論文の概要: Deep Academic Survey: Stateful Agentic Closed-Loop Paradigm for Academic Survey Automation
- arxiv url: http://arxiv.org/abs/2608.18034v1
- Date: Tue, 18 Aug 2026 17:29:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.416077
- Title: Deep Academic Survey: Stateful Agentic Closed-Loop Paradigm for Academic Survey Automation
- Title（参考訳）: Deep Academic Survey: 学術調査自動化のためのステートフルエージェントクローズドループパラダイム
- Abstract要約: DASは出版指向の学術調査を作成するためのステートフルなエージェント・フレームワークである。
その鍵となる考え方は、再利用可能な紙分析とトピック固有の原稿構築を分離することである。
DASは4つの次元で最高点に達し、総合スコアは4.34であり、最強の競争相手は4.03である。
- 参考スコア（独自算出の注目度）: 60.151050016855834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Academic surveys play a central role in organizing rapidly expanding scholarly literature, yet their construction requires extensive paper analysis, coherent knowledge organization, fine-grained citation support, and reliable manuscript assembly. Existing Deep Research and automated survey generation systems address parts of this process, but typically do not coordinate paper understanding, literature organization, evidence-grounded drafting, and manuscript validation through a shared, revisable state. We introduce DAS, a stateful agentic framework for generating publication-oriented academic surveys. Its key idea is to separate reusable paper analysis from topic-specific manuscript construction. DAS builds on DAS-2M, a dynamically updated metadata lake containing survey-oriented representations of approximately two million papers. Its agents maintain explicit literature, organization, writing, and finalization states through candidate-grounded taxonomy planning, reverse paper-to-section routing, and hierarchical claim and citation planning. Semantic review reactivates only the affected writing states for repair and reevaluation, forming a scoped closed loop with deterministic validation. We further introduce DAS-Bench, a 30-topic benchmark, together with DAS-Eval, which assesses scholarly citation quality, taxonomic synthesis, hierarchical discourse, and manuscript assembly reliability through 16 criteria. Among systems evaluated on all 30 topics, DAS achieves the highest average in all four dimensions, with an overall score of 4.34 compared with 4.03 for the strongest competitor, and the same ordering is preserved on the matched 21-topic CS subset. Blinded expert evaluation further prefers DAS to Naive RAG on 27 of 30 topics and to AutoSurvey on 19 of 21 shared CS topics. The project page is available at https://zhikaixu24.github.io/projects/DAS/.
- Abstract（参考訳）: 学術調査は、急速に拡大する学術文学の組織化において中心的な役割を果たすが、その構築には広範な論文分析、一貫性のある知識組織、きめ細かい引用支援、信頼できる原稿組み立てが必要である。
既存のDeep Researchと自動調査生成システムは、このプロセスの一部に対処するが、典型的には、論文理解、文献組織、エビデンスに基づく起草、および共用可能な状態による原稿検証の調整は行わない。
出版指向の学術調査を作成するためのステートフルなエージェントフレームワークであるDASを紹介する。
その鍵となる考え方は、再利用可能な紙分析とトピック固有の原稿構築を分離することである。
DASは、約200万枚の論文を調査指向で表現した、動的に更新されたメタデータレイクであるDAS-2M上に構築されている。
その代理人は、明確な文献、組織、書面、最終化状態を維持するために、候補とした分類計画、ペーパー・ツー・セクション・ルーティング、階層的クレームと引用計画を行う。
セマンティックレビューは、影響のある書き込み状態のみを修復と再評価のために再活性化し、決定論的検証を伴うスコープ付き閉ループを形成する。
さらに,30トピックのベンチマークであるDAS-BenchとDAS-Evalを併用して,学術的引用品質,分類学的合成,階層的談話,原稿組立信頼性を16基準で評価した。
30のトピックで評価されたシステムの中で、DASは4つの次元で最高平均を達成し、総合スコアは4.34であり、最強の競争相手は4.03であり、一致した21トピックのCSサブセットに同じ順序が保持されている。
Blindedのエキスパート評価は、30トピック中27トピックでDAS、21トピックの共有CSトピックでAutoSurveyよりもDASを好む。
プロジェクトページはhttps://zhikaixu24.github.io/projects/DAS/で公開されている。
関連論文リスト
- PaperDoctor: Evidence-Grounded and Actionable Feedback for Scientific Papers in Progress [130.58520199343707]
PaperDoctorは,3つの重要なイノベーションを備えた,サブミッション前のフィードバックのためのエージェントフレームワークである。
まず、全体論的階層的なフレームワークは、書き込み、レイアウト、参照、コード、理論、先行作業、実験を評価します。
第二に、各発見には、観察、文、方程式、コードラインなどの特定の証拠へのポインタ、修正提案が含まれる。
第3に、PaperDoctorはクレームの重要性と計算予算に基づいて実験を選択的に再構築し、再実行する。
論文 参考訳（メタデータ） (2026-09-15T11:08:11Z) - Positioning manuscripts in the scientific landscape with agentic AI [21.15576036232353]
研究写本の出版は、科学的な生活の一部を要求するルーチンである。
大規模言語モデル(LLM)ベースのエージェントAIの最近の進歩は、様々な科学的タスクにおいて有望であることを示している。
ドメイン固有の文献コンテキスト内で原稿を理解するエージェントシステムであるPASSを紹介する。
論文 参考訳（メタデータ） (2026-09-12T07:10:14Z) - RWGBench: Evaluating Scholarly Positioning in Related Work Generation [43.26813089097539]
テキスト類似性ではなく引用判断の観点からRWGを評価するベンチマークである textbfRWGBench を導入する。
RWGBenchは40,108のコンピュータサイエンス論文の大規模なコレクションと1.09百万のドキュメントの検索コーパスから構築されている。
実験では、標準的な評価によって隠蔽されている現在のシステムの体系的な制限が示され、Oracleは検索レベルとジェネレーションレベルのボトルネックをさらに歪めている。
論文 参考訳（メタデータ） (2026-05-30T16:53:14Z) - AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。
我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。
障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文 参考訳（メタデータ） (2026-05-18T17:08:26Z) - PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing [43.290959385976414]
PaperOrchestraは、自動AI研究論文作成のためのマルチエージェントフレームワークである。
制約のない事前制約された資料を提出可能な原稿に変換する。
PaperWritingBenchは、200の上位階層のAIカンファレンス論文から、リバースエンジニアリングされた原料の最初の標準ベンチマークである。
論文 参考訳（メタデータ） (2026-04-06T18:00:00Z) - RPC-Bench: A Fine-grained Benchmark for Research Paper Comprehension [65.81339691942757]
RPC-Bench(RPC-Bench)は、高品質なコンピュータサイエンス論文のレビュー・リビューの交換から構築された大規模質問応答ベンチマークである。
我々は、科学研究の流れに沿ったきめ細かい分類を設計し、モデルがなぜ、何、どのように学術的な文脈で質問するかを理解し、答える能力を評価する。
論文 参考訳（メタデータ） (2026-01-14T11:37:00Z) - DeepSynth-Eval: Objectively Evaluating Information Consolidation in Deep Survey Writing [53.85037373860246]
本稿では,情報統合能力を客観的に評価するためのベンチマークであるDeep Synth-Evalを紹介する。
一般チェックリスト(実例)と制約チェックリスト(構造体)を用いたきめ細かい評価プロトコルを提案する。
その結果,エージェント型プラン・アンド・ライトは単ターン生成よりも大幅に優れていた。
論文 参考訳（メタデータ） (2026-01-07T03:07:52Z) - OpenNovelty: An LLM-powered Agentic System for Verifiable Scholarly Novelty Assessment [63.662126457336534]
OpenNoveltyは、透明で証拠に基づく新規性分析のためのエージェントシステムである。
回収された実論文のすべての評価を根拠にし、検証可能な判断を確実にする。
OpenNoveltyは、公正で一貫性があり、エビデンスに支えられたピアレビューを促進するスケーラブルなツールで、研究コミュニティに力を与えることを目指している。
論文 参考訳（メタデータ） (2026-01-04T15:48:51Z) - SurGE: A Benchmark and Evaluation Framework for Scientific Survey Generation [37.921524136479825]
SurGE(Survey Generation Evaluation)は、コンピュータ科学における科学的サーベイ生成の新しいベンチマークである。
SurGEは,(1)トピック記述,専門家による調査,(2)100万以上の論文からなる大規模学術コーパスを含む,一連のテストインスタンスから構成される。
さらに,4次元にわたって生成した調査の質を計測する自動評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-21T15:45:10Z) - Let's Use ChatGPT To Write Our Paper! Benchmarking LLMs To Write the Introduction of a Research Paper [64.50822834679101]
SciIGは、タイトル、抽象、および関連する作品からコヒーレントな紹介を生成するLLMの能力を評価するタスクである。
オープンソース (DeepSeek-v3, Gemma-3-12B, LLaMA 4-Maverick, MistralAI Small 3.1) およびクローズドソース GPT-4o システムを含む5つの最先端モデルを評価する。
結果は、特に意味的類似性と忠実性において、ほとんどのメトリクスにおいて、LLaMA-4 Maverickの優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-08-19T21:11:11Z) - SciSage: A Multi-Agent Framework for High-Quality Scientific Survey Generation [2.985620880452744]
SciSageはリフレクション・ワン・ユー・ライト・パラダイムを使ったマルチエージェント・フレームワークである。
アウトライン、セクション、ドキュメントレベルでのドラフトを批判的に評価し、クエリの解釈、コンテンツ検索、洗練のための特別なエージェントと協調する。
また、11のコンピュータサイエンス領域にわたる46のハイインパクト論文(2020-2025)のベンチマークであるSurveyScopeをリリースしています。
論文 参考訳（メタデータ） (2025-06-15T02:23:47Z)
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。