa-BiLSTM-CRF构建了一个用于古代中医病例记录的命名实体识别模型，在已建立的新安医学病例命名实体语料库上展示了强大的识别性能（L. Y. Zhang等人，2024年）。使用词典结合BiLSTM-CRF方法对中医病例进行手动注释可以显著提高模型的精确度和召回率（R. Xiao等人，2020年）。基于深度学习的方法在中文命名实体识别方面具有优势，包括高准确性、强鲁棒性和高处理效率。通过广泛训练从上下文信息中提取语义关系，这些方法有效解决了语义多样性和词边界分割等问题，从而增强了自然语言处理能力并扩展了应用场景。然而，它们也存在一些局限性，如复杂的架构、高训练成本、长时间的训练周期、大量的参数需求以及较差的可扩展性。
图2和图3展示了两种常见的注释方法：图2. 基于词典和规则的注释方法；图3. 基于BERT-BiLSTM-CRF的注释方法。
最近，大型语言模型（LLMs）的出现，以生成预训练模型为代表，为解决上述挑战开辟了新的途径。LLMs可以从非结构化的古典中医文献中提取关键信息，并将其转换为可计算的、结构化的表示。它们可以在少样本甚至零样本情况下执行多种任务，如命名实体识别、关系提取和文本分类。这一范式转变显著推进了信息处理和知识发现的自动化，使研究人员能够在不构建大规模标注语料库的情况下对古代文献进行初步处理，从而大大降低了技术障碍。以2022年发布的OpenAI的ChatGPT（GPT-3.5）为代表，LLMs在各种自然语言处理任务中表现出色，这得益于它们强大的语言理解和生成能力。通过微调或领域适应，这些模型可以针对特定领域进行定制，从而更准确地理解和生成领域特定文本，并提高预测和生成输出的质量。一些研究团队专门为中医领域开发了LLMs。例如，TCMChat是一个基于Baichuan2–7B-Chat构建的生成型LLM，结合了预训练（PT）和监督微调（SFT）。研究表明，它在多项任务上的表现显著优于现有的主流模型，包括选择题、阅读理解、实体提取、病例诊断以及草药和方剂推荐（Dai等人，2024年）。
本节比较了四种注释方法的应用场景和性能：基于词典和规则的、传统的机器学习、深度学习和基于大型语言模型的方法，详见表2。
表2. 古典中医文献注释方法的比较。

5. 古典中医文献的索引
古典中医文献的索引是根据文本的特征主题分配内容检索标识符的过程。其结果可以分为文档级索引和知识级索引（Y. Xiao，2017年）。前者关注外部书目特征，如标题、章节、作者和版本，支持文献检索和资源管理；后者关注文本内部的知识单元，包括概念、实体和关系，促进知识发现和智能应用。本研究主要讨论知识级索引，实际中通过两种方法实现：自上而下和自下而上（Norah等人，2014年）。
5.1. 自上而下的索引模式
自上而下的索引通常遵循知识体、知识元素和语义的层次分解，从知识体到知识元素，最终到语义层面。一个知识体由一个或多个知识元素组成，代表一个主题类别或知识簇，用于索引，如疾病、症状或药物。一个知识元素由多个语义单元组成，是系统中能够表达完整概念的最小知识单位，不能再进一步分解。它对应于具体的药物名称或疾病名称等离散概念。在最低层，这些知识元素通过语义关系连接起来，以捕捉它们之间的相互联系。索引过程如图4所示。研究人员首先预先建立一个索引系统，该系统预配置了包含知识体内相关知识元素的模板。然后，索引器可以选择适合要索引的文本的模板，并按照知识体、知识元素、语义和语义关系的顺序进行注释。自上而下的索引模式可以产生具有明确定义的语义连接的清晰文本知识结构。然而，这种方法面临框架开发周期长、更新延迟以及无法准确索引模糊内容等问题（Kevin，2012年）。一些研究人员采用自上而下的方法对《黄帝内经》进行了深入索引。他们将内容分为六个主要类别——养生、疾病、针灸、诊断方法、脏腑表现理论和阴阳五行——从而完善了经典文献的语义网络。这项工作为构建古典中医文献的知识图谱和索引系统提供了模板（Y. Wang & Wang，2020年）。
图4. 自上而下的索引模型。

5.2. 自下而上的索引
自下而上的索引采用实体-关系-实体的方法处理非结构化文本材料，其中“实体”主要对应文本中的名词，“关系”主要来自动词和上下文连接。与依赖预定义框架的自上而下的索引不同，自下而上的索引从原始文本开始，逐步通过提取和组织信息来构建知识结构。这种方法借鉴了扎根理论的三级编码逻辑，并根据数据特征和研究目标灵活调整层次结构。这种索引方法的一个关键特点是其灵活性：类别和层次结构不是预先固定的，而是根据数据和研究目标动态调整的，从而形成全面且适应性强的知识网络。索引过程如图5所示。按照从部分到整体的顺序，自下而上的索引逐步从原始文本中提取核心意义，并将提取的代码连接成一个完整的知识网络，具有全面性和高灵活性。然而，自下而上的索引往往更侧重于知识网络本身的构建，难以为长段落建立高级编码标准，也难以形成清晰的框架结构。学者们使用知识元素索引方法提取症状知识元素，并将其分解到语义层面，然后利用扎根理论逐步对症状进行编码和分类，最终提取出510个症状知识元素、1361个症状语义和8个症状类别（Hou等人，2023a）。
图5. 自下而上的索引模型。

6. 古典中医文献注释和索引中的问题
古典中医文献的注释和索引仍然面临许多挑战，包括中医文化的独特性、缺乏标准化规范、文本质量差、过时的注释算法以及流通范围有限。以下部分详细讨论了这些核心问题。
6.1. 对中医文化内涵的解释不足
作为融合人文学科和医学的跨学科领域，中医的理论体系深深融入了儒家、佛教和道家的哲学思想，并与特定的历史和文化背景交织在一起。然而，受到现代西方形而上学理论和实证研究方法的影响，传统哲学对中医理论的指导作用逐渐减弱。现代中医教育进一步将西方医学课程融入中医教学中，常常忽视了中西医学在认知逻辑和理论范式上的根本差异（Chien，2023年；Fan等人，2024年）。此外，中医文化具有独特的当代特征和深刻的哲学内涵。由于文化断裂和时间的流逝导致意义丧失，解释者的理解差异导致了古典中医文献传播中的偏差。例如，在《皇济妙方》的宋朝版本中，“三步禹法”被错误地改为“两步或三步”。“三步禹法”是指古代萨满系统中的基本禹法形式，而不仅仅是“几步”的另一种表达。这种对核心概念理解的偏差可能导致在注释古代文献时出现词分割和提取错误（J. Zhang & Shen，2014年）。
6.2. 缺乏系统化的标准和规范
中医语言系统和中医文献元数据的语义网络框架定义了中医文献元数据标准化的基本原则和方法。然而，当前古典中医文献的注释和索引实践主要依赖于算法逻辑或注释者的个人经验，缺乏对中医术语历史起源和语义内涵的系统参考。这导致注释和索引结果出现根本性的语义偏差，例如“用现代理解解释古代概念”或“概念错位”。因此，对古典中医文献进行文本研究，并基于此研究建立权威的注释和索引规范是非常必要的。采用不同的规范可能会导致同一文本的注释系统出现异质性，甚至提取出不同的语言实体，从而影响注释结果的一致性和可重用性。例如，在对《神农本草经》进行命名实体识别时，不同的研究采用了不同的参考标准。周参考的标准包括《中国药典》、《中医疾病分类与编码》、《中医诊疗术语》、《中药编码规则及其代码》以及《中医基础理论名词》（GB/T 20348-2006）。相比之下，童参考的标准是《健康信息学—中医语言系统的语义网络框架》（GB/T 38324-2019）和《中医—中医临床术语系统分类》（ISO 19465:2017）。这两项研究中使用的知识框架和分类方法存在显著差异（Zhou等人，2024；Tong等人，2024）。

6.3 数字资源开发的滞后
文本过滤作为古典中医文献注释和索引的核心初步步骤，对整个过程的效率以及后续模型数据训练的难度有着重要影响。由于这些文献跨越了多个朝代，并具有不同的时代特征，古典中医文献存在许多复杂的版本。《神农本草经》本身就有26个已编纂的版本（Zhao等人，2017）。仔细挑选高质量的版本进行注释和索引可以在很大程度上避免选择基础文本时可能出现的系统性风险。然而，仍然存在许多挑战。文本数据库主要依赖于权威机构发布的版本，但编辑在编纂和出版过程中可能会添加注释，从而改变古代文本的原始面貌。例如，“温疫”和“瘟疫”这两个词在各种文献中可以互换使用，它们都指流行性疾病。如果文本数据库只包含“瘟疫”，那么包含“温疫”的内容可能会无法被识别。此外，古典中医文献中包含许多当前输入技术无法识别或记录的罕见和晦涩的字符，这可能导致关键文本信息的遗漏（Ma等人，2022）。上述问题会降低中医文本数据库的质量和准确性。由于注释和索引的质量在很大程度上取决于文本数据库的质量，原始文本数据的准确性不足会直接导致术语识别和关系关联的错误，最终影响注释和索引过程的效率和准确性。

6.4 研究成果的传播不足
对古典中医文献进行注释和索引的初步阶段需要使用文本识别技术来选择和识别内容。这些内容随后会被转换成TXT、XML或JSON等自定义格式以便系统读取。这些格式之间存在显著差异，使得跨系统的数据导入和集成变得困难。此外，目前对古典中医文献的注释和索引工作主要集中在单个文献或狭义的疾病研究上。例如，有一项研究使用深度学习对《脉经》中的中医术语进行了命名实体识别（Song等人，2024），而另一项研究则基于相对位置自注意力机制对《伤寒论》中的实体进行了识别（H. M. Xu等人，2024）。这些成果大多分散在各个内部数据库中，而且平台子系统往往不兼容。不同平台的注释结果形成了数据孤岛，导致资源浪费，并阻碍了古代中医知识的大规模整合和跨领域应用，如中医知识图谱的构建以及智能诊断和治疗辅助系统的开发。

6.5 通用算法难以适应古典中医文献的语言
古典中医文献包含多种类型的实体内容，单一的注释和索引方法效果不佳。因此，目前广泛采用“人工+机器注释”的组合方法来进行注释和索引。然而，人工注释效率低下且准确性不高。基于CRF的机器学习模型对样本的依赖性较低，并可以利用上下文信息进行双向识别，但其泛化能力有限，导致在未见数据上的表现较差。目前，BERT-BiLSTM-CRF或BiLSTM-CRF等深度学习模型在注释实践中更为常见。BERT是一种基于Transformer架构的通用预训练模型，但它难以完全理解中医领域的专业术语。此外，当处理过长的输入文本时，该模型的计算复杂性显著增加。BiLSTM在输入序列长度上有固定限制；处理超过阈值的文本需要截断或分割，这可能会破坏中医文本的逻辑完整性。此外，BiLSTM的反向模块需要额外训练，这在模型训练期间需要更多的GPU资源，难以满足古典中医文献的实时注释和广泛术语提取需求。作为深度学习模型，BiLSTM的性能高度依赖于大规模、高质量的标注数据。训练数据不足或分布不平衡可能导致过拟合等问题。例如，一项关于《伤寒论》的命名实体识别研究指出，数据集较小且实体分布不均，这可能导致过拟合。作者建议通过扩展数据集等方法来提高模型识别效率（J. W. Wang等人，2021）。

7. 改进古典中医文献注释和索引的未来方向
为了应对当前古典中医文献注释和索引面临的挑战，领域专家之间的合作努力，建立一个整合技术支持、机构创新和生态协同的多维工作机制，是解决这些挑战并实现该领域突破的关键途径。

7.1 完善古典中医文献智能发展的标准化系统
相关专业组织已经发布了多项行业标准，如《中医通用信息化术语》（T/CIATCM 001-2019）、《健康信息学—中医数据集分类》（GB/T 38327-2019）和《健康信息学—中医语言系统的语义网络框架》（GB/T 38324-2019）。2024年7月1日，中国中医信息协会发布了《中医数字古籍索引规则》（T/CIATCM 119-2024）。该标准定义了数字古典中医文献的相关术语，并规定了这些材料的图像及其对应文本的索引原则和方法。然而，目前的注释和索引规范尚未形成一个统一的系统，难以实现研究成果的互操作性和重用。未来，研究人员应基于古典中医文献的独特特点，首先整合现有的语料库注释标准，结合领域专家的意见，利用现行法律代码、国家标准和权威参考书作为指导，制定一套全面系统的注释和索引规范。对于已经包含在现有标准中的术语，通常不建议拆分其索引，以确保索引实践的语义完整性和一致性。当古典中医文献中存在语义不匹配或重叠时，在标准制定过程中对术语和命名进行深入的文本研究可以提供重要支持。这样的研究不仅有效提高了注释和索引的准确性和效率，还为进一步的文本研究提供了研究方向和实证反馈。

一项研究对古典中医文献中“忍冬”（Lonicera japonica）的记录进行了文本分析，指出了“不同实体共享同一名称”的现象。他们指出，简单地将“忍冬”标注为单一药物类别可能会导致对古典文献中所含知识的误解（T. L. Liu等人，2021）。另一项研究对《急救方》及其作者“尹方阁主人”进行了批判性分析，得出作者很可能是杨朝观的结论。随后，“尹方阁主人”和杨朝观可以被规范化，从而创建一个字符档案和知识图谱（Ju等人，2025）。还有一项研究对《续论伤寒论》进行了索引和知识图谱构建，提供了研究余根初学术思想的方法，并发现了文本中的新含义（Hou等人，2023b）。此外，由朱JP研究员和一百多位专家编写的《中医术语的文本研究与标准化》一书，对1200多个中医术语进行了深入的文本研究。该书从多个角度阐述了选定的中医术语，包括标准化名称、命名理由、词源调查和文献汇编，为建立注释和索引规范提供了重要参考（J. P. Zhu，2017）。

7.2 提高古典中医文献数字资源的质量和升级
注释和索引的效率与数据质量密切相关。如果古典中医语料库中同一时代或同一类型的文献比例过高，可能会导致数据过拟合和偏差，从而降低模型的泛化能力。因此，在选择代表性古代文献作为机器识别的对象时，有必要对古典中医文献进行分类，并严格遵循代表性、准确性和权威性的原则，以确保语料库的科学有效性和可靠性（Ren等人，2025）。《古代中医文献分类表》（Zhong Yi Gu Ji Fen Lei Biao）定义了其应用范围、类别设置和框架结构。主表包括22个一级类别、68个二级类别和38个三级类别（P. S. Liu等人，2017）。这一分类标准可用于语料库构建过程中的文本筛选。选定的古典中医文献应代表中医不同历史时期和流派的理论，应避免使用未经验证或有争议的文献。由中国中医科学院中医信息研究所领导的《中医经典文献项目》整合了古典中医文献的传承、整理和利用工作，从现有的古代中医和民族医学文献中挑选出稀有和有价值的版本。基于该项目选择的文献建立注释和索引数据库可以有效保证古典中医文献的质量。

7.3 建立统一的古典中医文献信息平台
鉴于目前古典中医文献注释和索引研究往往局限于特定地区和案例，且成果的重用率较低，一个中医文献数据库可以直接在其专用模块中嵌入注释和索引原则。这种方法可以显著提高基于系统的注释准确性，并促进各种处理古典中医文献的任务，包括词段分割、词性标注、实体标注和语义检索（W. K. Xiao等人，2025）。研究人员可以进一步开发此类数据库。他们可以通过API接口整合外部参考资源，实现实时数据检索和资源共享。他们还可以添加协作注释模块，以便对古典中医文献进行联合注释，并提供用于统计分析、定量计算和可视化展示的工具。这些工具支持从文本中提取的信息的可视化操作。此外，通过连接到关系数据库或图数据库（如Neo4j），可以根据特定关系将古典中医文献中的实体数据映射成知识图谱（T. Yu等人，2017）。例如，河北中医大学开发了一个具有注释和检索中医文献功能的数据库。该数据库能够分析古典文献及其与燕赵医学相关的核心信息，帮助用户探索药物方案、燕赵医学派的学术特点以及各种疾病的诊断和治疗特征（N. Yu等人，2024）。**促进专用大型语言模型在古典中医文本开发中的应用**

随着技术的进步和模型参数的增加，传统的“人工+机器”注释和索引方法正逐渐转向以GPT系列为代表的大型语言模型（LLMs）（E. L. Yu等人，2025年）。与传统机器学习模型相比，LLMs无需大量数据集即可适应任务，具备强大的语言理解和泛化能力，并能同时处理各种细粒度提取任务，显著提高了注释和索引的效率（Kamińska，2025年）。一项研究利用LLMs的自动信息提取能力设计了一个用于中医病历的信息提取系统，该系统的准确率高于BERT-BiLSTM-CRF模型，整体工作效率是手动提取的1.6倍（X. Z. Wang等人，2025年）。

针对古典中医文本的专用LLMs的研究仍然有限。未来，模型可能会基于经过领域特定预训练和监督微调的通用LLMs，以更好地完成诸如词分割、词性标注和命名实体识别等任务。此外，还可以通过优化和强化学习来改进模型输出，减少逻辑错误和数据幻觉。来自AI反馈的强化学习（RLAIF）采用通用LLM对结果进行评分，然后根据获得的偏好分布进行强化学习。这种方法需要较少的注释周期且成本更低（Toleu等人，2025年）。直接偏好优化（DPO）不需要显式的奖励建模或强化学习，它可以简化工作流程并降低计算成本，同时保持或提高原始效率（Lu等人，2025年）。思维链（CoT）方法明确生成多步骤推理路径，使模型能够模拟推理过程，从而产生更准确的答案。这种方法在处理涉及中医专业术语和特定文化背景的复杂场景时，显著增强了LLMs的推理能力和准确性（Wei等人，2022年）。Huang-Di LLM选择Ziya-LLaMA-13B-v1作为基础模型，通过持续的预训练、监督微调和直接偏好优化，构建了一个用于古典中医文本的生成式对话LLM。该模型在古典文本知识问答方面的表现明显优于现有的中医模型，如Sheng Nong-TCM和TCM LLM（J. D. Zhang等人，2024年）。

**构建以中医文化为核心的多学科整合机制**

为了解决由于中医文化独特性而在注释和索引过程中产生的逻辑偏见，改进中医文化传承系统的构建已成为新的重点。作为动态过程，中医文化传承依赖于人类活动来实现。它应植根于中医文化，以人为中心，涉及构建一个多维度的中医活态传承系统（W. P. Liu等人，2022年）。各级中医机构可以将经典理论学习与师徒教育相结合，帮助学生培养中医特有的思维方式（S. N. Wang，2025年）。同时，可以通过思想政治课程向学生灌输基于中医理论和中华传统文化的核心思想框架，结合爱国主义教育和当代特征。中医文化的形成融合了多学科领域的知识，包括儒家、佛教和道家的哲学思想以及天文学和历法研究。政府部门应积极鼓励机构开展跨学科研究，建立符合中医原则和特点的人才培养模式。例如，黑龙江中医药大学编纂了《中医文化导论》教材，整合了中医文化思想和内涵，从而增强了学生的文化自信（Guo，2021年）。“智能-传承-建模-链”传承模型利用智能传感器检测、人工智能和区块链等先进技术，构建了一个智能的中医传承模型，实现了对著名中医前辈核心思想的数字化保存和共享。这一传承模型为新时代中医理论体系传承的发展提供了新的视角，并已在实践中得到充分验证（Q. P. Chen等人，2025年）。

**结论**

近年来，随着古典中医文本整理工作的进展和数字信息技术的发展，数字化古典文本资源呈现出持续增长的趋势。将深度学习和LLMs应用于古典中医文本的注释和索引，实现了更深层次的知识提取和跨学科应用，成为了一个有前景的研究方向。然而，由于古典中医文本数量庞大、类型多样、历史跨度长以及包含独特的隐喻概念，注释和索引面临许多挑战。这些挑战包括缺乏统一标准、文本质量参差不齐、高质量语料库短缺、主流算法过时以及可访问性和互操作性差等问题。尽管如此，大型语言模型的最新进展为应对这些挑战创造了新的机会。本文基于这些文本的特点，探讨了古典中医文本注释和索引中的常见问题及其解决方案。未来的研究应优先考虑开发标准化的注释和索引框架、构建高质量语料库、建立数据共享平台，并调整现有算法以更好地处理古典中医文本的语言复杂性。推进古典中医文本的注释和索引工作对于其学术和文化价值至关重要。这有助于解决中医理论中隐性知识传递的难题，促进多学科整合和国际合作，并便于数字资源的二次利用和知识图谱的构建。最终，这些努力为古典中医文本的数字化转型及其融入更广泛的知识组织和数字人文学科领域提供了新的动力。