面向科学发现的假设生成综述：大语言模型时代的挑战
计算与语言
2025-04-09 v1
摘要
假设生成是科学发现的基本步骤，但正日益受到信息过载和学科碎片化的挑战。近期大语言模型（LLM）的进展引发了广泛关注其潜在作用以增强和自动化此过程。本文综述了 LLM 时代的假设生成方法，包括：(i) 回顾现有方法，从简单提示技术到更复杂的框架，并提出一种将这些方法分类的范畴；(ii) 分析提高假设质量的技术，如新颖性提升和结构推理；(iii) 提供评估策略概览；以及(iv) 讨论关键挑战和未来方向，包括多模态集成和人机协作。我们的综述旨为探索 LLM 用于假设生成的研究者提供参考。
引用
@article{arxiv.2504.05496,
title = {A Survey on Hypothesis Generation for Scientific Discovery in the Era of Large Language Models},
author = {Atilla Kaan Alkan and Shashwat Sourav and Maja Jablonska and Simone Astarita and Rishabh Chakrabarty and Nikhil Garuda and Pranav Khetarpal and Maciej Pióro and Dimitrios Tanoglidis and Kartheik G. Iyer and Mugdha S. Polimera and Michael J. Smith and Tirthankar Ghosal and Marc Huertas-Company and Sandor Kruk and Kevin Schawinski and Ioana Ciucă},
journal= {arXiv preprint arXiv:2504.05496},
year = {2025}
}
备注
9 pages (+2 pages of references), 2 figures