論文の概要: SPARK: Skeleton-Guided Reasoning Synthesis from Large-Scale Scientific Literature

• arxiv url: http://arxiv.org/abs/2608.30214v1
• Date: Mon, 31 Aug 2026 03:55:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.215338
• Title: SPARK: Skeleton-Guided Reasoning Synthesis from Large-Scale Scientific Literature
• Title（参考訳）: SPARK:Seleton-Guided Reasoning Synthesis from Large-Scale Scientific Literature
• Abstract要約: SPARKはSci-Base上に構築された紙指向合成フレームワークである。 SPARKはそれぞれの論文を、その中心の主張を捉え証拠を裏付けるコンパクトな推理骨格に蒸留する。 我々はSpark-234Kという科学推論データセットを構築し、既存のリソースよりも難易度と多様性が著しく高い。
• 参考スコア（独自算出の注目度）: 26.176405135367038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific reasoning remains challenging for open-source models, largely due to the lack of high-quality scientific reasoning data. Existing datasets are often dominated by factual recall or formulaic problem solving, with limited emphasis on mechanism understanding, evidence-grounded reasoning, and hypothesis evaluation. To address this, we introduce SPARK (Scientific Paper Abstracted Reasoning sKeleton), a paper-oriented synthesis framework built on Sci-Base, a large-scale corpus of research papers spanning 10 scientific disciplines. Instead of directly converting papers into question-answer pairs, SPARK treats the claim-evidence-derivation structure of a paper as the fundamental unit of reasoning synthesis. Specifically, SPARK (1) distills each paper into a compact reasoning skeleton capturing its central claims and supporting evidence, enabling self-contained question generation, and (2) synthesizes reasoning tasks from four scientific perspectives: mechanistic reasoning, hypothesis falsification, quantitative derivation, and boundary calibration. A final consistency verification stage further removes unsupported or contradictory outputs. Using this framework, we construct Spark-234K, a scientific reasoning dataset with substantially higher difficulty and diversity than existing resources. Experiments show that Spark-234K consistently outperforms existing scientific reasoning datasets while achieving stronger performance with significantly fewer training samples.
• Abstract（参考訳）: 科学的推論は、高品質な科学的推論データが欠如していることから、オープンソースモデルでは依然として困難である。 既存のデータセットは、しばしば事実のリコールや公式な問題解決によって支配され、メカニズムの理解、エビデンスに基づく推論、仮説評価に限定的に重点を置いている。 SPARK(Scientific Paper Abstracted Reasoning sKeleton)は、Sci-Base上に構築された紙指向合成フレームワークである。 論文を直接問合せ対に変換する代わりに、SPARKは論文のクレーム-エビデンス-導出構造を推論合成の基本単位として扱う。 具体的には、SPARK(1)は、各論文を、その中心的主張を捉え、証拠を裏付けるコンパクトな推論スケルトンに蒸留し、自己完結した質問生成を可能にし、(2)機械的推論、仮説のファルシフィケーション、定量的導出、境界校正の4つの科学的視点から推論タスクを合成する。 最終的な整合性検証ステージは、さらに、不要または矛盾した出力を除去する。 このフレームワークを用いてSpark-234Kを構築する。Spark-234Kは既存のリソースよりも難易度と多様性が著しく高い科学推論データセットである。 実験によると、Spark-234Kは既存の科学的推論データセットを一貫して上回り、トレーニングサンプルをはるかに少なくしてより強力なパフォーマンスを実現している。

関連論文リスト

• Replications, Revisions, and Reanalyses: Managing Empirical Evidence in Software Engineering [6.147136878250444]
  分散理論の妥当性は、複数の証拠の合成に由来する。 SEにおける研究合成は稀であり、ほとんどの場合、純粋な物語合成に限られる。 実証された個々のメソッドフラグメントから研究合成を行うためのフレームワークを構築するために,手法工学を適用した。
  論文  参考訳（メタデータ） (2026-09-05T08:57:53Z)
• Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
  SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。 SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。 86のベンチマークで、SciReasonerは67のタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-08T17:59:59Z)
• SciR: A Controllable Benchmark for Scientific Reasoning in LLMs [14.183744057358547]
  SciRは、マルチパラダイム推論と制御可能な科学的レンダリングを組み合わせたベンチマークである。 我々の知る限り、SciRは抽出と推論の難易度の両方をパラメトリック制御した最初のマルチパラダイム科学的推論ベンチマークである。
  論文  参考訳（メタデータ） (2026-06-11T07:54:22Z)
• PaperMind: Benchmarking Agentic Reasoning and Critique over Scientific Papers in Multimodal LLMs [68.27437550335709]
  本稿では,研究論文に対する統合的およびエージェント指向の科学的推論を評価するためのベンチマークであるPaperMindを紹介する。 PaperMindは、農業、生物学、化学、計算機科学、医学、物理学、経済学を含む7つの領域にわたる実際の科学論文から構築されている。 複数のタスクにわたるモデル行動を分析することにより、PaperMindは統合された科学的推論行動の診断的評価を可能にする。
  論文  参考訳（メタデータ） (2026-04-23T05:42:39Z)
• CoT-Evo: Evolutionary Distillation of Chain-of-Thought for Scientific Reasoning [63.44477226386808]
  先進的な大規模言語モデル(LLM)からのCoT蒸留は、一般的な推論タスクにおいて有効であることが証明されている。 しかし、先進的なモデルでさえ、誤った、あるいは表面的な推論をしばしば生み出す科学領域では苦戦している。 この問題を解決するために, 進化的CoT蒸留フレームワークであるCoT-Evoを提案する。
  論文  参考訳（メタデータ） (2025-10-15T05:29:56Z)
• Demystifying Scientific Problem-Solving in LLMs by Probing Knowledge and Reasoning [53.82037883518254]
  SciReasは、科学的推論タスクのための様々なベンチマークスイートである。 次に、科学的タスクにおける推論と知識の異なる役割を研究するための探索フレームワークであるKRUXを提案する。
  論文  参考訳（メタデータ） (2025-08-26T17:04:23Z)
• The Next Phase of Scientific Fact-Checking: Advanced Evidence Retrieval from Complex Structured Academic Papers [11.88478056313921]
  この問題は、科学知識の進化する性質に適合しなければならないため、一般的な事実チェックよりも本質的に複雑である。 既存のアプローチでは、抽象データからなる小規模データセットに基づいて、問題の簡易バージョンに重点を置いている。 本稿では,現状の科学的ファクトチェックシステムの限界について検討し,その性能向上に活用できる潜在的な特徴と資源を明らかにする。
  論文  参考訳（メタデータ） (2025-06-25T21:29:33Z)
• Atomic Reasoning for Scientific Table Claim Verification [83.14588611859826]
  非専門家は、その高い情報密度と認識される信頼性のために、科学的表に基づく主張を誤解させるおそれがある。 既存のテーブルクレーム検証モデル、例えば最先端の大規模言語モデル(LLM)は、しばしば精密なきめ細かい推論に苦しむ。 認知負荷理論に触発されて、表に基づく主張を解釈するモデルの能力を高めるには、認知負荷を減らす必要がある。
  論文  参考訳（メタデータ） (2025-06-08T02:46:22Z)
• Context-Aware Reasoning On Parametric Knowledge for Inferring Causal Variables [49.31233968546582]
  本稿では,部分因果グラフの完成を目的とした新しいベンチマークを提案する。 原因と効果の間のバックドア変数を仮説化するLLMの強い能力を示す。 固定された関連性の単純な記憶とは異なり、我々のタスクはグラフ全体のコンテキストに応じてLCMを推論する必要がある。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)

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。