利用智能体AI在科学图景中定位论文

摘要

发表研究论文是科学生活中的常规但具有挑战性的一部分：耗时、压力大，且结果常不确定。基于大语言模型（LLM）的智能体AI在多种科学任务中展现出潜力，本文探讨其是否能通过内容和文献上下文可靠推断论文的最终发表期刊。我们提出了PASS（面向出版的智能科学系统），一种能理解论文在领域特定文献背景下的智能体系统，可预测最匹配的发表期刊。PASS通过重构论文的局部科学邻域，追踪其主题轨迹，并对领域特定期刊空间进行推理，从而将论文置于其周围文献图景中。在包含2000多篇预印本、覆盖16个生物医学领域的泄漏审计基准上评估，PASS达到Top-1准确率50.3%、Top-5准确率86.1%，优于现有最先进LLM基线和传统期刊推荐工具。PASS生成的质量评分（如影响力潜力和新颖性）与独立的发表结果测量一致。我们还发现，设计的文献检索模块是性能最强的贡献者，尤其在将论文与邻近工作对比定位中表现突出，且PASS仅凭摘要即可维持接近全性能，而LLM基线需完整论文文本。独立的人类评估显示，研究人员对PASS对论文的理解和推荐理由高度一致。PASS已作为公开平台（此 https URL）向广大研究人员开放。

利用智能体AI在科学图景中定位论文：论文配图 — 图 1：PASS 概述。 a，以一篇论文作为输入，手稿理解代理分析标题、摘要和主要部分，以构建论文故事情节、贡献和局限性的紧凑摘要，产生源自手稿的信号。 b，文献检索代理将手稿资料转换为有针对性的查询，并使用检索到的相关论文来评估相对于先前工作的重叠、新颖性和定位，而评论和基准论文则提供更广泛的领域趋势。 c，期刊适合推理代理整合特定任务的指令、稿件元数据和文献证据，共同生成候选期刊的排名列表，其中包含理由和新颖性、影响力、健全性和写作质量的稿件级评估。最终的输出提供了最适合的期刊、基于证据的理由和反馈，以在提交前加强稿件。