論文の概要: SciPaths: Forecasting Pathways to Scientific Discovery
- arxiv url: http://arxiv.org/abs/2605.14600v1
- Date: Thu, 14 May 2026 09:10:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-16 00:43:04.113156
- Title: SciPaths: Forecasting Pathways to Scientific Discovery
- Title（参考訳）: SciPaths:科学発見への道の予測
- Authors: Eric Chamoun, Yizhou Chi, Yulong Chen, Rui Cao, Zifeng Ding, Michalis Korakakis, Andreas Vlachos,
- Abstract要約: SciPathsは262のエキスパートによる注釈付きゴールドパスと2,444のシルバーパスのベンチマークで、機械学習と自然言語処理の論文から構築した。
厳密なセマンティックマッチングの下では,最良のモデルが0.189 F1にしか達しないことがわかった。
- 参考スコア（独自算出の注目度）: 19.523935592570776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific progress depends on sequences of enabling contributions, yet existing AI4Science benchmarks largely focus on citation prediction, literature retrieval, or idea generation rather than the dependencies that make progress possible. In this paper, we introduce discovery pathway forecasting: given a target scientific contribution and the prior literature available at a specified time, the task is to (1) identify the enabling contributions required to realize it and (2) ground each in prior work when such prior work exists. We present SciPaths, a benchmark of 262 expert-annotated gold pathways and 2,444 silver pathways constructed from machine learning and natural language processing papers, where each pathway records enabling contributions, roles, rationales, and prior-work groundings or unmapped decisions. Evaluating frontier and open-weight language models, we find that the best model reaches only 0.189 F1 under strict semantic matching, with core methodological dependencies hardest to recover. Prior-work grounding improves substantially when gold enabling contributions are provided, showing that decomposition quality is a major bottleneck for end-to-end pathway recovery. SciPaths therefore shifts evaluation toward a missing capability in scientific forecasting: reasoning backward from a target contribution to the enabling scientific building blocks and prior-work dependencies that make it feasible.
- Abstract（参考訳）: 科学的進歩は、コントリビューションを可能にするシーケンスに依存するが、既存のAI4Scienceベンチマークは、進捗を可能にする依存関係よりも、引用予測、文学検索、アイデア生成に重点を置いている。
本稿では,目的とする科学的コントリビューションと,特定のタイミングで利用可能な先行文献が与えられた場合,(1)それを実現するために必要なコントリビューションを識別し,(2)先行作業が存在する場合,それぞれを根拠として,発見経路の予測を行う。
提案するSciPathsは、専門家による262のゴールドパスと2,444のシルバーパスのベンチマークであり、各パスがコントリビューション、役割、合理性、事前作業のグラウンディング、あるいは未マッピングの決定を記録できる機械学習および自然言語処理論文から構築されている。
フロンティアとオープンウェイト言語モデルを評価すると、最良のモデルは厳密なセマンティックマッチングの下で0.189 F1にしか達せず、中核的な方法論的依存関係の回復が困難であることがわかった。
プリワークグラウンドディングは、金が貢献できるときに大幅に改善され、分解品質がエンド・ツー・エンド・パス・リカバリのボトルネックとなることが示される。
したがって、SciPathsは科学的予測において、科学的予測能力の欠如、すなわち科学的構築ブロックを可能にするための目標からの後方への貢献と、それを実現可能にする事前作業の依存関係、に評価をシフトさせる。
関連論文リスト
- The Scientific Contribution Graph: Automated Literature-based Technological Roadmapping at Scale [2.1720627347907695]
学術論文から科学的貢献を抽出し,それらの前提条件に関連付けることにより,自動技術ロードマップ作成の課題を定式化する。
我々は,230万のオープンアクセス論文から抽出された200万の詳細な科学的コントリビューションを含む大規模AI/NLPドメインリソースであるScientific Contribution Graphを紹介した。
論文 参考訳（メタデータ） (2026-05-14T16:12:12Z) - SciResearcher: Scaling Deep Research Agents for Frontier Scientific Reasoning [54.194672921128785]
我々は、フロンティア科学データ構築のための完全に自動化されたエージェントフレームワークであるSciResearcherを紹介する。
SciResearcherは、学術的証拠に基づく様々な概念的および計算的なタスクを合成する。
我々は,HLE-Bio/Chem-Goldベンチマークで19.46%を達成できるエージェント基盤モデルであるSciResearcher-8Bを開発した。
論文 参考訳（メタデータ） (2026-05-02T15:26:45Z) - PreScience: A Benchmark for Forecasting Scientific Contributions [32.63164451901248]
PreScienceは、研究プロセスを4つの相互依存的な生成タスクに分解する科学的予測ベンチマークである。
コントリビューション・コントリビューション・コントリビューション・コントリビューション・コントリビューション・コントリビューション・コントリビューション・コントリビューション・コントリビューション・コントリビューション・コントリビューションの新たな尺度であるLACERScoreを含む,各タスクのベースラインと評価を開発する。
結果として得られる合成コーパスは、同時代の人間による研究よりも体系的に多様性が低く、新規性も低い。
論文 参考訳（メタデータ） (2026-02-24T01:37:53Z) - Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science [70.3658845234978]
大規模言語モデル(LLM)はマルチエージェントシステム(MAS)の機能を大幅に拡張した。
この急速な進歩にもかかわらず、この分野はいまだに実証的な試行錯誤に大きく依存している。
このボトルネックは、帰属の曖昧さに起因している。
本稿では,協調運転要因を体系的に同定する要因帰属パラダイムを提案する。
論文 参考訳（メタデータ） (2026-02-05T04:19:52Z) - DeepEra: A Deep Evidence Reranking Agent for Scientific Retrieval-Augmented Generated Question Answering [28.427433335623217]
ステップバイステップ推論を統合したディープエビデンス評価エージェント(DeepEra)を提案する。
この研究は、2段階のRAGフレームワークにおいて、無視できないSSLI問題を包括的に研究し、実証的に検証した初めてのものである。
論文 参考訳（メタデータ） (2026-01-23T06:19:08Z) - SciReasoner: Laying the Scientific Reasoning Ground Across Disciplines [112.78540935201558]
我々は、自然言語と異質な科学的表現を整合させる科学的推論基盤モデルを提案する。
このモデルは、科学的なテキスト、純粋なシーケンス、シーケンスとテキストのペアにまたがる206Bのコーパスで事前訓練され、4000万の命令でSFTを介してアライメントされる。
i) テキストと科学形式間の忠実な翻訳、(ii) テキスト/知識抽出、(iii) プロパティの予測、(iv) プロパティの分類、(v) 条件なしおよび条件付きシーケンスの生成と設計。
論文 参考訳（メタデータ） (2025-09-25T17:52:06Z) - Unlearning as Ablation: Toward a Falsifiable Benchmark for Generative Scientific Discovery [0.0]
大きな言語モデル(LLM)は本当に新しい知識を生成するのか、それとも単に記憶された断片をリミックスするだけなのか?
建設科学的発見のフレーバーとして,非学習的アズ・アブレーションを提案する。
論文 参考訳（メタデータ） (2025-08-25T05:24:15Z) - SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [97.31347312130119]
SciRIFF(Scientific Resource for Instruction-Following and Finetuning)は、トレーニングと評価のための137K命令フォローインスタンスのデータセットで、54のタスクをカバーする。
これらのタスクは、情報抽出、要約、質問応答、クレーム検証、分類の5つの中核的な科学文献理解能力にまたがる。
SciRIFFは、さまざまな科学分野にわたる研究文献から情報を抽出し、合成するための、完全に専門家によって書かれた高品質な命令追跡データセットである。
論文 参考訳（メタデータ） (2024-06-10T21:22:08Z)
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。