好的，作为您的资深学术助手，我已对您提供的这批80篇发表于2025-2026年的论文信息进行了深入分析。这些论文信息广泛，涉及专利分析、大模型应用、技术预测等多个技术与管理交叉领域。以下是我的综合分析报告。

I. 主题归纳

本周期（近12个月）的文献呈现出深度交叉融合的显著特点。尽管关键词（如 patent bert）指示了专利信息处理领域，但实际内容已远超传统范畴，形成了以新兴人工智能方法（尤其是大模型）为核心，向技术管理、创新政策、可持续发展等应用场景强力辐射的研究格局。

核心研究方向可归纳为三大类：

1. 智能方法与工具创新：这是本周期最活跃的领域。重点包括：

   • 大模型（LLM）的深度应用与改进：超越基础BERT，向更复杂的架构（如多输入/多模态BERT、多LLM集成、RAG框架）和应用（如专利文献解读、技术语义分析、企业年报挖掘）发展。论文[1, 2, 5, 12, 18, 21]是典型代表。
   • 多模态与动态分析模型：强调整合文本、网络（引用/合作）、时间序列等多源异构数据，以更精细地刻画技术演化（如MFT-PTM框架[13]）和实体影响力（如异质创新网络[23]）。
   • 专利图像与结构化信息解析：针对化学结构（Markush结构[18]）等非文本专利信息的AI解析工具受到关注，是专利多模态分析的关键突破点。

2. 技术管理与创新战略分析：应用上述智能方法，聚焦具体技术领域或管理问题。

   • 绿色与可持续技术：是绝对热点，涉及新能源车[6]、绿色能源创新[2]、数字绿色创新[5]、废物管理[4]、海洋供应链技术[25]等。
   • 颠覆性与核心技术创新识别：旨在识别未来产业（如量子通信[8]）、评估实体影响力（AI领域[23]）、分析技术组织与演化（如稀土[13]、医疗技术[27]）。
   • 创新生态与政策评估：关注大学角色[20]、区域创新不平等[57]、公共研发项目绩效[33]、特殊经济区政策对比[22]等。

3. 交叉领域与社会经济影响：将专利/技术数据作为输入，探讨更广泛的社会经济议题。

   • 企业战略与绩效：研究数字化转型[35]、数字化与国际化[26]、ESG与AI的交互影响[69]、银行专业化与创新[48]。
   • 伦理、治理与政策：探讨AI伦理[32]、AI自主性量化[70]、专利制度滥用（药品专利常青[29]）、大模型训练的版权问题[11]。

期刊情况与发文特点：

• 综合性顶尖期刊（Nature, Science子刊， Lancet, AER）：本次涉及较少，但如Nature Communications等刊载了顶尖的技术检测研究（如[39, 43]），代表技术前沿。American Economic Review[34]则代表了经济学顶刊对公共研发与长期经济增长关系的权威研究。
• 专业领域权威期刊（IEEE Trans., Technovation, J. of Environ. Manage., Transport Policy）：是技术管理与工程管理研究的主阵地。如IEEE Transactions on Engineering Management[3]聚焦专利网络方法比较，体现了方法论深度。
• 快速发展的开源期刊（MDPI, Frontiers, SpringerOpen系列）：是本次文献的主要来源，如Information[13, 17], Sustainability[26], Frontiers in AI[11, 68]。它们特点是发表速度快、主题新颖、高度跨学科，特别是在AI应用、可持续发展等新兴交叉领域非常活跃。
• 管理、商业与创新类期刊（Asia Pacific J. of Innov. and Entrep., J. of Sustainability Research）：侧重于创新管理、创业和可持续商业模式的应用研究。

新兴方法论识别：

• 大模型驱动的专利全链条分析：LLM不再仅限于文本嵌入，而是作为语义理解核心，被集成到从专利文本挖掘[5]、技术语义分析[2]、到复杂结构解析[18]的整个分析流程中。
• 检索增强生成（RAG）在专业领域的应用：论文[12]的综述表明，RAG作为一种提高LLM事实性与时效性的关键架构，正从通用领域向专利、科学文献等专业领域渗透，以构建可靠的专业问答与分析系统。
• 动态、多源融合的主题演化模型：传统LDA/BERTopic被增强为融合时间、网络关系、文本的多源特征模型（如MFT-PTM[13]），以捕捉技术主题的动态演化路径和网络依赖关系，代表了技术预测方法的演进。

II. 发展趋势

1. 数据分析深度与模态的演进：

   • 从结构化指标到非结构化语义深度挖掘：趋势已明确从专利计数、引用等结构化指标[7]，转向对企业年报[5]、事故报告[1]、政策文本[17]等非结构化数据的语义挖掘，以获取“战略与情境维度”的信息。
   • 从纯文本到“图文-结构”多模态：分析对象正从专利全文扩展到包含化学结构式图像[18]、技术示意图等多模态数据。未来趋势是开发能同时解析文本、图像和结构化权利要求的多模态专利大模型。
   • 从静态分析到动态演化网络：分析视角从单个时间点的快照，转向构建时变网络[13, 23]，以揭示技术轨迹、知识流动和创新生态的动态变迁。

2. 技术表征物的演进：

   • 从通用技术领域到“卡脖子”与颠覆性技术：研究焦点日益集中于对国家战略至关重要的领域，如稀土[13]、量子通信[8]、AI核心[23]、绿色能源[2, 6]。分析方法旨在更精准地识别其中的“颠覆性技术主题”[8]、“关键核心技术”和“未来产业”方向。
   • 从技术本身到技术-产业-政策耦合系统：分析单元从孤立的技术点，扩展到包含“技术-产业链-政策环境”的复杂系统。例如对CO₂热管理技术的分析[6]，就综合了技术路线、产业链成熟度和环保政策影响。

3. 与前沿信息技术的交叉融合：

   • 与大模型的深度融合：大模型（LLM）已成为专利情报分析的基础性工具和核心创新引擎，用于语义理解、信息提取、报告生成乃至复杂推理（如药物重定位[21]）。
   • 与知识图谱的协同增强：知识图谱（KG）为结构化知识表示和关系推理提供框架[49, 52]，而大模型（LLM）能赋能图谱的构建（从文本抽取）和查询（自然语言交互）。两者结合（LLM+KG）是实现深度专利情报分析的理想架构，但本次文献中显性结合的研究尚不多见，是重要趋势。
   • 与社会经济复杂系统理论的结合：采用演化博弈论[16]、复杂网络理论[23, 57]、异质性主体建模等工具，分析创新生态中多元主体的互动与宏观模式的涌现，使研究更具动态性和解释力。

III. 研究脉络中的推进情况

本周期论文处于 “第三代”专利智能分析 的深化与拓展期。

• 核心研究脉络：
  • 第一代（基于统计）：专利计量学（数量、引用、IPC分类等）。
  • 第二代（基于机器学习）：引入文本挖掘（LDA、词向量）、复杂网络分析，进行主题识别、技术路径绘图。
  • 第三代（基于深度学习和知识图谱）：利用BERT等深度学习模型进行深度语义理解，结合知识图谱进行关系推理。
• 本期论文的推进：
  • 方法上：正从“第三代”向“大模型增强的新一代”过渡。核心标志是LLM从“特征提取器”转变为“任务感知的智能体”。例如，Tri-Input-BERT-MLP[1]针对特定关系抽取优化结构；MPISA框架[2]将LLM作为语义分析的核心组件；RAG[12]则为LLM接入外部专利知识库提供了系统架构。
  • 问题上：从相对宽泛的“技术趋势分析”，推进到更具挑战性的细粒度、前瞻性、系统性问题，如：识别技术融合的具体模式、预测颠覆性创新的发生点、量化创新主体在生态中的动态影响力、评估政策干预的长期效果。
• 标志性方法与数据集贡献：
  • 方法：MFT-PTM框架[13]代表了动态主题建模的重要突破；异质创新网络构建与影响力评估方法[23]为创新生态分析提供了新工具。
  • 数据集：PROTAC-PatentDB[52]公开了从专利中提取的蛋白质降解靶向嵌合体化合物数据集，是AI辅助药物发现（AIDD）领域的关键资源，弥合了专利文本与可计算化学结构之间的鸿沟。

IV. 研究空白、期刊特征与后续选题

研究空白：

1. 多模态专利大模型开发：目前大模型应用仍以文本为主。专门针对专利图文数据（尤其是化学结构、工程图纸）进行预训练或微调的多模态大模型研究尚属空白。

2. 可信与可解释的专利AI：专利分析常涉及高风险决策（如投资、布局）。如何使LLM或深度学习模型的输出更可信、可追溯、可解释，缺乏系统研究。

3. 基于“LLM + 知识图谱”的深度推理：大多数研究仍将两者并行使用。如何深度融合LLM与KG，实现如“自动推理技术空白点”、“模拟技术替代竞争场景”等复杂任务，是前沿方向。

4. 微观行为与宏观模式的连接：缺少研究将企业/发明人基于专利的战略互动（微观行为），与产业技术轨道、区域创新格局（宏观模式）通过计算模型（如ABM）联系起来。

5. 全球南方（Global South）的本土创新研究：现有研究多基于美欧中日韩的专利数据。对拉丁美洲[20, 22]、非洲、东南亚等地区的本土创新机制、技术依赖与追赶路径的研究严重不足。

期刊特征启示：

• 欲发表方法论创新（如新模型、新框架），可瞄准IEEE Transactions on Engineering Management, Journal of Informetrics, Scientometrics, 以及Information Processing & Management等。
• 欲进行跨学科应用研究（如技术管理与公共政策交叉），可关注Technovation, Research Policy, Technological Forecasting and Social Change，以及各类开源的可持续发展、创新管理期刊。
• 快速传播新兴交叉成果，MDPI和Frontiers等出版社的系列期刊是重要渠道，但需注重研究设计的严谨性和增量贡献。

后续选题建议：

1. 面向“负责任创新”的专利AI治理研究（公共政策/伦理）：研究如何利用AI监测专利领域的潜在伦理风险（如生物安全、算法偏见）、评估专利集中对竞争的影响，为“负责任创新”政策提供工具。

2. 产业链韧性视角下的“卡脖子”技术动态识别与预警系统（经济管理/情报学）：构建整合全球专利、供应链、贸易数据的多源分析框架，动态识别产业链关键环节的技术脆弱性、断供风险及替代路径。

3. 绿色技术转移的“南北合作”模式与知识流动网络研究（发展研究/公共政策）：聚焦气候变化领域，分析绿色专利从发达国家向发展中国家的转移机制、影响因素及有效性，为国际气候合作与技术援助政策提供依据。

4. 基于Agent的产业创新生态系统仿真研究（复杂系统/经济管理）：构建包含异质性企业、高校、投资机构等主体的计算模型，模拟不同产业政策（如补贴、专利盒、合作研发激励）对生态系统演化、创新速率和结构的影响。

5. 科学文献与专利的“双向知识流动”大模型分析（科学技术学（STS）/情报学）：利用LLM分析同一领域内科学论文与专利文本，量化“科学推动技术”和“技术反馈科学”的强度、路径与时滞，揭示不同领域的创新模式差异。

V. 参考文献列表

[1] Huizong Li, Yichao Niu, Hongyu Hu, W.K. Chen, Kun Bai. Domain-Specific Relation Extraction for Coal Mine Accidents Based on Tri-Input-BERT-MLP. 《Recent Patents on Engineering》, 2026. https://doi.org/10.2174/0118722121462806260127061910
[2] Yu-Chao Cheng, Cheng-Hsien Hsieh. Analyses of Green Energy Innovation Using Patent Data. 《Journal of Sustainability Research》, 2026. https://doi.org/10.20900/jsr20260029
[3] Leehee Kim, Sungjoo Lee. Comparing Patent Network Approaches for Extracting Technology Intelligence. 《IEEE Transactions on Engineering Management》, 2026. https://doi.org/10.1109/tem.2026.3681928
[4] M. Mohammadi Sabet, Navid Mohammadi. How are waste management technologies structurally organized and evolving over time? 《Journal of Environmental Management》, 2026. https://doi.org/10.1016/j.jenvman.2026.129600
[5] QiWen Wei, ZiJie Xu. MEASURING DIGITAL GREEN INNOVATION IN ENTERPRISES: A LIGHTWEIGHT TEXT MINING APPROACH BASED ON ANNUAL REPORTS. 《World Journal of Information Technology》, 2026. https://upubscience.com/wjit/article/download/2408/2189
[6] Jilin Ren, Xiang Yin, Shuo Zong, Xu Yang, Wenyi Wang. Advances in CO2 thermal management technology for new energy vehicles: a review from perspective of patents analysis. 《Chinese Science Bulletin (Chinese Version)》, 2026. https://www.sciengine.com/doi/pdf/785FB57C5666495CAA7D0386992DE7D7
[8] Xiao Liu, Shijia Zhang, Yanfei Song. Research on the identification of disruptive technology topics for future industries – taking the field of quantum communication as an example. 《Asia Pacific Journal of Innovation and Entrepreneurship》, 2026. https://doi.org/10.1108/apjie-01-2026-0007
[11] Yuanyuan Huang, Hui Liu. Limitations of current copyright frameworks for large language models trained on scientific literature. 《Frontiers in Artificial Intelligence》, 2026. https://public-pages-files-2025.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2026.1781692/pdf
[12] Tanay Chowdhury. Retrieval-Augmented Generation (RAG) for Large Language Models: A Comprehensive Survey. 《International Journal on Engineering Artificial Intelligence Management Decision Support and Policies》, 2026. https://submissions.adroidjournals.com/index.php/ijaimd/article/download/233/105
[13] Haofei Zhang, Jingyu Wang, Jinling Yu, Lixin Liu. MFT-PTM: A Multisource-Fused and Temporally-Aware Framework for Evolutionary Analysis of Rare Earth Patent Topics Model. 《Information》, 2026. https://www.mdpi.com/2078-2489/17/4/345/pdf?version=1775124859
[18] Jennifer M. Umbles Hayes, Emmanuel O. Olawode, Anietie Andy, Edmund Essah Ameyaw. AI-assisted interpretation of Markush structures in pharmaceutical patents: a review of emerging tools, datasets, and challenges. 《Journal of Cheminformatics》, 2026. https://doi.org/10.1186/s13321-026-01172-y
[21] Vrushket More, Lyra Lu, Zeyu Ding, Zhaohan Xi, Seth Mizia. TheraMind: a multi-LLM ensemble for accelerating drug repurposing in lung cancer via case report mining. 《npj Precision Oncology》, 2026. https://www.nature.com/articles/s41698-025-01265-1_reference.pdf
[22] William Kartes Wanderley do Nascimento, et al. MODELOS DE GOVERNANÇA EM POLÍTICAS DE INOVAÇÃO: UM ESTUDO COMPARATIVO ENTRE A POLÍTICA PÚBLICA DE INCENTIVO À PD&I NA ZONA FRANCA DE MANAUS E NA ZONA ECONÔMICA ESPECIAL DE SHENZHEN. 《Revista Multidisciplinar do Nordeste Mineiro》, 2026. https://remunom.ojsbr.com/multidisciplinar/article/download/5575/5366
[23] Xipeng Liu. Evaluating patent assignee influence in artificial intelligence: a heterogeneous innovation network perspective. 《Scientific Reports》, 2026. https://doi.org/10.1038/s41598-026-44412-9
[29] A.O. Kodynets, et al. Trends in the abuse of patent rights for medicinal products in the United States (review). 《Medicni perspektivi》, 2026. https://doi.org/10.26641/2307-0404.2026.1.356982
[33] Evangelos Makryvelios, Theodore Papadogonas. Financial Intensity or Project Duration: What Drives Patents and Spin-Offs in Public R&D Projects? 《Journal of Regional Economics and Development》, 2026. https://economics.pubmedia.id/index.php/jred/article/download/1099/814
[34] Juan Drechsel Antolin-Diaz, Paolo Surico. The Long-Run Effects of Government Spending. 《American Economic Review》, 2025. https://doi.org/10.1257/aer.20231278
[35] Swapan Ghosh, Mathew Hughes, Paul Hughes, Ian R. Hodgkinson. Digital twin, digital thread, and digital mindset in enabling digital transformation: A socio-technical systems perspective. 《Technovation》, 2025. https://doi.org/10.1016/j.technovation.2025.103240
[48] Hans Degryse, Olivier De Jonghe, Leonardo Gambacorta, Cédric Huylebroek. Bank specialization and corporate innovation. 《European Finance Review》, 2025. https://doi.org/10.1093/rof/rfaf036
[49] Bin Yang, Dan Song, Yadong Li, Jinglong Wang. Drug-drug interaction prediction of traditional Chinese medicine based on graph attention networks. 《Scientific Reports》, 2025. https://www.nature.com/articles/s41598-025-00725-9.pdf
[52] Hong Cai, Guibin Yao, Yajun Shi, Tianyi Zhang, Hu Y. PROTAC-PatentDB: A PROTAC Patent Compound Dataset. 《Scientific Data》, 2025. https://www.nature.com/articles/s41597-025-06136-9.pdf
[57] Salva Duran‐Nebreda, Blai Vidiella, R. Alexander Bentley, Sergi Valverde. Fractal clusters and urban scaling shape spatial inequality in U.S. patenting. 《npj Complexity》, 2025. https://www.nature.com/articles/s44260-025-00054-y.pdf
[69] Zhe Sun, Lei Liu, Liang Zhao, Hind Bader Alofaysan, Bhumika Gupta. Generative AI and ESG opportunism in supply chains: A utilitarian perspective on unintended consequences for sustainability. 《Technological Forecasting and Social Change》, 2025. https://doi.org/10.1016/j.techfore.2025.124498