論文の概要: ResearchTown: Simulator of Human Research Community

• arxiv url: http://arxiv.org/abs/2412.17767v1
• Date: Mon, 23 Dec 2024 18:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 19:42:48.537318
• Title: ResearchTown: Simulator of Human Research Community
• Title（参考訳）: ResearchTown: 人間研究コミュニティのシミュレータ
• Authors: Haofei Yu, Zhaochen Hong, Zirui Cheng, Kunlun Zhu, Keyang Xuan, Jinwei Yao, Tao Feng, Jiaxuan You,
• Abstract要約: ResearchTownは、リサーチコミュニティシミュレーションのためのマルチエージェントフレームワークである。 ResearchTownは、協調研究活動の現実的なシミュレーションを提供する。 ResearchTownは、複数の研究者と多様な論文で堅牢なシミュレーションを維持できる。
• 参考スコア（独自算出の注目度）: 14.033414261636336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have demonstrated remarkable potential in scientific domains, yet a fundamental question remains unanswered: Can we simulate human research communities with LLMs? Addressing this question can deepen our understanding of the processes behind idea brainstorming and inspire the automatic discovery of novel scientific insights. In this work, we propose ResearchTown, a multi-agent framework for research community simulation. Within this framework, the human research community is simplified and modeled as an agent-data graph, where researchers and papers are represented as agent-type and data-type nodes, respectively, and connected based on their collaboration relationships. We also introduce TextGNN, a text-based inference framework that models various research activities (e.g., paper reading, paper writing, and review writing) as special forms of a unified message-passing process on the agent-data graph. To evaluate the quality of the research simulation, we present ResearchBench, a benchmark that uses a node-masking prediction task for scalable and objective assessment based on similarity. Our experiments reveal three key findings: (1) ResearchTown can provide a realistic simulation of collaborative research activities, including paper writing and review writing; (2) ResearchTown can maintain robust simulation with multiple researchers and diverse papers; (3) ResearchTown can generate interdisciplinary research ideas that potentially inspire novel research directions.
• Abstract（参考訳）: 大規模言語モデル(LLM)は科学的領域において顕著な可能性を示しているが、根本的な疑問は未解決のままである。 この疑問に対処することで、アイデアのブレインストーミングの背後にあるプロセスの理解を深め、新しい科学的洞察の自動発見を促すことができます。 本研究では,研究コミュニティシミュレーションのためのマルチエージェントフレームワークであるResearchTownを提案する。 このフレームワーク内では、人間研究コミュニティはエージェントデータグラフとして単純化され、研究者と論文はそれぞれエージェントタイプとデータタイプノードとして表現され、協調関係に基づいて接続される。 また、テキストベースの推論フレームワークであるTextGNNを導入し、エージェントデータグラフ上の統一メッセージパッシングプロセスの特別な形式として、様々な研究活動(例えば、論文読解、論文執筆、レビュー執筆)をモデル化する。 研究シミュレーションの品質を評価するために,ノードマスキング予測タスクを用いて類似性に基づく客観的評価を行うベンチマーク「ResearchBench」を提案する。 実験の結果,(1)ResearchTownは,論文執筆やレビュー執筆などの共同研究活動の現実的なシミュレーションを行うことができ,(2)ResearchTownは複数の研究者や多種多様な論文との堅牢なシミュレーションを維持でき,(3)ResearchTownは新たな研究方向性を刺激する可能性のある学際的な研究思想を生成することができる。

関連論文リスト

• A Vision for Auto Research with LLM Agents [47.310516109726656]
  本稿では,科学研究の全ライフサイクルの自動化,コーディネート,最適化を目的とした構造化マルチエージェントフレームワークであるエージェントベースオートリサーチを紹介する。 このシステムは、文献レビュー、アイデア、方法論、実験、論文執筆、査読応答、普及など、すべての主要な研究段階にまたがる。
  論文  参考訳（メタデータ） (2025-04-26T02:06:10Z)
• ResearchBench: Benchmarking LLMs in Scientific Discovery via Inspiration-Based Task Decomposition [67.26124739345332]
  大規模言語モデル(LLM)は科学的研究を支援する可能性を示しているが、高品質な研究仮説を発見する能力はいまだ検討されていない。 我々は,LLMを科学的発見のサブタスクのほぼ十分セットで評価するための,最初の大規模ベンチマークを紹介する。 学術論文から重要コンポーネント(研究質問、背景調査、インスピレーション、仮説)を抽出する自動フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-03-27T08:09:15Z)
• Graph of AI Ideas: Leveraging Knowledge Graphs and LLMs for AI Research Idea Generation [25.04071920426971]
  我々は,オープンアクセス論文が支配するAI研究分野を対象とした,AI思想グラフ(GoAI)というフレームワークを提案する。 このフレームワークは、関連する文献を知識グラフ内のエンティティに整理し、引用に含まれる意味情報をグラフ内の関係にまとめる。
  論文  参考訳（メタデータ） (2025-03-11T15:36:38Z)
• Transforming Science with Large Language Models: A Survey on AI-assisted Scientific Discovery, Experimentation, Content Generation, and Evaluation [58.064940977804596]
  多くの新しいAIモデルとツールが提案され、世界中の研究者や学者が研究をより効果的かつ効率的に実施できるようにすることを約束している。 これらのツールの欠点と誤用の可能性に関する倫理的懸念は、議論の中で特に顕著な位置を占める。
  論文  参考訳（メタデータ） (2025-02-07T18:26:45Z)
• From Individual to Society: A Survey on Social Simulation Driven by Large Language Model-based Agents [47.935533238820334]
  伝統的な社会学研究は、しばしば人間の参加に頼っているが、それは効果的だが、高価であり、スケールが困難であり、倫理的な懸念がある。 大規模言語モデル(LLM)の最近の進歩は、人間の振る舞いをシミュレートし、個々の反応の複製を可能にし、多くの学際的な研究を容易にする可能性を強調している。 シミュレーションは,(1)特定の個人や人口集団を模倣する個人シミュレーション,(2)複数のエージェントが協調して特定の状況における目標を達成するシナリオシミュレーション,(3)エージェント社会内の相互作用をモデル化して実世界のダイナミクスの複雑さや多様性を反映するシミュレーション社会の3種類に分類される。
  論文  参考訳（メタデータ） (2024-12-04T18:56:37Z)
• Chain of Ideas: Revolutionizing Research Via Novel Idea Development with LLM Agents [64.64280477958283]
  科学文献の急激な増加は、研究者が最近の進歩と意義ある研究方向を見極めるのを困難にしている。 大規模言語モデル(LLM)の最近の発展は、新しい研究のアイデアを自動生成するための有望な道のりを示唆している。 本研究では, チェーン構造に関連文献を整理し, 研究領域の進展を効果的に反映する, LLMベースのエージェントであるChain-of-Ideas(CoI)エージェントを提案する。
  論文  参考訳（メタデータ） (2024-10-17T03:26:37Z)
• 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)
• Research Scholar Interest Mining Method based on Load Centrality [15.265191824669555]
  本稿では,負荷集中度に基づく研究研究者の関心マイニングアルゴリズムを提案する。 各トピックの地域構造は、ノードの集中度研究モデルの重みを正確に計算するために使用することができる。 本稿では, 負荷率センタに基づく科学的研究協力により, 科学的研究研究者の関心を効果的に抽出することができる。
  論文  参考訳（メタデータ） (2022-03-21T04:16:46Z)
• GASP! Generating Abstracts of Scientific Papers from Abstracts of Cited Papers [9.472227971923672]
  本稿では,引用論文の要約(GASP)をテキスト・トゥ・テキスト・タスクとして,科学論文の要約を生成するという,新しい,科学的かつ哲学的な課題を紹介する。
  論文  参考訳（メタデータ） (2020-02-28T14:58:41Z)

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。