arXiv cs.AI· James Mooney, Zae Myung Kim, Young-Jun Lee, Dongyeop Kang·· 3 天前AI 评分33
SciSense：约束式意义建构如何产出更新颖的研究成果
Structure Liberates: How Constrained Sensemaking Produces More Novel Research Output
AI 导读
研究团队提出 SciSense 框架，将 LLM 科研智能体的构思阶段拆解为八个认知阶段，并构建了 12 万条引用条件研究轨迹数据集 SciSense-Traj，涵盖 Hindsight 与 Foresight 两种模式，蒸馏出 3B 至 70B 参数的 SciSense-LM 系列模型。
正文 · AI 翻译
摘要：科学发现是一个延展的构思过程——调研先前工作、形成假设并精炼推理——然而现有的 LLM 研究智能体却将这一阶段视为简短的引言，尽管它在研究中处于核心地位。我们提出 SciSense，一个以意义建构为基础的框架，将构思操作化为八个认知阶段的结构化序列（Pirolli 和 Card，2005）。我们构建了 SciSense-Traj，一个包含 120K 条以引用为条件的研究轨迹的数据集，分为两种模式：Hindsight（后见），即 LLM 从论文的引用作品重建到论文本身的构思路径；以及 Foresight（先见），即 LLM 从相同的引用中提出新方向。我们将这些蒸馏为 SciSense-LM，一个涵盖 3B 到 70B 参数的意义建构 LLM 系列。与更宽松的监督促进探索这一假设相反，在我们测试的全部八个模型系列中，Hindsight 训练的模型相比 Foresight 训练的模型将轨迹质量提升了 2.0%，同时产生更新颖、更多样的输出。这一优势向下游传播：以 Hindsight 轨迹为条件的编码智能体所产生的研究产物，在可执行性、科学依据和实用性方面均优于以 Foresight 轨迹为条件的产物。这表明以结果为锚的构思减轻了下游智能体的认知负担，使它们能够更富创造性地探索。SciSense 既为增强 LLM 驱动的研究工作流提供了实用工具，也为研究规划如何塑造科学发现提供了一个有原则的试验平台。
| 评论： | 23 页。项目页面：此 https URL |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.00557 [cs.CL] |
| （或 arXiv:2605.00557v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.00557 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：James Mooney [查看电子邮件]
[v1]
2026 年 5 月 1 日星期五 10:50:59 UTC（2,758 KB）
[v2]
2026 年 10 月 11 日星期日 06:54:43 UTC（2,660 KB）
来源：arXiv cs.AI · arxiv.org