ResearchStudio-Idea：基于证据的科研构思技能套件——源自机器学习会议成果

Hugging Face Daily Papers 论文
research-ideation literature-search novelty-checking llm machine-learning evidence-grounding pattern-generation

摘要

ResearchStudio-Idea 是一个技能套件，结合了文献搜索、新颖性检查和模式引导生成，能够产生可追溯的研究提案，该套件基于对1,947篇机器学习会议论文的分析构建而成。

大型语言模型使得研究构思变得越来越容易。然而，有效构思的发展需要的不仅仅是生成候选方向。研究人员必须将问题建立在当前文献基础上，识别有意义的瓶颈，与现有解决方案区分开来，并在投入实施之前评估风险。我们提出 ResearchStudio-Idea 作为一个可重用的技能套件，用于研究构思的起步阶段。该套件包括 Paper-Search（一个独立的多源文献搜索技能）、Scoop-Check（一个独立的用于新颖性声明的现有技术冲突检查器）以及 IdeaSpark（一个端到端的技能，将证据基础、模式引导生成、冲突检索、审计和想法卡片呈现整合到一个工作流中）。IdeaSpark 构建自一个包含1,947篇机器学习会议论文的语料库，这些论文收集自2021年至2025年间的ICLR、ICML和NeurIPS，包括口头报告论文、单独跟踪的高引用子集以及被拒稿的投稿。对这些结果的分析揭示了31个反复出现的构思子模式，并整合成15个可重用的构思模式。每个模式都被操作化为一张结构化卡片，包含研究背景、瓶颈类型、区分策略、支持性先例以及常见失败模式。给定一个研究问题和一组证据，IdeaSpark 会评估证据就绪程度，重构周围的研究背景，识别未解决的瓶颈，选择相关模式，实例化一个候选方向，检索可能冲突的现有工作，并执行基于结果的通知审核。这一工作流将可重用的构思模式转化为可追溯的研究提案。盲审自动评估表明，IdeaSpark 始终能比无技能和通用技能基线产生更强有力的研究提案，同时保持有竞争力的新颖性。
查看原文
查看缓存全文

缓存时间: 2026/07/07 02:41

论文页面 - ResearchStudio-Idea：基于证据的机器学习会议成果研究构思技能套件

Source: https://huggingface.co/papers/2607.04439

摘要

ResearchStudio-Idea 提供了一套有效的技能套件，用于研究构思，它结合了文献检索、新颖性检查和模式引导生成，以产生可追踪的研究提案。

大型语言模型使得研究构思（https://huggingface.co/papers?q=research%20ideation）日益便捷，然而有效的研究思路开发需要的不仅是生成候选方向。研究人员必须将问题扎根于当前文献，识别有意义的瓶颈，与现有解决方案区分开来，并在投入实施前评估风险。我们提出了 ResearchStudio-Idea，作为一套可重用的技能套件，专门针对研究构思（https://huggingface.co/papers?q=research%20ideation）的“第一英里”阶段。该套件包括：Paper-Search，一项独立的跨来源文献检索（https://huggingface.co/papers?q=literature%20search）技能；Scoop-Check，一项独立的先前工作冲突检查器（https://huggingface.co/papers?q=prior-art%20collision%20checker），用于新颖性声明；以及 IdeaSpark，端到端技能，它组合了证据基础（https://huggingface.co/papers?q=evidence%20grounding）、模式引导生成（https://huggingface.co/papers?q=pattern-guided%20generation）、冲突检索、审计和想法卡片渲染（https://huggingface.co/papers?q=idea-card%20rendering）到一个工作流中。IdeaSpark 构建于一个包含 1,947 篇机器学习会议论文的语料库之上，这些论文来自 2021 年至 2025 年的 ICLR、ICML 和 NeurIPS，包括 Oral 论文、一个单独跟踪的高引用子集以及被拒稿的论文。对这些结果的分析揭示了 31 个频繁出现的研究构思子模式，并整合为 15 个可重用的研究构思模式（https://huggingface.co/papers?q=reusable%20ideation%20patterns）。每个模式都被操作化为一张结构化卡片，包含研究背景（https://huggingface.co/papers?q=research%20context）、瓶颈类型、差异化策略（https://huggingface.co/papers?q=differentiation%20strategies）、支持性先例和常见失败模式。给定一个研究问题和一组证据，IdeaSpark 会评估证据准备度，重建周围的研究背景（https://huggingface.co/papers?q=research%20context），识别未解决的瓶颈，选择相关模式，实例化一个候选方向，检索可能冲突的先前工作，并执行基于结果的审计（https://huggingface.co/papers?q=outcome-informed%20auditing）。这一工作流将可重用的研究构思模式（https://huggingface.co/papers?q=reusable%20ideation%20patterns）转化为可追踪的研究提案。盲法自动评审评估显示，IdeaSpark 始终能生成比无技能和通用技能基线更强的研究提案，同时保持具有竞争力的新颖性。

查看 arXiv 页面 (https://arxiv.org/abs/2607.04439) 查看 PDF (https://arxiv.org/pdf/2607.04439) 项目页面 (https://aka.ms/ResearchStudio) GitHub84 (https://github.com/microsoft/ResearchStudio) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.04439)

在您的代理中获取此论文：

hf papers read 2607\.04439

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2607.04439 即可从本页链接到该模型。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.04439 即可从本页链接到该数据集。

引用此论文的 Space0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2607.04439 即可从本页链接到该 Space。

包含此论文的收藏1

相似文章

通过比较性想法评估训练语言模型预测研究成功

arXiv cs.LG

本文探讨了通过比较成对想法来训练语言模型预测研究想法实证成功的方法。利用来自PapersWithCode的11,488个想法对数据集，作者表明微调（SFT）将准确率提升至77.1%，超越了GPT-5，而使用可验证奖励的强化学习达到了71.35%的准确率，并具有可解释的推理过程。

立场：思想应成为机器学习研究的核心

arXiv cs.LG

这篇立场论文认为，机器学习研究应优先考虑思想而非基准和理论保证，提出了一种“Ideas First”框架，该框架重视行为特征和定制实验，以促进公平性和科学理解。