相关的：利用现有相关工作部分构建文献综述

文献标题

Relatedly: Scaffolding Literature Reviews with Existing Related Work Sections

文献信息

• 主题领域: 文献综述、科学发现、探索性搜索、人机交互
• 关键词: 文献综述、科学发现、探索性搜索、感知分析、人类中心计算

研究背景与问题

• 发现的挑战:

  • 随着科学文献数量的指数增长，研究人员在查阅大量文献以理解主题时面临认知超载和信息过载。
  • 当前的文献综述工具（例如，学术搜索引擎和可视化工具）难以提供显著的支持，无法有效帮助研究人员理解不同文献之间的联系或主题概览。
  • 学术论文中的"相关研究"部分虽然提供了对文献的良好总结，但通常局限于支持单篇文章，不能全面覆盖特定领域主题。

• 问题重要性:

  • 文献综述是科学研究的重要组成部分，对识别研究模式和空白、确定新研究的合理性以及定位研究目标至关重要。
  • 解决这些挑战不仅可以提升研究者的生产力，而且能促进科学发现的加速。

• 研究动机与相关工作:

  • 现有工具（如Google Scholar）主要专注于定位单篇文章，但缺乏将多篇文章内容合成的支持性功能。
  • 自动生成的集群或摘要工具存在信息不准确、主题不清晰的问题。
  • 信息觅食理论提供了关于如何优化信息收益的思路，而Relatedly旨在通过重排序和高亮来优先展示主题范围更广、信息未被探索的部分，从而解决这些文献综述困难。

解决方案

• 方法或解决方案:

  • 利用论文的“相关研究”部分提供用户关于科学主题的结构化探索，其中包括动态重排序、高亮和低亮显示未探索及冗余信息、自动生成段落标题等功能。
  • 设计Relatedly系统，该系统组织“相关研究段落”，支持用户以更加系统化的方式查阅主题并生成综述大纲。

• 创新之处:

  • 不同于现有的学术搜索引擎，该系统基于现有文献的“相关研究”部分提炼信息，减少用户从零开始综述的工作量。
  • Relatedly利用动态重排序算法，在维持查询相关性的同时，突出未被探索的多样化信息，为用户提供更全面的视角。
  • 结合自动生成标题和阅读支持功能，解决了冗余信息处理和探索进度难以追踪的问题。

• 实施步骤与关键技术:

  • 自动段落标题生成：基于BART模型，对没有描述性标题的段落生成符合其主题的标题。
  • 段落重排序：使用BM25和最大边际相关性技术（Maximal Marginal Relevance, MMR），确保用户浏览的前几个段落包含最丰富且未探索的参考文献。
  • 信息标记与进度追踪：提供高亮未探索的文献引用、灰显已阅内容，以及显示探索进度条。

研究成果

• 具体成果:

  • 实验表明，使用Relatedly系统的用户能够生成更具结构性、深入性和全面性的主题大纲。
  • 与基线条件相比，Relatedly用户接触到了两倍以上的段落内容，并能更好地理解文献间的联系和不同主题。
  • 用户报告相关工作段落的阅读帮助他们设计更优质的综述结构，提供了语义理解和高效探索。

• 优势:

  • 相较于传统的文献探索方法，如阅读单篇文章或摘要，Relatedly能够显著提升探索效率。
  • 用户对Relatedly的整体体验评价显著更高，包括支持发现相关研究、理解概念之间的关系、综合多来源信息以及跟踪阅读进度。

• 实验或评估结果:

  • 在15位参与者的对比测试中，Relatedly用户生成的综述大纲质量得到了专家的更高评价，包括更高的连贯性、洞察力，以及对主题细节的描述。
  • 用户更频繁地交互段落内容和参考文献，显示了对Relatedly的功能利用和接受。

• 局限性与未来方向:

  • 当前工作主要基于高质量的相关研究部分，但针对写作质量较低或覆盖范围较窄的文章，可能需要进一步开发对文献质量评估的功能。
  • 未来可以支持跨多个主题和查询的探索过程，扩展至非学术用户的需求，例如政策制定者或非专业人士的科学信息浏览。
  • 还有可能设计更加智能的推荐机制或优化算法，以适应用户个性化信息需求。