論文の概要: Generation and human-expert evaluation of interesting research ideas using knowledge graphs and large language models
- arxiv url: http://arxiv.org/abs/2405.17044v1
- Date: Mon, 27 May 2024 11:00:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 15:52:11.694841
- Title: Generation and human-expert evaluation of interesting research ideas using knowledge graphs and large language models
- Title(参考訳): 知識グラフと大規模言語モデルを用いた興味深い研究アイデアの生成と評価
- Authors: Xuemei Gu, Mario Krenn,
- Abstract要約: SciMuseは5800万以上の科学論文から構築された知識グラフを利用して、パーソナライズされた研究アイデアを生成するシステムである。
データ効率のよい機械学習は、高い精度で研究の関心を予測でき、生成した研究のアイデアの関心レベルを最適化できる。
- 参考スコア(独自算出の注目度): 0.6906005491572401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advanced artificial intelligence (AI) systems with access to millions of research papers could inspire new research ideas that may not be conceived by humans alone. However, how interesting are these AI-generated ideas, and how can we improve their quality? Here, we introduce SciMuse, a system that uses an evolving knowledge graph built from more than 58 million scientific papers to generate personalized research ideas via an interface to GPT-4. We conducted a large-scale human evaluation with over 100 research group leaders from the Max Planck Society, who ranked more than 4,000 personalized research ideas based on their level of interest. This evaluation allows us to understand the relationships between scientific interest and the core properties of the knowledge graph. We find that data-efficient machine learning can predict research interest with high precision, allowing us to optimize the interest-level of generated research ideas. This work represents a step towards an artificial scientific muse that could catalyze unforeseen collaborations and suggest interesting avenues for scientists.
- Abstract(参考訳): 何百万もの研究論文にアクセス可能な高度な人工知能(AI)システムは、人間だけでは考えられないかもしれない新しい研究アイデアを刺激する可能性がある。
しかし、これらのAI生成のアイデアはどれくらい興味深いのか、そして、どのように品質を改善することができるのか?
ここでは,5800万以上の科学論文から構築された知識グラフを用いて,GPT-4へのインタフェースを通じて,パーソナライズされた研究アイデアを生成するシステムであるSciMuseを紹介する。
我々はマックス・プランク・ソサエティの100人以上の研究グループリーダーと大規模な人間評価を行い、その関心度に基づいて4000以上のパーソナライズされた研究思想をランク付けした。
この評価により、科学的な関心と知識グラフのコア特性の関係を理解することができる。
データ効率のよい機械学習は、高い精度で研究の関心を予測でき、生成した研究のアイデアの関心レベルを最適化できる。
この研究は、予期せぬコラボレーションを触媒し、科学者にとって興味深い道筋を示唆する、人工的な科学的なミューズへの一歩を表している。
関連論文リスト
- Towards a Science Exocortex [0.5687661359570725]
我々はエージェントAIシステムにおける技術の現状をレビューし、これらの手法をどのように拡張して科学により大きな影響を与えるかについて論じる。
科学の外食はAIエージェントの群れとして設計することができ、各エージェントは特定の研究者のタスクを個別に合理化することができる。
論文 参考訳(メタデータ) (2024-06-24T14:32:32Z) - MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。
MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。
我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
論文 参考訳(メタデータ) (2024-06-10T15:19:09Z) - "Turing Tests" For An AI Scientist [0.0]
本稿では,AIエージェントが独立して科学的研究を行うことができるかどうかを評価するために,AI科学者の研修試験を提案する。
我々は,AIエージェントが様々な科学領域において画期的な発見を行う能力を評価する7つのベンチマークテストを提案する。
論文 参考訳(メタデータ) (2024-05-22T05:14:27Z) - ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
ResearchAgentは、大規模言語モデルによる研究アイデア作成エージェントである。
科学文献に基づいて繰り返し精製しながら、問題、方法、実験設計を生成する。
我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
論文 参考訳(メタデータ) (2024-04-11T13:36:29Z) - Forecasting high-impact research topics via machine learning on evolving
knowledge graphs [0.8158530638728501]
我々は、研究者がこれまでに出版したことのないアイデアの発症の影響を予測する方法を示す。
我々は、2200万以上の科学論文から構築された大きな進化した知識グラフを開発した。
論文 参考訳(メタデータ) (2024-02-13T18:09:38Z) - AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
数学は人間によって開発された最も強力な概念体系の1つである。
AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
論文 参考訳(メタデータ) (2023-10-19T02:00:31Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - Predicting the Future of AI with AI: High-quality link prediction in an
exponentially growing knowledge network [15.626884746513712]
AI技術を使って、AI自体の将来的な研究方向を予測する。
そのため、10万以上の研究論文を使って、64,000以上の概念ノードを持つナレッジネットワークを構築しています。
最も強力な方法は、エンドツーエンドのAIアプローチではなく、慎重にキュレートされたネットワーク機能のセットを使用する。
論文 参考訳(メタデータ) (2022-09-23T14:04:37Z) - Artificial Intelligence in Concrete Materials: A Scientometric View [77.34726150561087]
本章は, コンクリート材料用AI研究の主目的と知識構造を明らかにすることを目的としている。
まず、1990年から2020年にかけて発行された389の雑誌記事が、ウェブ・オブ・サイエンスから検索された。
キーワード共起分析やドキュメント共起分析などのサイエントメトリックツールを用いて,研究分野の特徴と特徴を定量化した。
論文 参考訳(メタデータ) (2022-09-17T18:24:56Z) - From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven
Learning in Artificial Intelligence Tasks [56.20123080771364]
心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。
人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。
CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
論文 参考訳(メタデータ) (2022-01-20T17:07:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。