⌁ Awesome Auto Research Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

PEARL：面向科学推理图提取的可审计修复

arXiv 2026 59.9 method, application

TLDR

PEARL将嘈杂的LLM科学推理图修复为可审计的有效结构，在ARCHE基准上取得高准确率。

评分理由

The paper presents a clear, training-free method with strong empirical results (300/350 gate passes), but its scope is limited to reasoning graph extraction rather than full scientific discovery. The audit trail feature is a notable strength for transparency.

Read-first 评分解释

综合优先阅读分 59.9，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 44。

近期性 8%
100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。 年份：2026

可复现性 25%
85

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。 论文：有；代码：有；数据：无；命中信号：工件、代码、GitHub

方法质量 25%
60

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。 命中信号：基线、基准

主题相关性 42%
36.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。 关键词：AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

研究版图角色

前沿论文复现锚点

排序敏感性

稳定性：volatile；排名波动范围：115。

关键词评分

AI for scientific research
7
AI scientist
6
autonomous research agent
6
automated scientific discovery
5
research automation
5
scientific discovery agent
5
automated research
4
literature review agent
2
survey generation
1
automated experimentation
1
experiment design agent
1
paper writing agent
1

深度分析

创新点

  • PEARL框架：无需训练的修复方法，将嘈杂的LLM图响应转化为可审计的推理图
  • 在封闭的皮尔士模式下图内容的物化
  • 基于证据的评判反馈用于修复被拒绝的边类型、局部推理步骤和终端根节点
  • 保留审计轨迹以实现可检查性

方法

PEARL是一种无需训练的框架，首先在封闭的皮尔士模式（Peircean schema）下物化显式图内容，然后利用匹配的基于证据的评判反馈来修复被拒绝的边类型、局部推理步骤和终端根节点，同时保留审计轨迹。该框架在ARCHE基准（用于潜在推理链提取）的五个70篇论文模型档案上进行评估。

关键结果

PEARL将严格门禁通过率从LLM基线的0/350提升至300/350，平均REA从0.339提升至0.906。

资源

论文代码

标签