論文の概要: "Excuse me, may I say something..." CoLabScience, A Proactive AI Assistant for Biomedical Discovery and LLM-Expert Collaborations

• arxiv url: http://arxiv.org/abs/2604.15588v1
• Date: Thu, 16 Apr 2026 23:46:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.680647
• Title: "Excuse me, may I say something..." CoLabScience, A Proactive AI Assistant for Biomedical Discovery and LLM-Expert Collaborations
• Title（参考訳）: 「失礼、何か言っても...」CoLabScience : バイオメディカルディスカバリーとLLM-ExpertコラボレーションのためのプロアクティブAIアシスタント
• Authors: Yang Wu, Jinhong Yu, Jingwei Xiong, Zhimin Tao, Xiaozhong Liu,
• Abstract要約: 我々は,AIシステムと人間専門家とのバイオメディカルコラボレーションを強化するために設計された,プロアクティブなLLMアシスタントであるCoLabScienceを紹介する。 本手法の核となるのがPULI(Regressed Learning Objective)であり、ストリーミング科学の議論にいつ、どのように介入するかを決定するための新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 20.262423767863044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of Large Language Models (LLMs) into scientific workflows presents exciting opportunities to accelerate biomedical discovery. However, the reactive nature of LLMs, which respond only when prompted, limits their effectiveness in collaborative settings that demand foresight and autonomous engagement. In this study, we introduce CoLabScience, a proactive LLM assistant designed to enhance biomedical collaboration between AI systems and human experts through timely, context-aware interventions. At the core of our method is PULI (Positive-Unlabeled Learning-to-Intervene), a novel framework trained with a reinforcement learning objective to determine when and how to intervene in streaming scientific discussions, by leveraging the team's project proposal and long- and short-term conversational memory. To support this work, we introduce BSDD (Biomedical Streaming Dialogue Dataset), a new benchmark of simulated research discussion dialogues with intervention points derived from PubMed articles. Experimental results show that PULI significantly outperforms existing baselines in both intervention precision and collaborative task utility, highlighting the potential of proactive LLMs as intelligent scientific assistants.
• Abstract（参考訳）: LLM(Large Language Models)の科学ワークフローへの統合は、生物医学的な発見を加速するエキサイティングな機会を提供する。 しかしながら、LLMのリアクティブ性は、トリガーされた場合にのみ応答するので、フォレストと自律的なエンゲージメントを要求する協調的な設定において、その効果を制限します。 本研究では,AIシステムと人間専門家とのバイオメディカルコラボレーションを,タイムリーかつコンテキスト対応な介入を通じて促進する,プロアクティブなLCMアシスタントであるCoLabScienceを紹介する。 本手法の核となるのがPULI(Positive-Unlabeled Learning-to-Intervene)である。これは、チームのプロジェクト提案と長期的な会話記憶を活用して、ストリーミング科学的議論にいつ、どのように介入するかを決定するための強化学習目標を訓練した新しいフレームワークである。 本研究を支援するために,BSDD (Biomedical Streaming Dialogue Dataset) を紹介する。 実験の結果,PULIは介入精度と協調作業性の両方において既存のベースラインを著しく上回り,知的科学アシスタントとしての積極的LCMの可能性を強調した。

関連論文リスト

• Towards a Medical AI Scientist [73.6056699962416]
  私たちは、臨床自律研究に特化した最初の自律的な研究フレームワークである、メディカルAIサイエンティストを紹介します。 このフレームワークは3つの研究モード、すなわち論文ベースの再現、文学にインスパイアされた革新、タスク駆動探索で動作する。 本システムでは,提案手法と実装の密接な整合性を実現するとともに,実行可能実験において極めて高い成功率を示す。
  論文  参考訳（メタデータ） (2026-03-30T15:37:25Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Roadmap for using large language models (LLMs) to accelerate cross-disciplinary research with an example from computational biology [0.0]
  大きな言語モデル(LLM)は、研究の実施方法を変える強力な人工知能(AI)ツールである。 研究における彼らの使用は、幻覚、偏見、研究への潜在的な害に関する懸念から懐疑論に満ちている。 本稿では,LSMを学際的な研究に統合するためのロードマップを示す。
  論文  参考訳（メタデータ） (2025-07-04T17:20:14Z)
• MedSyn: Enhancing Diagnostics with Human-AI Collaboration [19.23358929400838]
  大言語モデル(LLM)は、臨床意思決定を支援するためのツールとして有望であることを示している。 我々は、医師とLLMが多段階の対話を行い、診断と治療の決定を洗練するためのハイブリッドなヒューマンAIフレームワーク、MedSynを提案する。
  論文  参考訳（メタデータ） (2025-05-07T09:37:18Z)
• Advancing AI Research Assistants with Expert-Involved Learning [84.30323604785646]
  大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は、生物医学的な発見を促進することを約束するが、その信頼性は未定である。 ARIEL(AI Research Assistant for Expert-in-the-Loop Learning)は,オープンソースの評価・最適化フレームワークである。 LMMは詳細な視覚的推論に苦しむのに対し、最先端のモデルでは流動性はあるが不完全な要約を生成する。
  論文  参考訳（メタデータ） (2025-05-03T14:21:48Z)
• m-KAILIN: Knowledge-Driven Agentic Scientific Corpus Distillation Framework for Biomedical Large Language Models Training [22.996230737442254]
  バイオメディカルな大規模言語モデル(LLM)のためのコーパスヘッダーは、オープンソースの科学コーパスにおいて、不十分な量と品質のプレス課題に対処しようとしている。 本稿では, バイオメディカル領域におけるLLMトレーニングに適した, 科学的コーパス蒸留のための知識駆動型エージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-28T08:18:24Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)

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。