論文の概要: Sci-Surf: Navigating Scientific Literature Discovery through Human Feedback and Intelligent Summarizatio

• arxiv url: http://arxiv.org/abs/2608.11973v1
• Date: Wed, 12 Aug 2026 12:02:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.567434
• Title: Sci-Surf: Navigating Scientific Literature Discovery through Human Feedback and Intelligent Summarizatio
• Title（参考訳）: Sci-Surf:人間のフィードバックと知的な要約を通して科学的文献発見をナビゲートする
• Abstract要約: Sci-Surfは、フィードバックによるパーソナライズされたレコメンデーションとマルチモーダルなブログスタイルの紙の消化を統合する、意図中心の知識発見システムである。 デモでは、エンドツーエンドの学術的発見パイプラインが紹介され、実際のユーザ評価を通じて、推奨品質と消化品質の両方において、測定可能な改善が示されている。
• 参考スコア（独自算出の注目度）: 17.3140731030165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of scientific publications makes it increasingly difficult for researchers to identify relevant new studies and effectively comprehend them. Existing academic discovery platforms typically rely on static topic subscriptions or embedding-based similarity and provide only abstracts or short summaries, offering limited support for nuanced intent modeling and in-depth paper summarization. We present Sci-Surf, an intent-centric knowledge discovery system that integrates feedback-driven personalized recommendation with multi-modal blog-style paper digestion. Our approach refines user intent representations through LLM-based user profiling, while generating structured summaries that synthesize textual and visual information from full papers. The demo presents an end-to-end academic discovery pipeline and demonstrates measurable improvements in both recommendation quality and digestion quality through real-user evaluations. Specifically, the integration of verbalized profiles led to a 10.4% average improvement in predictive alignment with real-world user preferences throughout a month-long online evaluation.
• Abstract（参考訳）: 科学出版物の急速な成長は、研究者が関連する新しい研究を識別し、それらを効果的に理解することがますます困難になっている。 既存の学術的な発見プラットフォームは通常、静的トピックのサブスクリプションや埋め込みベースの類似性に依存し、抽象的あるいは短い要約のみを提供し、ニュアンスド・インテント・モデリングと詳細な論文要約を限定的にサポートする。 フィードバック駆動型パーソナライズドレコメンデーションとマルチモーダルなブログスタイルの紙消化を統合した,意図中心の知識発見システムであるSci-Surfを提案する。 提案手法は,LLMに基づくユーザプロファイリングによりユーザ意図の表現を洗練し,全紙からテキストや視覚情報を合成する構造化要約を生成する。 デモでは、エンドツーエンドの学術的発見パイプラインが紹介され、実際のユーザ評価を通じて、推奨品質と消化品質の両方において、測定可能な改善が示されている。 具体的には、言語化されたプロファイルの統合により、1ヶ月にわたるオンライン評価を通じて、現実のユーザの嗜好と予測的整合性が平均10.4%向上した。

関連論文リスト

• Public Profile Matters: A Scalable Integrated Approach to Recommend Citations in the Wild [5.273138059454523]
  Profilerは軽量で学習不能なモジュールで、人間の引用パターンを効率よく、バイアスなくキャプチャする。 DAVINCIは,プロファイラ由来の信頼度を意味情報と統合する新しい階調モデルである。
  論文  参考訳（メタデータ） (2026-03-18T04:52:42Z)
• MIARec: Mutual-influence-aware Heterogeneous Network Embedding for Scientific Paper Recommendation [4.322490035067703]
  Mutual-Influence-Aware Recommendation (MIARec) モデルは、学者間の相互の学術的影響を測定し、特徴集約プロセスにこの影響を組み込む。 実世界のデータセットで実施された大規模な実験により、MIARecモデルは3つの主要な評価指標でベースラインモデルを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-10-14T01:47:25Z)
• Leveraging LLMs for Semi-Automatic Corpus Filtration in Systematic Literature Reviews [5.911820207772152]
  本稿では,複数の大規模言語モデル(LLM)を活用し,記述的プロンプトに基づいて論文を分類し,共同で決定するパイプラインを提案する。 プロセス全体は、オープンソースのビジュアルアナリティクスWebインターフェースであるLLMSurverを介して、人間によって管理され、インタラクティブに制御されます。 その結果、パイプラインは、単一アノテータよりもエラー率を低くしながら、手作業を大幅に削減することを示した。
  論文  参考訳（メタデータ） (2025-10-13T13:48:29Z)
• Accelerating Scientific Discovery with Multi-Document Summarization of Impact-Ranked Papers [0.4334105740533729]
  我々は、BIPに要約機能を導入している。Finderは、人気や影響力といった異なる影響面に基づいて文学をランク付けする学術検索エンジンである。 提案手法では,上位の検索結果から2種類の要約を生成することができる: 即時的な理解のための簡潔な要約と,より包括的な文献レビュースタイルの要約により,より大きく,より整理された理解のための要約である。
  論文  参考訳（メタデータ） (2025-08-05T22:56:09Z)
• XtraGPT: Context-Aware and Controllable Academic Paper Revision [43.263488839387584]
  本稿では,基準誘導型意図アライメントと文脈認識モデリングを中心とした学術論文改訂のための人間-AI協調フレームワークを提案する。 XtraGPTは,コンテクスト対応,命令誘導型書き込み支援のためのオープンソースのLLMスイートである。
  論文  参考訳（メタデータ） (2025-05-16T15:02:19Z)
• 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)
• Can LLMs Generate Tabular Summaries of Science Papers? Rethinking the Evaluation Protocol [83.90769864167301]
  文献レビュー表は、科学論文の集合を要約し比較するために欠かせないものである。 学術論文の収集にあたり,ユーザの情報ニーズを最大限に満たす表を作成するタスクについて検討する。 我々の貢献は、現実世界で遭遇する3つの重要な課題に焦点を当てている: (i)ユーザープロンプトは、しばしば未特定である; (ii)検索された候補論文は、しばしば無関係な内容を含む; (iii)タスク評価は、浅いテキスト類似性技術を超えて進むべきである。
  論文  参考訳（メタデータ） (2025-04-14T14:52:28Z)
• 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)
• Peer Review as A Multi-Turn and Long-Context Dialogue with Role-Based Interactions [62.0123588983514]
  大規模言語モデル(LLM)は様々な分野にまたがる幅広い応用を実証してきた。 我々は、ピアレビュープロセスを多ターン長文対話として再構築し、著者、レビュアー、意思決定者に対して異なる役割を担っている。 複数の情報源から収集された92,017件のレビューを含む26,841件の論文を含む包括的データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-09T08:24:17Z)
• A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [51.26815896167173]
  本稿では,3つの相補的な側面からPAMIレビューを総合的に分析する。 我々の分析は、現在のレビューの実践において、独特の組織パターンと永続的なギャップを明らかにします。 最後に、最先端のAI生成レビューの評価は、コヒーレンスと組織の進歩を奨励していることを示している。
  論文  参考訳（メタデータ） (2024-02-20T11:28:50Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• Factually Consistent Summarization via Reinforcement Learning with Textual Entailment Feedback [57.816210168909286]
  我々は,この問題を抽象的な要約システムで解くために,テキストエンテーメントモデルの最近の進歩を活用している。 我々は、事実整合性を最適化するために、レファレンスフリーのテキストエンターメント報酬を用いた強化学習を用いる。 自動測定と人的評価の両結果から,提案手法は生成した要約の忠実さ,サリエンス,簡潔さを著しく向上させることが示された。
  論文  参考訳（メタデータ） (2023-05-31T21:04:04Z)
• Enhancing Reading Strategies by Exploring A Theme-based Approach to Literature Surveys [5.004814662623872]
  我々は,コーパスを視覚的に,テーマ的に探索できる方法論を考案し,個人化された全体的読解戦略を開発した。 その結果, (i) 未読の論文を選別し, (ii) より一貫性のある読解戦略を開発し, (iii) 論文間のテーマ構造と関係をより効果的に理解した。
  論文  参考訳（メタデータ） (2021-02-10T10:36:45Z)

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。