从人类研究决策轨迹中学习科学探索

arXiv:2610.07184v1 公告类型：new 摘要：构建用于科学研究的 AI 系统所面临的一项关键挑战，是实现\(\textit{科学探索}\)：通过一系列研究决策与行动，系统地调查未知现象或思想，从而获得新知识的过程。然而，现有科学语料库在很大程度上缺失了这一过程；例如，研究论文主要记录最终结果，而不是产生这些结果的轨迹。在本文中，我们提出了\(\textbf{ResearchTrails}\)，一个\(\textbf{基于 Git 仓库构建的人类研究轨迹数据集}\)，其中\(\textbf{提交历史}\)被用作研究探索的代理。我们开发了一套自动化且可扩展的流程，从仓库提交中提取结构化研究轨迹，记录方法、实验和消融研究的连续变化。我们对所得数据集进行了分析，并表明，与最终论文所揭示的信息相比，这些轨迹包含了有关中间研究决策的有意义信号。我们进一步展示了 ResearchTrails 在多个使用场景中的实用价值，包括在测试时将人类研究经验作为外部技能进行检索，以及在研究轨迹上训练模型，以提升其对新研究决策的泛化能力。我们的结果表明，AI 系统不仅可以从科学成果中学习，还能够从发现不断演进的过程本身中学习。