MIR：针对科学研究问题的方法论启发检索
人工智能
2025-06-03 v1 计算与语言
摘要
利用大型语言模型（LLM）的推理能力来加速科学发现引起了极大的兴趣。虽然现有方法依赖于将发现过程建立在相关文献的基础上，但其有效性因检索文献的质量和性质而存在显著差异。我们解决了检索先前工作的挑战，这些工作的概念可以为给定研究问题的解决方案提供启发，我们将此任务定义为方法论启发检索（MIR）。我们构建了一个专为在 MIR 上训练和评估检索器而定制的新颖数据集，并建立了基线。为了解决 MIR，我们构建了方法论邻接图（MAG）；通过引用关系捕捉方法论的谱系。我们利用 MAG 将“直观先验”嵌入到密集检索器中，以识别超越表面语义相似性的方法论启发模式。与强基线相比，这在 Recall@3 上实现了 +5.4 的显著提升，在平均精度均值（mAP）上实现了 +7.8 的提升。此外，我们将基于 LLM 的重排序策略适应于 MIR，在 Recall@3 上获得了 +4.5 的额外提升，在 mAP 上获得了 +4.8 的额外提升。通过广泛的消融研究和定性分析，我们展示了 MIR 在增强自动化科学发现方面的前景，并概述了推进启发驱动检索的途径。
引用
@article{arxiv.2506.00249,
title = {MIR: Methodology Inspiration Retrieval for Scientific Research Problems},
author = {Aniketh Garikaparthi and Manasi Patwardhan and Aditya Sanjiv Kanade and Aman Hassan and Lovekesh Vig and Arman Cohan},
journal= {arXiv preprint arXiv:2506.00249},
year = {2025}
}
备注
ACL 2025