論文の概要: ReviewRL: Towards Automated Scientific Review with RL

• arxiv url: http://arxiv.org/abs/2508.10308v1
• Date: Thu, 14 Aug 2025 03:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.168677
• Title: ReviewRL: Towards Automated Scientific Review with RL
• Title（参考訳）: ReviewRL: RLによる自動科学レビューに向けて
• Authors: Sihang Zeng, Kai Tian, Kaiyan Zhang, Yuru wang, Junqi Gao, Runze Liu, Sa Yang, Jingxuan Li, Xinwei Long, Jiaheng Ma, Biqing Qi, Bowen Zhou,
• Abstract要約: 既存の自動レビューアプローチは、事実の正確性、評価の一貫性、分析の深さに苦慮している。 本稿では,総合的かつ現実的な科学的論文レビューを生成するための強化学習フレームワークであるReviewRLを紹介する。 提案手法は,(1)関連する科学的文献を取り入れたArXiv-MCP検索拡張コンテキスト生成パイプライン,(2)基礎的レビュー機能を確立する教師付き微調整,(3)複合報酬機能を備えた強化学習手法を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 16.43785996852824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Peer review is essential for scientific progress but faces growing challenges due to increasing submission volumes and reviewer fatigue. Existing automated review approaches struggle with factual accuracy, rating consistency, and analytical depth, often generating superficial or generic feedback lacking the insights characteristic of high-quality human reviews. We introduce ReviewRL, a reinforcement learning framework for generating comprehensive and factually grounded scientific paper reviews. Our approach combines: (1) an ArXiv-MCP retrieval-augmented context generation pipeline that incorporates relevant scientific literature, (2) supervised fine-tuning that establishes foundational reviewing capabilities, and (3) a reinforcement learning procedure with a composite reward function that jointly enhances review quality and rating accuracy. Experiments on ICLR 2025 papers demonstrate that ReviewRL significantly outperforms existing methods across both rule-based metrics and model-based quality assessments. ReviewRL establishes a foundational framework for RL-driven automatic critique generation in scientific discovery, demonstrating promising potential for future development in this domain. The implementation of ReviewRL will be released at GitHub.
• Abstract（参考訳）: ピアレビューは科学的な進歩には不可欠であるが、提出量の増加とレビュアーの疲労による課題の増大に直面している。 既存の自動レビューアプローチは、事実の正確性、評価の整合性、分析的な深さに苦しむ。 本稿では,総合的かつ現実的な科学的論文レビューを生成するための強化学習フレームワークであるReviewRLを紹介する。 提案手法は,(1)関連する科学的文献を取り入れたArXiv-MCP検索拡張コンテキスト生成パイプライン,(2)基礎的レビュー機能を確立する教師付き微調整,(3)レビュー品質と評価精度を協調的に向上する複合報酬機能を備えた強化学習手法を組み合わせたものである。 ICLR 2025の論文の実験では、ReviewRLはルールベースのメトリクスとモデルベースの品質評価の両方で、既存のメソッドよりも大幅に優れています。 ReviewRLは、科学的発見におけるRL駆動の自動批評生成の基礎的枠組みを確立し、この領域の将来的な発展の可能性を示す。 ReviewRLの実装はGitHubでリリースされる予定だ。

関連論文リスト

• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• Critique-GRPO: Advancing LLM Reasoning with Natural Language and Numerical Feedback [59.078756231841574]
  Critique-GRPOは、自然言語と数値フィードバックを統合して効果的なポリシー最適化を行うオンラインRLフレームワークである。 批判-GRPOは、教師付き学習とRLに基づく微調整法を8つの難解な数学、STEM、一般的な推論タスクで一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-06-03T17:39:02Z)
• ReviewEval: An Evaluation Framework for AI-Generated Reviews [9.35023998408983]
  学術研究の増大は、資格のあるレビュアーの不足と相まって、ピアレビューに対する革新的なアプローチを必要としている。 本稿では,AIによるレビューを総合的に評価するフレームワークであるReviewEvalを提案する。 本稿では、AIに基づくピアレビューに不可欠な指標を確立し、学術研究におけるAI生成レビューの信頼性と影響を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-02-17T12:22:11Z)
• Generative Adversarial Reviews: When LLMs Become the Critic [1.2430809884830318]
  本稿では,LLMを利用したエージェントを利用して,忠実なピアレビュアーをシミュレートするジェネレーティブエージェントレビュアー(GAR)を紹介する。 このアプローチの中心は、グラフベースの原稿表現であり、コンテンツを凝縮し、情報を論理的に整理する。 本実験は,GARが人間レビュアーに対して,詳細なフィードバックと論文結果の予測を行う上で,相容れない性能を示すことを示した。
  論文  参考訳（メタデータ） (2024-12-09T06:58:17Z)

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。