과학 논문 피드백을 학습하는 좋은 점: 저자 반응으로부터 건설적인 피드백을 학습하는 방법

과학 연구를 바꾸는 대규모 언어 모델(LLM)의 잠재력을 인정하면서도, 연구자동화에 인간의 감독 없이 사용하는 것을 대신하여 연구자를 보강하고 권장하는 것이 좋다고 주장한다. 이를 위해 우리는 연구 저자들이 연구와 연구를 제시하는 방법을 개선하는 데 도움이 되는 목표된, 실행가능한 피드백을 생성하는 과제를 연구한다. 이 연구에서 우리는 피드백의 효과를 저자 중심의 두 축인 유효성과 저자 행동에 따라 구체화한다. 저자 반응에 따라서 성공 신호를 활용하는 GoodPoint"io라고 하는 훈련 레시피를 통해, 유효하고 실행 가능한 피드백에 대한fine-tuning과 유사한 실제와 합성 선호도 쌍에 대한 선호도 최적화와 함께 시작한다. GoodPoint-ICLR라는 19K ICLR 논문과 저자 피드백이 유효성과 저자 행동에 따라 주석화된 데이터셋을 구축한다. GoodPoint-ICLR 데이터셋을 바탕으로, GoodPoint이라고 하는 훈련 레시피를 도입한다. GoodPoint로 훈련된 Qwen3-8B모델은 기초 모델보다 예측 성공률을 83.7% 향상시키고, 금속인 피드백 세트에서 유사한 크기의 LLM들 중 가장 우수한 성과를 기록한다. 이는 Gemini-3-flash보다 더 높은 정밀도를 달성한다. 이 발견을 further validate하기 위해, 저자에 대한 전문가 인간 연구를 수행하여, GoodPoint가 항상 저자에 의해 더 높은 실용적 가치를 제공한다는 것을 보여준다.