L'assistance de l'intelligence artificielle dans la recherche et le développement des matériaux pousse la recherche des matériaux polymères organiques d'une approche basée sur l'expérience à une approche basée sur les données. Son application repose sur des ressources de données de haute qualité, traçables et adaptées aux objectifs de recherche. Les matériaux polymères organiques présentent une structure complexe et des scénarios de recherche diversifiés, les données étant réparties entre la composition, la préparation, la caractérisation, les tests et les performances. Des champs fixes ou des ensembles de données fermés ne peuvent pas s'adapter aux divers besoins. Pour résoudre ce problème, ce travail propose une méthode d'extraction de données structurées des matériaux polymères organiques orientée vers des objectifs de recherche personnalisés, ainsi qu'un outil open source. Cette méthode cible les chercheurs en matériaux polymères organiques, unifie les sources hétérogènes en corpus traitables, et fournit un système de champs personnalisable ainsi qu'un processus d'extraction, permettant de définir les performances cibles, le contenu des champs et le mode de traitement des données selon les objectifs spécifiques, réalisant ainsi une extraction structurée de l'information selon les besoins. Pour valider l'applicabilité de la méthode, ce travail a configuré 11 types de performances communes des matériaux polymères organiques à titre d'exemple et a extraits des données à partir de plus de dix mille documents, obtenant près de cinquante mille enregistrements de performances structurés. La distribution des performances et les relations de couplage indiquent que les résultats d'extraction correspondent aux plages de performances communes et aux règles empiriques des matériaux polymères organiques ; par exemple, pour la température de transition vitreuse (T_g), les valeurs de précision, rappel et F1 score pour la reconnaissance de T_g sont respectivement de 0,83, 0,89 et 0,86, et le F1 score pour le couplage du nom de l'échantillon et la valeur de T_g est de 0,78. Cette méthode ne dépend pas de jeux de données annotés ni d'affinage de modèles, sa caractéristique principale est que le système de champs, les performances cibles et les invites peuvent être définis par les chercheurs selon leur propre système de matériaux et objectifs, fournissant une voie technique ouverte et réutilisable pour la construction de bases de données personnalisées et le développement de ressources de données ciblées dans la recherche sur les matériaux polymères organiques.

matériaux polymères; grands modèles de langage; extraction de données; système de champs personnalisable