GoodPoint：基于作者回复学习科学论文的建设性反馈
人工智能
2026-04-15 v1 计算与语言
摘要
尽管大语言模型 (LLM) 在 transforming 科学研究方面具有显著潜力，但我们主张将其用于增强和赋能研究人员，而非在没有人类监督的情况下自动化研究。为此，我们研究了建设性反馈生成，即产生针对性且可操作的反馈，以帮助作者改进其研究及其呈现。在本工作中，我们沿两个作者中心维度 operationalize 反馈效果——有效性和作者行动。我们首先构建了 GoodPoint-ICLR 数据集，包含 19K 篇 ICLR 论文及沿两个维度标注的评审反馈（通过作者回复）。基于此，我们引入 GoodPoint，通过在有效且可操作的反馈上进行微调，并对真实和合成偏好对进行偏好优化，利用作者回复中的成功信号。我们对 1.2K 篇 ICLR 论文的评估显示，GoodPoint 训练的Qwen3-8B 在基本模型上提升了 83.7% 的预测成功率，在类似规模的 LLM 中在反馈匹配方面达到新的状态-of-the-art，甚至在精度上超越了 Gemini-3-flash。我们进一步通过专家人类研究验证了这些发现，表明 GoodPoint 在作者感知的实际价值方面始终提供更高的价值。
引用
@article{arxiv.2604.11924,
title = {GoodPoint: Learning Constructive Scientific Paper Feedback from Author Responses},
author = {Jimin Mun and Chani Jung and Xuhui Zhou and Hyunwoo Kim and Maarten Sap},
journal= {arXiv preprint arXiv:2604.11924},
year = {2026}
}
备注
22 pages, 6 figures