Defend：仅需极少作者指导的同行评审自动反驳

反驳（rebuttal）生成是科学论文同行评审流程的关键环节，它使作者能够澄清误解、纠正事实错误，并引导评审人做出更准确的评价。我们观察到，将大语言模型（LLM）直接用于生成反驳时，往往难以进行有针对性的驳斥并保持准确的事实依据，这凸显了结构化推理与作者介入的必要性。为解决这一问题，本文提出 DEFEND，一个基于 LLM 的工具，旨在显式执行自动反驳生成背后的推理过程，同时让作者保持在回路中。与从零撰写反驳不同，作者只需以最小介入驱动推理过程，从而形成一种省力、认知负担更轻的高效方法。我们将 DEFEND 与另外三种范式进行比较：(i) 直接使用 LLM 生成反驳（DRG）、(ii) 使用 LLM 逐段生成反驳（SWRG），以及 (iii) 无作者介入的逐段生成反驳的顺序式方法（SA）。为支持细粒度评估，我们扩展了 ReviewCritique 数据集，构建了评审分段、缺陷与错误类型标注、反驳动作标签，以及到金标准反驳段落的映射。实验结果与一项用户研究表明，直接使用 LLM 在事实正确性与针对性驳斥方面表现不佳。逐段生成以及作者在回路中的自动化顺序方法，则显著改善了事实正确性与驳斥力度。