論文の概要: Large Knowledge Model: From Papers to a Scientific Reasoning Landscape
- arxiv url: http://arxiv.org/abs/2609.27297v1
- Date: Wed, 23 Sep 2026 03:32:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.858577
- Title: Large Knowledge Model: From Papers to a Scientific Reasoning Landscape
- Title（参考訳）: 大規模知識モデル - 論文から科学的推論の風景まで-
- Abstract要約: 蓄積された科学的知識は、事前の発見が研究者が新しい質問を選択し、設計調査を行い、結果を解釈するのに役立つときに調査を進める。
本稿では,学術知識基盤であるLarge Knowledge Model(LKM)を紹介する。
LKMは、論文をソースグラウンドの推論グラフとして表現し、同じオブジェクト上の意味的検索と構造的推論を結合し、関連する質問、クレーム、および論文間の推論チェーンを整列させる。
- 参考スコア（独自算出の注目度）: 27.475812890416154
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accumulated scientific knowledge advances inquiry when prior findings help researchers choose new questions, design investigations, and interpret results. Realizing this value at scale requires access to the reasoning that connects research problems, scientific procedures, conclusions, and evidence. We introduce the Large Knowledge Model (LKM), a scientific knowledge infrastructure that transforms the literature into a shared, computationally accessible reasoning resource. LKM represents papers as source-grounded reasoning graphs, couples structural traversal with semantic retrieval over the same objects, and aligns related questions, claims, and reasoning chains across papers. This representation forms a Scientific Reasoning Landscape with three connected views: a Question Landscape that organizes research problems and open directions, a Workflow Landscape that exposes reusable scientific procedures, and an Evidence Landscape that connects conclusions to their support, disagreement, and conditions. The unified substrate supports reasoning-aware scientific search, evidence-grounded question answering, comparative evidence analysis, and research planning. Researchers and agents can retrieve relevant work through its scientific intent, synthesize answers with inspectable supporting arguments, and develop research plans informed by established workflows and unresolved evidence. We describe a corpus-scale system and evaluate scientific retrieval and knowledge-intensive question answering. With the answering model fixed, LKM retrieval improves accuracy by 9.30%, 4.20%, and 14.69% on ChemBench, PubMedQA, and SciBench, respectively. By connecting knowledge access to scientific reasoning and action, LKM provides a common foundation for discovering relevant research, reusing scientific knowledge, and coordinating cumulative inquiry across researchers, agents, and research cycles.
- Abstract（参考訳）: 蓄積された科学的知識は、事前の発見が研究者が新しい質問を選択し、設計調査を行い、結果を解釈するのに役立つときに調査を進める。
この価値を大規模に実現するには、研究問題、科学的手続き、結論、証拠を結びつける推論にアクセスする必要がある。
本稿では,学術知識基盤であるLarge Knowledge Model(LKM)を紹介する。
LKMは、論文をソースグラウンドの推論グラフとして表現し、同じオブジェクト上の意味的検索と構造的トラバーサルを結合し、関連する質問、クレーム、推論チェーンを紙全体に整列させる。
この表現は、研究問題とオープンな方向を整理する質問ランドスケープ、再利用可能な科学的手順を公開するワークフローランドスケープ、そして結論を彼らの支持、意見の不一致、条件に結びつけるエビデンスランドスケープである。
統一された基板は、推論を意識した科学的探索、エビデンスに基づく質問応答、比較エビデンス分析、研究計画をサポートしている。
研究者やエージェントは、その科学的意図を通じて関連する研究を検索し、検査可能な支持議論で回答を合成し、確立されたワークフローや未解決の証拠から情報を得た研究計画を開発することができる。
コーパススケールシステムについて述べるとともに,科学的検索と知識集約型質問応答の評価を行った。
解答モデルの修正により、LKM検索はChemBench、PubMedQA、SciBenchの精度を9.30%、4.20%、14.69%向上させる。
科学的推論と行動への知識アクセスを結びつけることで、LKMは関連する研究を発見し、科学的知識を再利用し、研究者、エージェント、研究サイクルをまたいだ累積的な調査を調整するための共通の基盤を提供する。
関連論文リスト
- 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) - PaperScope: A Multi-Modal Multi-Document Benchmark for Agentic Deep Research Across Massive Scientific Papers [52.97586643334384]
本稿ではエージェントディープリサーチのベンチマークであるPaperScopeを紹介する。
3年にわたる2000以上のAI論文の知識グラフ上に構築されている。
意味的に関連するキー情報ノードを統合し、最適化されたランダムウォーク記事セレクタを使用する。
論文 参考訳（メタデータ） (2026-04-13T11:07:08Z) - 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) - A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。
我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
論文 参考訳（メタデータ） (2024-06-16T08:03:24Z) - Fish-bone diagram of research issue: Gain a bird's-eye view on a specific research topic [11.556954590485319]
本研究の目的は、因果関係を含む魚骨図を提供することによって、初心者研究者を支援することである。
それは、関連性および論理的要因に基づいて、研究分野の幅広い、高度に一般化された視点を提供する。
論文 参考訳（メタデータ） (2024-04-30T05:43:41Z) - Scientific Fact-Checking: A Survey of Resources and Approaches [0.799536002595393]
科学的事実チェック(英: scientific fact-checking)とは、科学的知識に根ざした主張の検証に関するタスクのバリエーションである。
この課題は、オンラインプラットフォーム上での科学的・健康的な議論の重要性が高まり、大きな注目を集めている。
本稿では,この新興分野における既存研究の総合的な調査とその関連課題について紹介する。
論文 参考訳（メタデータ） (2023-05-26T12:12:15Z)
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。