論文の概要: Learning to Ideate for Scientific Impact

• arxiv url: http://arxiv.org/abs/2609.29802v1
• Date: Thu, 24 Sep 2026 13:37:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.957028
• Title: Learning to Ideate for Scientific Impact
• Title（参考訳）: 科学的なインパクトを身につけるための学習
• Abstract要約: 我々は、引用正規化による影響を、学術的獲得のためのうるさいがスケーラブルなプロキシとして利用する。 100万以上のコンピュータサイエンス論文から大規模なデータセットを構築する。 本研究は,科学的な影響を,オープンエンドな科学的発見におけるLCMの整合性を示す実用的なフィードバック信号として位置づけた。
• 参考スコア（独自算出の注目度）: 4.702729080310267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific ideation is increasingly mediated by large language models, but current ideation systems are usually trained and evaluated on immediately judgeable proxies such as novelty, clarity, and feasibility. This leaves open whether delayed signals of scientific uptake can be used as feedback for steering models toward research directions with higher expected \emph{impact}. We study this question using citation-normalized impact as a noisy but scalable proxy for scholarly uptake. We construct a large-scale dataset from over 100K computer science papers by extracting goal-conditioned idea descriptions and assigning each paper an ordinal, year-normalized citation label. We then train a goal-conditioned reward model to predict citation-impact labels from research goal and idea pairs, and use this reward to align an idea generator through supervised fine-tuning followed by reinforcement learning. To reduce circularity, we evaluate generated ideas with a held-out, reference-grounded protocol that compares model outputs against historical ideas under the same research goal and weights judgments by the reference idea's citation-impact label. Experiments show that our RL-tuned model consistently produces ideas with higher estimated impact than both the base model and supervised fine-tuning baselines. Our findings position scientific impact as a practical, outcome-grounded feedback signal for aligning LLMs in open-ended scientific discovery.
• Abstract（参考訳）: 科学的思考は、大きな言語モデルによってますます媒介されるが、現在の概念体系は通常、新規性、明確性、実現可能性といった、すぐに判断可能なプロキシに基づいて訓練され、評価される。 これにより、科学的な取り込みの遅延信号が、より高い期待値を持つ研究方向に向けてのステアリングモデルのフィードバックとして使用できるかどうかが明らかになる。 本研究では, 引用正規化の影響を, 難易度・拡張性の指標として用いて検討した。 我々は,目標条件付きアイデア記述を抽出し,各論文に正規化された年次引用ラベルを割り当てることで,100万以上のコンピュータサイエンス論文から大規模データセットを構築する。 次に、目標条件付き報酬モデルを用いて、研究目標とアイデアペアからの引用影響ラベルを予測し、この報酬を使用して、教師付き微調整と強化学習によってアイデアジェネレータを整列させる。 円度を下げるために, モデル出力を同じ研究目標の下での歴史的アイデアと比較し, 基準アイデアの引用影響ラベルによる判断を重み付けする, 基準基準付きプロトコルを用いて, 生成したアイデアを評価する。 実験により、我々のRL調整モデルは、ベースモデルと教師付き微調整ベースラインの両方よりも高い推定効果のアイデアを一貫して生成することが示された。 本研究は,科学的な影響を,オープンエンドな科学的発見におけるLCMの整合性を示す実用的なフィードバック信号として位置づけた。

関連論文リスト

• AgentIdeaBench: Benchmarking Scientific Ideation in the Agent Era [55.37558486468993]
  AgentIdeaBenchは、静的観測とアクティブ探索という2つの一致した条件下で科学的思考を評価するベンチマークである。 5つの分野にまたがる40の高密度サブフィールドにおける33個のLDMの静的アクティブ評価を一致させた。 アクティブな探索により、ヘッドルームの能力は大幅に向上し、ヘッドルームはモデル間で不均一に分散される。
  論文  参考訳（メタデータ） (2026-09-07T15:19:13Z)
• FAME: Forecasting Academic Impact via Continuous-Time Manifold Evolution [9.700601627690466]
  大規模言語モデル(LLM)は、研究のアイデアをブレインストーミングし評価するためにますます使われています。 提案課題は,人手による原稿の衝撃予測を,検証可能なプロキシタスクとして利用することで解決する。
  論文  参考訳（メタデータ） (2026-05-08T03:57:34Z)
• GIANTS: Generative Insight Anticipation from Scientific Literature [84.95947892931142]
  本稿では、下流紙のコアインサイトを基礎となる親論文から予測する世代課題であるインサイト予測を導入する。 実測値と実測値の類似性を評価するLM判定器を用いてモデル評価を行い,これらの類似性スコアが有能な人間の評価値と相関していることを示す。 GIANTS-4Bは、強化学習(RL)を用いて訓練されたLMで、これらの類似度スコアをプロキシ報酬として用いた洞察予測を最適化する。
  論文  参考訳（メタデータ） (2026-04-10T18:13:55Z)
• EvoIdeator: Evolving Scientific Ideas through Checklist-Grounded Reinforcement Learning [15.169565493841384]
  EvoIdeatorは、RLトレーニング目標とtextbfchecklist-grounded feedbackを整合させることにより、科学的アイデアの進化を促進するフレームワーク Qwen3-4B上に構築されたEvoIdeatorは、重要な科学的指標において、はるかに大きなフロンティアモデルより優れている。
  論文  参考訳（メタデータ） (2026-03-23T09:15:26Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Good Idea or Not, Representation of LLM Could Tell [86.36317971482755]
  我々は、大規模言語モデルの知識を活用し、科学的アイデアのメリットを評価することを目的としたアイデアアセスメントに焦点をあてる。 我々は、このタスクに対する様々なアプローチのパフォーマンスを訓練し評価するために、細心の注意を払って設計された、フルテキストを持つ約4万の原稿からベンチマークデータセットをリリースする。 その結果, 大規模言語モデルの表現は, 生成出力よりもアイデアの価値を定量化する可能性が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-09-07T02:07:22Z)
• Predicting Scientific Impact Through Diffusion, Conformity, and Contribution Disentanglement [11.684776349325887]
  既存のモデルは、引用数推定に静的グラフに依存するのが一般的である。 論文の拡散, コンフォーマル性, コントリビューション値に潜在的影響を分散させる新しいモデルDPPDCCを導入する。
  論文  参考訳（メタデータ） (2023-11-15T07:21:11Z)
• 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)
• Generative Causal Representation Learning for Out-of-Distribution Motion Forecasting [13.99348653165494]
  本稿では,分散シフト下での知識伝達を容易にするための生成因果学習表現を提案する。 ヒトの軌道予測モデルにおいて提案手法の有効性を評価する一方、GCRLは他の領域にも適用可能である。
  論文  参考訳（メタデータ） (2023-02-17T00:30:44Z)

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。