论文解读

Xuanyou Liu · Ziyang Guo · Jason Hartline · 1+

同行评审中的抽签误差是指少数受邀评审只关注论文的部分问题，而更广泛的合格评审者本会提出更多问题。利用从历史评审语料中学习到的批评意见清单，可以减轻此类误差。该方法生成一棵清单树，表示原子化评审主张空间的层次化粗化，并选择使评审者间相关一致性达到理论最优度的粗化版本。研究通过 LLM 辅助流程实现该方法，并在 NeurIPS 2021 与 ICLR 2022 评审数据上测试。在采用 LLM 评审者的模拟评审中，学习所得清单使三人委员会评审的均方误差(MSE)在 NeurIPS 上降低 58%，在 ICLR 上降低 21%；两个会议中，相关一致性最高的清单，在三人及以上委员会中均取得最低误差。在包含 20 名参与者的人类研究中，以 NeurIPS 2021 排序为基准，学习所得的 NeurIPS 清单将论文排序的 MSE 从 0.48 降至 0.22。

Dayoon Ko · Jihyuk Kim · Soyeong Jeong · 4+

arXiv:2610.28658v1 Announce Type: cross Abstract: 我们有多大把握相信智能体能找到所需论文？研究人员通常从已读文献出发，逐步搜索尚未接触的内容，而需求可能仅被论文隐含表达，也会随阅读不断累积，甚至存在于尚无论文覆盖的空白区域。CompLit 覆盖 arXiv 全部八个领域，并分别设置一种诊断场景以测试上述需求。最强智能体 Codex (GPT-5.6-Sol) 与 Claude Code (Opus 4.8) 可回答 86–87% 的 Standard 查询，但面对隐含需求时降至 66–68%；需求累积后，两者又分别下降 6 和 15 个百分点；对没有论文满足的查询，最多有 53% 选择放弃。没有智能体能在所有领域领先，且对 2019 年以前或 2023 年以后发表的论文准确率均较低。追踪其搜索过程发现，智能体经常找到正确或最接近的论文，却误判其相关性。提升 CompLit 表现，是迈向可信地找到所需论文或明确告知其不存在的一步。

Ibrahim Al Azher · Hamed Alhoori

FutureLens考察由2012—2022年发布的5,655篇ACL论文构成的恢复快照，其中4,005篇附有未来工作引用文本。研究比较非负矩阵分解(NMF)与潜在Dirichlet分配(LDA)在论文级主题汇总、归一化流行度、探索性趋势统计、分配稳定性及输入文本与引用文本一致性方面的差异。NMF的平均归一化逐点互信息为0.1387，高于LDA的0.1280，且成对分配稳定性更高；LDA关键词多样性为0.8900，高于NMF的0.7750。种子为零的结果显示，广泛模型训练与问题相关词汇日益常见，同时存在大量引用及文档结构内容。输入与引用的平均主题集合重叠率在NMF和LDA中分别为0.5191和0.4924；时间排序一致性差异较大，且不代表流行度水平一致。结论适用于现有语料的描述性分析，并受缺失引用、未完成运行及引用来源未验证等限制。该工作是纵向学术信号的实证测量研究，而非新主题建模算法或预测系统。

Remo Grillo

CIDOC CRM 系列并非仅面向博物馆馆藏模式；其扩展还形式化了研究知识的生成与论证机制，包括科学观察与测量模型 CRMsci、数字过程溯源模型 CRMdig，以及推理与信念模型 CRMinf。其采用障碍主要在文档层：现有体系包含四份规范文档、四套代码约定，以及横跨文档边界的 89 条类型化链接。CIDOC CRM 周期表将 CIDOC CRM 7.1.3、CRMsci 3.2、CRMdig 5.0 和 CRMinf 1.2.1 中的 131 个类与 480 条属性整合到单页浏览器界面，并提供单步三元组构建器和多步路径查找器。前者依据声明的定义域、值域及子类闭包限制类—属性组合，后者枚举两个类之间的属性链。模型先合并至同一代码索引字典，再计算层级闭包，因此两项工具均可解析跨模型链路。论文记录了 CRMsci 的加入及其带来的三项跨模型测试，并报告 56 个月分析数据的初步采用信号及其可支持的解读。

Hazrat Ali · Mohamed Elawady

生成式 AI(generative AI)在学术写作中的日益广泛使用，推动了学位论文和学生报告中伪造参考文献的增加。提出伪造严重度栈(Fabrication Severity Stack, FSS)，这是一个按检测复杂度将引文伪造分为三层的框架，涵盖不存在的参考文献，直至隐蔽的内容错误归因。基于 FSS，构建可通过主流 LLM 接口执行的分阶段启发式核验流程。该框架为计算机科学教育者与评审人员将参考文献核验纳入学位论文和学生报告评分提供了一套实用的零成本方案。在一项包含 100 条引文的试点研究中，其中 20% 注入了第 1 层和第 2 层伪造引文；启发式流程使主流 LLM 接口正确识别了 10 条不存在参考文献中的 9—10 条，并部分检出元数据损坏。初步结果表明，通用且免费开放的 LLM 无需依赖专有检测工具，即可在引文核验中实现较高召回率。

Ksenia Kozha (American University of Cyprus) · PaRAGraph Research Project

知识图谱需要为证据设置稳定地址，即使文献存在相互冲突的分类且没有一致方案。检索所用的地址容易被误认为唯一可用分类；当不同名称下汇集的记录，其边界、层级或描述与计数标准存在差异时，问题尤为明显。在汉语方言学中，同一地点会出现在成员和层级不同的分类体系中，其归属也可能随诊断证据而变化。两个忠实引用的声调统计，实际统计对象仍可能不同。整个领域的分类体系因而依赖彼此矛盾的、不稳定的文献框架；核验引文或检索冲突数值都无法识别这些差异。区分了汇集候选证据的工作地址、来源定义的类别，以及允许段落参与特定比较的决策，并指出这些决策及记录间依赖关系均属于比较的来源信息。PaRAGraph Casebook 在四个可重复运行的案例中，展示了语言模型抽取并核验后进入图谱的主张之间如何出现此类差异。平台将这些决策保存为可比性维度的对象，即记录地址，包括地点在各来源体系中的位置、特定出版物中的名称指代单位而非地点的判定，以及每个地址的来源。工作分类体系可随新来源产生新主张而修订，同时保留从每项比较追溯至证据的固定路径。

Koutian Wu · Zesen Huang · Hejia Geng

出版商与资助方日益要求作者披露 AI 工具对研究的贡献。对于计算研究，作者或审计者通常会查看代码仓库，但仓库实际能提供哪些信息仍不明确。研究审计了同一作者在同一领域的两个单人研究仓库，分别包含规则文件的规定性轨迹和运行中代理草稿本的叙述性轨迹，规模为 466 次和 103 次提交。两者可读性表现相反：规定性轨迹曾提交行中的 85.6% 在当前版本可见，但常设规则只保留结论并丢弃过程；叙述性轨迹记录过程，却仅显示 21.8%。按版本计算差距明显缩小：规定性轨迹 41 个版本中有 15 个无可见行，叙述性轨迹则有 18 个。自动审计读取的 Co-Authored-By 字段，是 Project A 中三个 AI trailer 键之一，覆盖带有任意此类键的 121 次提交中的 66 次。Project B 中，该字段相对明确的仓库内代理痕迹敏感度较低：39 次提交修改了用于保存代理工作笔记的文件，仅 1 次（2.6%）带有该字段。Project A 的仓库级比例也不稳定，在未预先设定的边界处从 2.7% 跃升至 17.7%。仓库渠道彼此不一致，两项比例均不能解释为 AI 参与率；其成因未被单独分离。研究逐项说明两类轨迹能够、不能及会错误确信支持的来源声明，构建可审计证据账本，并归纳实时记录研究来源的系统要求。