化学反応予測（Chemical Reaction Predictions: CRPs）は、薬物探索や材料科学の進歩において重要な役割を果たしています。しかし、その効果性は広大で不確かな化学反応空間と、反応選択性の捕捉における課題によって制約されています。特に、既存の手法がデータに内在する知識を十分に活用できないことが原因となっています。これらの課題に対処するために、データキュレーションによる自己フィードバック知識抽出アプローチを提案します。この方法は分子表現の反復最適化から始まり、化学反応種類（Reaction Types: RTs）に関する知識の抽出を促進します。その後、適応的なプロンプト学習を使用して事前知識を大規模言語モデル（Large Language Model: LLM）に注入します。その結果、逆合成予測精度が14.2%向上し、触媒剤予測精度が74.2%上昇し、さらにモデルの多タスク化学反応処理能力が拡大しました。本研究は科学的研究における知識抽出の新しいパラダイムを提供するとともに、LLMsがCRPsにおいて未開拓の可能性を持っていることを示しています。