SciPaths：预测科学发现的路径
计算与语言
2026-05-15 v1
摘要
科学进步依赖于一系列使能贡献的序列，然而现有的 AI4Science 基准主要关注引用预测、文献检索或想法生成，而非使进步成为可能的依赖关系。在本文中，我们引入了发现路径预测：给定一个目标科学贡献和在指定时间可用的先前文献，任务是（1）识别实现该贡献所需的使能贡献，以及（2）当存在先前工作时，将每项使能贡献锚定于先前工作。我们提出了 SciPaths，一个包含 262 条专家标注的黄金路径和 2,444 条由机器学习和自然语言处理论文构建的白银路径的基准，其中每条路径记录了使能贡献、角色、理由以及先前工作锚定或未映射决策。对前沿和开放权重语言模型的评估发现，在严格语义匹配下，最佳模型仅达到 0.189 F1，其中核心方法论依赖最难恢复。当提供黄金使能贡献时，先前工作锚定有显著改善，表明分解质量是端到端路径恢复的主要瓶颈。因此，SciPaths 将评估转向科学预测中缺失的一项能力：从目标贡献反向推理至使其可行的使能科学构建块和先前工作依赖。
引用
@article{arxiv.2605.14600,
title = {SciPaths: Forecasting Pathways to Scientific Discovery},
author = {Eric Chamoun and Yizhou Chi and Yulong Chen and Rui Cao and Zifeng Ding and Michalis Korakakis and Andreas Vlachos},
journal= {arXiv preprint arXiv:2605.14600},
year = {2026}
}