arXiv cs.CL· Tsofia Cohen, Tom Hope·· 10 小时前AI 评分31
MUSE:覆盖科学问题、解决方案与推理依据的全文本跨领域知识库
MUSE: A Full-Text Cross-Domain Knowledge Base of Scientific Problems, Solutions, and Rationales
AI 导读
研究者构建了 MUSE(Mining Underlying Scientific Explanations),一个全文本、多领域的科学问题-解决方案-推理依据(P-S-R)三元组资源,基于 579 段专家标注全文段落,通过模块化抽取流水线扩展出 37K 条有原文依据的 P-S-R 三元组。初步实验显示,用推理依据监督训练 LLM 可提升其在复杂多约束问题上的表现,但在较简单问题上可能反而有害。
正文 · AI 翻译
摘要:科学论文包含问题解决的细粒度记录:作者会提及技术障碍以及用于解决这些障碍的方法,通常还会说明为何选择这些方法。我们推出 MUSE(Mining Underlying Scientific Explanations),这是一个全文、多领域的科学问题-解决方案-理由(P-S-R)三元组资源。我们整理了 579 个由专家标注的全文段落,采用丰富的标注模式,涵盖显著的问题、解决方案和理由片段、solves 和 rationale_of 链接以及概念共指。一个模块化抽取流水线将这种标注扩展到构建一个包含 37K 个有源依据的 P-S-R 三元组的高质量知识库。我们评估了抽取组件,并纳入了一项初步实验,训练一个理由监督的 LLM 用于科学问题解决。有趣的是,我们发现理由监督能提升复杂、多约束问题的表现,但可能损害较简单问题的表现。
| 主题: | 计算与语言(cs.CL) |
| 引用为: | arXiv:2608.10974 [cs.CL] |
| (或 arXiv:2608.10974v2 [cs.CL] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2608.10974 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Tsofia Cohen [查看电子邮件]
[v1]
2026年8月11日星期二 14:31:37 UTC(4,804 KB)
[v2]
2026年11月18日星期三 22:23:06 UTC(4,805 KB)
来源:arXiv cs.CL · arxiv.org