大规模生成文献驱动的科学理论
TLDR
大规模从科学文献自动生成理论，使用一万三千七百篇论文合成两千九百个理论，优于参数方法。
评分理由
The paper presents a novel approach to automated scientific discovery by focusing on theory building rather than experiment generation, using large-scale literature grounding. Strengths include empirical validation with real papers and future predictions; weaknesses may include limited discussion of theory quality metrics and potential biases in literature selection.
Read-first 评分解释
综合优先阅读分 60.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 71。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：26。
关键词评分
深度分析
创新点
- 将科学文献中的理论综合定义为自动化科学发现中的一个新问题
- 大规模研究：从13.7k篇源论文生成2.9k个理论
- 比较文献支撑与参数化LLM知识在理论生成中的效果
- 评估准确性导向与新颖性导向的生成目标
方法
作者从13.7k篇科学论文的语料库中综合理论，生成了2.9k个理论。他们比较了基于文献支撑（从论文中检索）与参数化LLM记忆的生成方式，并考察了准确性导向与新颖性导向的目标。评估指标包括理论匹配现有证据的程度以及预测后续4.6k篇论文结果的能力。
关键结果
文献支撑的理论生成在匹配现有证据和预测后续论文的未来结果方面显著优于参数化LLM记忆。