論文の概要: Learning Scientific Exploration from Human Research Decision Trajectories

• arxiv url: http://arxiv.org/abs/2610.07184v1
• Date: Mon, 05 Oct 2026 18:05:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.579621
• Title: Learning Scientific Exploration from Human Research Decision Trajectories
• Title（参考訳）: 人間の研究決定軌道から科学的探索を学ぶ
• Abstract要約: 科学研究のためのAIシステムを構築する上での課題は、$textitscientific explorationを可能にすることだ。 Gitリポジトリから構築された$textbf Humanリサーチトラジェクトリのデータセットである$textbfResearchTrails$を紹介します。 これらの軌道には、最終論文が示す以上の中間研究決定に関する有意義なシグナルが含まれていることを示す。
• 参考スコア（独自算出の注目度）: 21.451959478488984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key challenge in building AI systems for scientific research is enabling $\textit{scientific exploration}$: the systematic process of investigating unknown phenomena or ideas to gain new knowledge through sequences of research decisions and actions. Yet this process is largely missing from existing scientific corpora; for example, research papers primarily record final outcomes rather than the trajectories that produced them. In this work, we introduce $\textbf{ResearchTrails}$, a dataset of $\textbf{human research trajectories constructed from Git repositories}$, where $\textbf{commit histories}$ serve as proxies for research exploration. We develop an automated and scalable pipeline that extracts structured research trajectories from repository commits, capturing successive changes to methods, experiments, and ablations. We characterize the resulting dataset and show that these trajectories contain meaningful signals about intermediate research decisions beyond what final papers reveal. We further demonstrate utilities of ResearchTrails in multiple use cases, including retrieving human research experience as external skills at test time and training models on research trajectories to improve generalization to new research decisions. Our results suggest a path toward AI systems that learn not only from the products of science, but from the evolving process of discovery itself.
• Abstract（参考訳）: 科学研究のためのAIシステムを構築する上で重要な課題は、$\textit{scientific exploration}$:未知の現象やアイデアを調査し、研究決定と行動のシーケンスを通じて新しい知識を得る体系的なプロセスを可能にすることである。 しかし、このプロセスは既存の科学的コーパスにはほとんど欠落しており、例えば、研究論文はそれらを生み出した軌道ではなく、最終結果を記録している。 この作業では、$\textbf{ResearchTrails}$、Gitリポジトリから構築された$\textbf{ Human Research trajectoriesのデータセットを紹介します。 我々は、リポジトリコミットから構造化された研究軌跡を抽出し、メソッド、実験、改善への連続的な変更をキャプチャする、自動化されたスケーラブルなパイプラインを開発する。 得られたデータセットを特徴付け、これらのトラジェクトリには、最終論文が示す以上の中間研究決定に関する有意義なシグナルが含まれていることを示す。 また、試験時の外部スキルとしての人間研究経験の回収や、新たな研究決定への一般化を向上するための研究軌道のトレーニングモデルなど、複数のユースケースにおけるResearchTrailsの有用性を実証する。 我々の結果は、科学の産物から学習するだけでなく、発見自体の進化過程から学ぶAIシステムへの道のりを示唆している。

関連論文リスト

• AutoResearch: Insight In, Hallucination Out [18.44583561825209]
  本稿では,アイデア生成と理想実行を結合する2段階システムであるAutoResearchを紹介する。 Idea Generationでは、AutoResearchは、新しい研究信号と蓄積されたドメイン知識を継続的に統合する。 Idea Executionでは、調整されたエージェントがこれらの計画を実験に分解し、反復的にそれらを実装し、診断し、独立したエビデンスベースのレビューを採用する。
  論文  参考訳（メタデータ） (2026-08-18T15:38:26Z)
• Personalized Auto-Research: Towards a True AI Co-Scientist [90.01790420664169]
  研究目標を考えると、最先端のシステムは研究者に依存しないままである。 小説、価値、実現可能なものは研究者によって異なる。 本稿では,検索,仮説探索,実験,執筆,レビューを通じて,グラフグラウンドの研究者コンテキストをスレッド化するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-14T20:43:27Z)
• AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
  AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。 エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。 最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
  論文  参考訳（メタデータ） (2026-04-28T06:05:17Z)
• HLER: Human-in-the-Loop Economic Research via Multi-Agent Pipelines for Empirical Discovery [15.29303145822579]
  本稿では,実証研究自動化を支援するマルチエージェントアーキテクチャであるHLER(Human-in-the-Loop Economic Research)を紹介する。 このシステムは、データ監査、データプロファイリング、仮説生成、計量分析、原稿起草、自動レビューのための特殊エージェントを編成する。 実験の結果、データセットを意識した仮説生成は87%のケースで実現可能な研究質問を生成する一方、完全な実証的な原稿は1ラン当たり0.8～1.5ドルの平均APIコストで作成できることがわかった。
  論文  参考訳（メタデータ） (2026-03-08T03:40:34Z)
• From Toil to Thought: Designing for Strategic Exploration and Responsible AI in Systematic Literature Reviews [12.088520576810247]
  本研究では,1)複数のデータベースにまたがる反復的クエリリファインメント管理の認知負荷が高いこと,2)近代文学の出版の圧倒的な規模とペース,3)自動化と学術機関の緊張感について考察した。 我々は、マルチデータベース統合、透過的反復探索、検証可能なAI支援スクリーニングのためのソリューションを運用する設計プローブARCを開発した。
  論文  参考訳（メタデータ） (2026-01-21T00:28:27Z)
• DR Tulu: Reinforcement Learning with Evolving Rubrics for Deep Research [152.2148664328137]
  ディープ・リサーチ・モデルは、多段階の研究を行い、長文でよく理解された回答を生成する。 ほとんどのオープンディープリサーチモデルは、検証可能な報酬を伴う強化学習を通じて、短い形式のQAタスクで訓練されている。 我々は、オープンエンドで長期のディープリサーチのために直接訓練された最初のオープンモデルであるDeep Research Tulu (DR Tulu-8B)を開発した。
  論文  参考訳（メタデータ） (2025-11-24T18:35:54Z)
• The Budget AI Researcher and the Power of RAG Chains [4.797627592793464]
  研究アイデア生成への現在のアプローチは、しばしばジェネリック・大型言語モデル(LLM)に依存している。 私たちのフレームワークであるThe Budget AI Researcherは、検索強化ジェネレーションチェーン、ベクトルデータベース、トピック誘導ペアリングを使用して、数百の機械学習論文の概念を再結合します。 このシステムは、機械学習の広大なサブフィールドにまたがる9つの主要なAIカンファレンスから論文を取り込み、それらを階層的なトピックツリーに整理する。
  論文  参考訳（メタデータ） (2025-06-14T02:40:35Z)
• O1 Replication Journey: A Strategic Progress Report -- Part 1 [52.062216849476776]
  本稿では,O1 Replication Journeyに具体化された人工知能研究の先駆的アプローチを紹介する。 我々の方法論は、長期化したチームベースのプロジェクトの不規則性を含む、現代のAI研究における重要な課題に対処する。 本稿では,モデルにショートカットだけでなく,完全な探索プロセスの学習を促す旅行学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-10-08T15:13:01Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)

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。