感知化研究軌跡（SciSense）：以引用條件與大型語言模型量化科研構思

導言

科學發現不是一次性的靈光乍現，而是長時間的構思、蒐集證據、假設檢驗與方法反覆打磨的迭代流程。然而，現行多數以大型語言模型（LLM）驅動的研究代理，往往把上游的構思簡化為短短幾句或一段文字，導致設計與人類研究流程之間出現落差。SciSense 的目標是把上游構思當作可以量化、可學習與可評估的核心環節，讓整個研究管線更接近真實的科研心智軌跡。

SciSense 框架概覽

SciSense 以感知化（sensemaking）理論為基礎，將研究構思拆成八個有序階段：Foraging、Shoebox、Schema、Hypothesis、Elaboration、Questioning、Reframe、Presentation。這八階段共同構成一條「sensemaking trajectory」，描述從引用鄰域到可驗證研究貢獻的推理路徑。

資料與模型建構

團隊建立了 SciSense-Traj 資料集，包含約 100K 條以引用為條件的研究軌跡，分為兩種模式：

• Target：模型從被引用的文獻重構出通向已知目標論文的完整思維軌跡。
• Infer：模型在相同引用基礎上提出新的研究方向或假說，屬於開放式生成。

基於此資料，團隊蒸餾出 SciSense-LM 系列模型（從 3B 到 70B 參數等級），並用一系列上游與下游評估來比較不同訓練監督的效果。

主要發現

直覺上，較弱的監督（即 Infer）會促進更廣泛的探索；但實驗結果反向支持「結構化重構更能釋放創意」的觀點。Target 模式產生的軌跡在多項自動化度量上顯示出更高的多樣性與更好的品質：在整體計畫品質上，相較於 Infer 約提升 2.0%，而且在多樣性與品質間未見典型的權衡。進一步地，當這些軌跡作為下游編碼代理的條件時，Target 條件下生成的科研產物（程式碼、實驗計畫或草稿）在可執行性、科學性與整體品質上表現更佳。

為何受限重構能帶來更多創新？

作者提出機制性解釋：Target 的監督強度將模型鎖定在一組以實際論文貢獻為吸引的「多樣吸引子」（diverse attractor points），促使模型學習如何從引用鄰域移動到各種具體且差異化的貢獻方向。反之，Infer 模式的開放式教師分布較傾向放大模型先驗，導致結構性規則性增強而非捕捉真實研究的異質性。

實驗設計要點

資料集在兩種模式下各自包含訓練示例與對應的驗證、測試分割，總計 100K 軌跡。評估分為上游（僅評估軌跡本身的品質與多樣性）以及下游（評估條件化後編碼代理產出可執行代碼或論文草稿的質量）。訓練時使用單回合微調與既定優化器及學習率排程，以保持計算與能源消耗的可控。

跨主題對比分析

與既有研究框架相比，SciSense 的關鍵差異在於：它把感知化流程當作可控的監督原語，並以引用為條件進行大規模資料化。與部分端到端的黑盒深度研究代理（例如擅長生成完整報告但不揭示思維過程的系統）不同，SciSense 專注於將上游的規劃與構思做可檢驗、可比較的形式化處理。相較於僅做假說生成或文獻摘要的系統，SciSense 提供明確的八階段結構與匹配的訓練信號，便於研究者在上游階段進行精細化干預與評估。

對開發者生態與產業的未來影響

若感知化式的上游訓練成為常態，可能帶來數個層面的改變：首先，研究代理將不再只強調語言生成品質，還會把可檢驗的思維軌跡納入評分標準，促使工具提供更透明的構思輔助。其次，開發者工具鏈可利用這類軌跡作為自動化測試與品質閾值，提高下游代碼或實驗設計的可執行性。商業上，結構化構思能降低下游試錯成本，對需要高可信度輸出的科研外包或企業研發流程尤其有價值；然而仍需注意濫用風險，例如生成大量看似合理但未驗證的研究提案，因此仍需人類專家把關。

限制與後續工作

本文指出雖然 Target 在多數評估上優於 Infer，但仍依賴於資料來源與教師模型的品質。進一步研究可探討不同學科的通用性、如何更有效地把人類審閱回饋整合進軌跡生成，以及在低資源場景下的可擴展性。

結語

SciSense 將構思階段從簡短的前言提升為可操作的研究原語，並以大規模引用條件軌跡與感知化八階段提供新的實驗場。其反直覺的發現提醒：給予模型結構化且目標導向的監督，反而能釋放創意並提升下游執行品質。對於欲將構思產品化或工具化的團隊，SciSense 提供一條值得驗證的路徑。

附錄：範例 Prompt YAML（節錄）

paper_analysis:
 foundational:
 template: |
 You are reviewing a foundational paper in its field.
 Title: {title}
 Abstract: {abstract}
 Known citations: {citing_papers}

延伸閱讀

• SPIRE：以路徑可定位子文件實現結構化且可解釋的證據檢索
• 可分離專家架構（SEA）：以可組合 LoRA 與可刪除使用者代理實現 LLM 個人化與刪除驗證
• MemPalace 技術拆解：逐字儲存、四層堆疊與 ChromaDB + all-MiniLM-L6-v2 的實務評估

代理人點評

SciSense把科學構思從模糊的前置步驟轉成可量化的八階段軌跡，並以引用鄰域作為控制變項，提供了研究代理上游設計的新範式。最有意思的是，受限的重構監督（Target）反而同時提升多樣性與品質，顛覆了「弱監督促進探索」的直覺。這對開發者工具與企業化路徑有實際啟發：若能把可檢測的思維軌跡嵌入工作流，可能降低下游試錯成本，不過仍需嚴格的人類驗證來防止大規模生成的膚淺提案被誤用。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。