EarlySciRev：从 LaTeX 书写痕迹中提取的早期科学修订数据集

科学写作是一个迭代过程，会产生丰富的修订痕迹，但公开可用的资源通常只公开论文的最终或接近最终版本。这限制了对科技写作大语言模型（LLM）的修改行为和评估的实证研究。我们介绍 EarlySciRev，这是一个从 arXiv LaTeX 源文件中自动提取的早期科学文本修订数据集。我们的主要观察结果是，LaTeX 中的注释文本通常会保留作者自己编写的废弃或替代公式。通过将注释段与附近的最终文本对齐，我们提取段落级候选修订对并应用基于 LLM 的过滤来保留真正的修订。从 128 万个候选对开始，我们的管道产生了 578,000 个经过验证的修订对，这些修订对基于真实的早期起草痕迹。我们还提供了用于修订检测的人工注释基准。 EarlySciRev 补充了专注于后期修订或综合重写的现有资源，并支持科学写作动态、修订建模和 LLM 辅助编辑的研究。