論文の概要: Generating Edit-Inducing Questions for AI Research Manuscripts
- arxiv url: http://arxiv.org/abs/2609.36617v1
- Date: Tue, 29 Sep 2026 03:29:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.155095
- Title: Generating Edit-Inducing Questions for AI Research Manuscripts
- Title（参考訳）: AI研究資料のための編集誘導質問の生成
- Abstract要約: 論文の草稿を改良する編集誘導質問をLLMで生成する能力について検討した。
我々は, GPT モデルからの質問の有益性と, フルペーパー・コンテキストの有無を人間レビュアーの有益性と比較した。
- 参考スコア（独自算出の注目度）: 34.26252837893835
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We study the ability of LLMs to generate edit-inducing questions whose answer will improve a paper draft. On a dataset of paired submission and camera-ready papers from ICLR and NeurIPS, we compare the helpfulness of questions from GPT models with or without full paper context to that of human reviewers. GPT produces more edit-inducing questions and its questions are associated with more extensive edits and cover a broader range of edited content compared to questions from reviewers. However, a much smaller percentage of the GPT questions are edit-inducing. Our analyses confirm that automated questions can be beneficial to authors and highlight an example task where proper attending to long context deteriorates reasoning model ability to produce helpful output.
- Abstract（参考訳）: 論文の草稿を改良する編集誘導質問をLLMで生成する能力について検討した。
In a dataset of paired submit and camera-ready papers from ICLR and NeurIPS, we compare the usefulness of question from GPT model with or without full paper context to that of human reviewer。
GPTはより編集を誘導する質問を生成し、その質問はより広範な編集に関連付けられ、レビュアーの質問と比較して幅広い編集内容をカバーする。
しかし、GPT質問の編集誘導率ははるかに少ない。
分析の結果,自動質問は著者にとって有益であることが確認され,適切な長期参加が有益なアウトプットを生成するための推論モデル能力を劣化させるような事例課題が強調された。
関連論文リスト
- Usefulness of LLMs as an Author Checklist Assistant for Scientific Papers: NeurIPS'24 Experiment [59.09144776166979]
大規模言語モデル(LLM)は、科学的ピアレビューを支援する上で有望だが議論の余地のあるツールである。
本研究は,論文提出を提出基準に適合させるツールとして,会議環境におけるLCMの有用性を評価する。
論文 参考訳（メタデータ） (2024-11-05T18:58:00Z) - I Could've Asked That: Reformulating Unanswerable Questions [89.93173151422636]
我々は、解決不可能な質問を改定するためのオープンソースおよびプロプライエタリなモデルを評価する。
GPT-4とLlama2-7Bは、それぞれ26%と12%しか質問を修正できなかった。
ベンチマークとコードを公開して実験を再現します。
論文 参考訳（メタデータ） (2024-07-24T17:59:07Z) - Retrieval-enhanced Knowledge Editing in Language Models for Multi-Hop Question Answering [47.199078631274745]
大規模言語モデル(LLM)は質問応答タスクの習熟度を示しているが、しばしばリアルタイム知識の統合に苦慮している。
マルチホップ質問応答のためのRetrieval-Augmented Model Editing (RAE) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-28T17:47:19Z) - ARIES: A Corpus of Scientific Paper Edits Made in Response to Peer Reviews [36.76200047558003]
我々は、ピアフィードバックに基づいて科学論文を自動修正するタスクを導入する。
著者が作成した特定の論文にレビュアーコメントをリンクするラベルを提供する。
アートの状態をカバーした10のモデルを用いた実験では、どの編集がコメントに対応するかを特定するのに苦労していることがわかった。
論文 参考訳（メタデータ） (2023-06-21T22:00:03Z) - Collaborative Generative AI: Integrating GPT-k for Efficient Editing in
Text-to-Image Generation [114.80518907146792]
GPT-kのような大規模言語モデルを利用してテキスト・画像生成の迅速な編集プロセスを改善する可能性について検討する。
我々は、人間とGPT-kの共通編集を比較し、T2Iを誘導する際のGPT-kの性能を評価し、このプロセスに影響を与える可能性のある要因を検討する。
論文 参考訳（メタデータ） (2023-05-18T21:53:58Z) - Asking the Right Questions in Low Resource Template Extraction [37.77304148934836]
TEシステムのエンドユーザがこれらの質問を設計できるかどうか、NLP実践者がそのプロセスに参加することが有益かどうかを問う。
本稿では,TEをプロンプトで実行するための新しいモデルを提案する。
論文 参考訳（メタデータ） (2022-05-25T10:39:09Z) - A Dataset of Information-Seeking Questions and Answers Anchored in
Research Papers [66.11048565324468]
1,585の自然言語処理論文に関する5,049の質問のデータセットを提示する。
各質問は、対応する論文のタイトルと要約のみを読むNLP実践者によって書かれ、質問は全文に存在する情報を求めます。
他のQAタスクでうまく機能する既存のモデルは、これらの質問に答える上ではうまく機能せず、論文全体から回答する際には、少なくとも27 F1ポイントパフォーマンスが低下します。
論文 参考訳（メタデータ） (2021-05-07T00:12:34Z)
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。