arXiv cs.CL· Jingxuan Wei, Song Tan, Xiaohan Liu, Chao Sang, Changwei Wang, Linzhuang Sun, Bihui Yu, Fuqiang Wang, Junnan Zhu·· 10 小时前AI 评分31
FindLink：从来源锚定前提学习评估科学关联
FindLink: Learning to Assess Scientific Connections from Source-Grounded Premises
AI 导读
FindLink 是一个两阶段框架，用于基于来源的科学推理，通过前提锚定与结构化推理评估不同研究条件下发现之间的关联。团队同时发布 GI-TraceBench，包含 10,282 个胃肠肿瘤学问题，统一溯源问答、知识发现与假设评估。在 1,545 题固定证据测试集上，FindLink 将平衡家族宏平均分从 67.95 提升至 87.25。
正文 · AI 翻译
摘要：基于文献的科学发现需要评估在不同研究条件下所获发现之间的联系。来源归属使单个发现可追溯，但并不能确定它们共同支持什么。我们提出 GI-TraceBench，这是一个包含 10,282 个胃肠道肿瘤学问题的基准，通过共享的 Paper、Claim 和 Evidence Span 记录，统一了来源问答、知识发现和假设评估。我们进一步提出 FindLink，一个用于基于来源的科学推理的两阶段框架。前提接地（Premise Grounding）构建带有明确研究背景和支持状态的来源绑定前提。结构化推理（Structured Reasoning）将这些前提组织成支持计划，既表示受支持的关系，也表示未解决的条件，然后利用确定性编译器反馈生成以证据为条件的答案。该编译器验证结构和来源绑定的一致性，但不评估科学蕴含。在包含 1,545 个问题的固定证据测试集上，FindLink 将平衡家族宏分数从 67.95 提升至 87.25，优于对同一骨干模型的直接监督微调。一个未使用结构化推理的重新训练变体获得了略高的前提标识符 F1，但关系和证据充分性 F1 显著更低。这些结果表明，科学推理不仅需要识别有依据的前提，还需要评估这些前提支持哪些联系。
| 评论： | 28 页，10 幅图。数据集：此 https URL |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.02545 [cs.CL] |
| （或 arXiv:2611.02545v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.02545 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Song Tan [查看电子邮件]
[v1]
2026 年 11 月 2 日星期一 05:15:38 UTC（1,448 KB）
来源：arXiv cs.CL · arxiv.org