面向科学的规范驱动AI：用于自动化和可重复数据分析的ARIA框架

arXiv 2025 54.1 method

TLDR

ARIA是一个规范驱动、人在回路的自动化可解释数据分析框架，可生成代码和文档。

评分理由

The paper presents a clear architecture and demonstrates strong performance on a real-world case (Boston Housing) and across domains, but its scope is limited to data analysis rather than full scientific discovery or literature review. The strengths include transparency and reproducibility, while weaknesses include lack of coverage for experiment design beyond feature/model selection.

Read-first 评分解释

综合优先阅读分 54.1，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 50。

近期性 8%

86.7

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：2025

方法质量 25%

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：分析、评估、实验、验证

主题相关性 42%

41.7

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

可复现性 25%

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：无；数据：无；命中信号：代码

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：38。

关键词评分

AI for scientific research

research automation

automated research

automated experimentation

automated scientific discovery

experiment design agent

autonomous research agent

scientific discovery agent

AI scientist

literature review agent

survey generation

paper writing agent

深度分析

创新点

规范驱动、人在回路的自动化可解释数据分析框架
在文档中心工作流中集成六个可互操作的层（命令、上下文、代码、数据、编排、AI模块）
通过自然语言规范定义分析目标，自主生成代码、验证计算并生成透明文档
快速识别最优特征集和模型选择，最小化冗余调优

方法

ARIA是一个六层规范驱动框架；用户提供自然语言规范，系统生成可执行代码、验证计算并生成文档。在波士顿房价和异构领域上针对最先进系统进行评估。

关键结果

在波士顿房价上，ARIA发现25个关键特征，XGBoost为最佳模型（R²=0.93），过拟合极小；跨领域表现出强性能、可解释性和效率。

资源

论文