論文の概要: DN-Hypo-Pipeline: An AI-Driven Workflow for Hypothesis Generation via Large Language Models and Scientific Explanations

• arxiv url: http://arxiv.org/abs/2606.08532v1
• Date: Sun, 07 Jun 2026 09:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.189491
• Title: DN-Hypo-Pipeline: An AI-Driven Workflow for Hypothesis Generation via Large Language Models and Scientific Explanations
• Title（参考訳）: DN-Hypo-Pipeline: 大規模言語モデルと科学的説明による仮説生成のためのAI駆動ワークフロー
• Authors: Lei Lin, Ronghao Wang, Chunbao Zhou, Jue Wang, Yangang Wang,
• Abstract要約: 大規模言語モデルに基づくAIワークフローであるDN-Hypo-Pipelineを紹介する。 科学的な説明を先行知識として活用することで、構造化された科学的思考と仮説生成を支援する。 データサイエンスモデリングの分野におけるDN-Hypo-Pipelineの評価を3つの高引用論文を用いて行った。
• 参考スコア（独自算出の注目度）: 17.23290117938231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A scientific hypothesis is the first step in research and undergoes experimental validation, yet it also reflects a deep understanding of and reasoning about scientific phenomena. We introduce DN-Hypo-Pipeline, an AI-powered workflow based on large language models, designed to support structured scientific thinking and hypothesis generation by leveraging scientific explanations as prior knowledge. This pipeline assists researchers in deriving novel hypotheses from existing literature. Given the explanandum (i.e., the conclusion) of a research paper, it identifies underlying laws, theories, and principles, and reconstructs a new, yet-to-be-verified explanation for the observed phenomenon. We evaluated DN-Hypo-Pipeline in the field of data science modeling using three highly cited papers. Statistical inference, supported by both LLM-as-judge assessment and human expert evaluation, demonstrates that our pipeline is more effective than direct generation methods. Additionally, we validated the two highest-scoring generated hypotheses by developing corresponding novel algorithms, which outperformed the baseline models presented in the original papers. Beyond application in data science, DN-Hypo-Pipeline provides a theoretical framework that not only encompasses theory-guided data science modeling methods but also reveals a more fundamental structure of the modeling process. Moreover, this approach is essentially a generalization of theory-guided modeling, offering potential for extension to other domains and across a broader range of scientific disciplines.
• Abstract（参考訳）: 科学的仮説は研究の第一歩であり、実験的な検証を行っているが、科学現象の深い理解と推論を反映している。 DN-Hypo-Pipelineは、大規模言語モデルに基づくAIによるワークフローであり、科学的な説明を先行知識として活用することで、構造化された科学的思考と仮説生成を支援するように設計されている。 このパイプラインは、研究者が既存の文献から新しい仮説を導き出すのを助ける。 研究論文の解説(すなわち結論)を前提として、基礎となる法則、理論、原則を特定し、観測された現象について検証されていない新しい説明を再構築する。 データサイエンスモデリング分野におけるDN-Hypo-Pipelineの評価を行った。 LLM-as-judge評価と人的専門家評価の両方が支持する統計的推測は、パイプラインが直接生成法よりも効果的であることを示す。 さらに,本論文で提示したベースラインモデルよりも優れる新しいアルゴリズムを開発することにより,2つの最高スコア生成仮説を検証した。 データサイエンスの応用以外にも、DN-Hypo-Pipelineは理論誘導型データサイエンスモデリング手法を包含するだけでなく、モデリングプロセスのより基本的な構造も明らかにする理論フレームワークを提供している。 さらに、このアプローチは基本的に理論誘導モデリングの一般化であり、他の領域や幅広い科学分野への拡張の可能性を提供する。

関連論文リスト

• Efficient and Principled Scientific Discovery through Bayesian Optimization: A Tutorial [43.112626387235586]
  このチュートリアルでは、科学的な発見を形式化し、自動化する原理的な確率駆動フレームワークであるベイズ最適化(BO)を紹介している。 まず、科学的な発見を直感的な問題として、次にBOのコアコンポーネント、エンドツーエンド、実世界の有効性を解き放つことにしました。 また、バッチ実験、ヘテロシダスティック性、文脈最適化、ループ内統合など、科学的応用のための重要な技術的拡張についても取り上げる。
  論文  参考訳（メタデータ） (2026-04-01T19:14:34Z)
• Evaluating Large Language Models in Scientific Discovery [91.732562776782]
  大規模言語モデル (LLMs) は科学研究にますます応用されてきているが、科学ベンチマークでは非文脈化された知識を探索している。 生物, 化学, 材料, 物理にまたがるLSMを評価するシナリオグラウンドベンチマークを提案する。 このフレームワークは、(i)シナリオタイドアイテムの質問レベル精度と(ii)プロジェクトレベルのパフォーマンスの2つのレベルでモデルを評価する。
  論文  参考訳（メタデータ） (2025-12-17T16:20:03Z)
• A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
  科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。 この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。 我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
  論文  参考訳（メタデータ） (2025-08-28T18:30:52Z)
• Bayes-Entropy Collaborative Driven Agents for Research Hypotheses Generation and Optimization [4.469102316542763]
  本稿では,HypoAgentsと呼ばれるマルチエージェント協調フレームワークを提案する。 多様性のサンプリングを通じて仮説を生成し、事前の信念を確立する。 その後、外部文献の証拠収集にRAG(erieval-augmented generation)を採用している。 情報エントロピー$H = - sum p_ilog p_i$ を用いて高不確かさ仮説を特定し、それらを積極的に洗練する。
  論文  参考訳（メタデータ） (2025-08-03T13:05:32Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
  本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。 従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。 パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
  論文  参考訳（メタデータ） (2023-09-06T05:19:41Z)
• A Causal Research Pipeline and Tutorial for Psychologists and Social Scientists [7.106986689736828]
  因果関係は世界を理解する科学的努力の基本的な部分である。 残念なことに、因果関係は心理学や社会科学の多くの分野においていまだに曖昧である。 研究に因果的アプローチを採用することの重要性に対する多くの勧告によって、我々は、必然的に因果的理論を研究パイプラインの他の部分と調和させるために、心理学における研究の典型的なアプローチを再構築する。
  論文  参考訳（メタデータ） (2022-06-10T15:11:57Z)

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。