FRAME：用于增强医学研究洞察的反馈精炼智能体方法论
计算与语言
2025-11-18 v3
摘要
通过大型语言模型（LLMs）实现科学研究自动化带来了重大机遇，但在知识综合和质量保证方面面临关键挑战。我们提出了反馈精炼智能体方法论（FRAME），这是一个通过迭代精炼和结构化反馈来增强医学论文生成的新颖框架。我们的方法包含三项关键创新：（1）一种结构化数据集构建方法，通过迭代精炼将4,287篇医学论文分解为基本研究组成部分；（2）一个三方架构，集成了生成器、评估器和反思器智能体，通过指标驱动的反馈逐步提升内容质量；（3）一个结合了统计指标与基于人类基准的综合评估框架。实验结果证明了FRAME的有效性，在多个模型（DeepSeek V3平均提升9.91%，GPT-4o Mini有可比提升）和评估维度上均较传统方法取得了显著改进。人类评估证实，FRAME生成的论文质量可与人类作者的作品相媲美，在综合未来研究方向方面尤为突出。结果表明，我们的工作能够通过为自动化医学研究论文生成建立坚实基础，同时保持严格的学术标准，从而有效辅助医学研究。
引用
@article{arxiv.2505.04649,
title = {FRAME: Feedback-Refined Agent Methodology for Enhancing Medical Research Insights},
author = {Chengzhang Yu and Yiming Zhang and Zhixin Liu and Zenghui Ding and Yining Sun and Zhanpeng Jin},
journal= {arXiv preprint arXiv:2505.04649},
year = {2025}
}
备注
12 pages, 4 figures, 5 table