09:51arXiv cs.AI@Lei Lin, Ronghao Wang, Chunbao Zhou, Jue Wang, Yangang Wang精选DN-Hypo-Pipeline 是一个基于大语言模型的AI工作流,旨在通过利用科学解释作为先验知识,辅助研究人员从现有文献中推导出新颖的研究假设。该管道从论文的结论(explanandum)出发,识别其背后的定律、理论和原理,并重构出对观察现象的新解释。在数据科学建模领域的评估中,结合LLM裁判和人类专家评价,该管道比直接生成方法更有效。此外,两个得分最高的生成假设被转化为新算法,性能超过了原论文的基线模型。该方法本质上是理论引导建模的泛化,有望扩展到其他科学领域。论文假设生成大语言模型科学解释理论引导建模数据科学推荐理由:做科研假设生成或理论驱动建模的研究者,可以用这个管道从文献中自动挖掘新假设,比手动推导更系统高效,值得在数据科学之外的其他学科试试。原文
11:45arXiv cs.AI@Christiaan G. A. Viviers, Koen de Bruin, Mirre M. Trines, Ayla M. Hokke, Roy van der Meel, Avi Schroeder, Twan Lammers, Willem J. M. Mulder, Fons van der Sommen精选纳米医学研究分散在大量文献中,现有AI主要聚焦于性质预测和配方优化,缺乏对研究方向选择的证据支持。研究者提出pArticleMap系统,结合文章嵌入、相似图分析、稀疏前沿提取和结构化证据包检索,利用大语言模型在低密度桥接区域和聚类界面生成引文支持的假设。在回顾性基准测试中,系统在任务级保留假设上实现了10.8%的黄金回收率和15.9%的召回@10,61.0%的未来邻域率表明系统能准确预测研究前沿。人机一致性中等,表明系统作为辅助工具而非替代专家判断。论文纳米医学文献挖掘假设生成大语言模型pArticleMap推荐理由:纳米医学研究者常面临文献碎片化、方向选择困难的痛点,pArticleMap通过证据驱动的假设生成帮你发现被忽视的研究交叉点,做纳米药物设计或跨学科转化的团队值得一试。原文