GitHub Radar

這篇是 Ai2 發表在 Hugging Face 部落格上的研究介紹（作者 Kyle Wiggers），介紹與賓州大學合作開發的 LitPivot 系統，論文將於 UIST 2026 發表。核心概念是「文獻引發的轉向」（literature-initiated pivot）：讀到一篇新論文，可能發現自己的貢獻已被做過，或在其中找到未解問題而轉換方向。LitPivot 把「發展想法」與「決定拿哪些文獻來比對」這兩件常被分開處理的事連在一起。

為什麼轉向很難

他們分析四個已完成的電腦科學研究專案的會議紀錄，找出 21 次文獻引發的轉向，分為兩類：與既有研究做出區隔以建立新穎性，以及與既有研究對齊以在其上延伸。這個專案本身在確定貢獻前也轉向了兩次。在形成性研究中，五位研究者用文字編輯器與一般搜尋工具撰寫提案，發現他們很難在發展想法的同時批判性地對照文獻；當某篇論文挑戰想法的新穎性時，他們希望得到有文獻支持的具體修改建議。這些發現決定了 LitPivot 的設計：每個批評都搭配具體改寫建議。

運作方式

研究者先在編輯器寫一份簡短提案，開啟「面向標示」，系統把想法切成問題、提出的貢獻、評估計畫三個面向。點選其中一段，旁邊面板會依該面向把相關論文分組（例如選評估面向時，依評估方法分組），並標出最相關的群組。論文透過 Asta Paper Finder 檢索。研究者挑選論文、要求評估，系統給出附原文摘錄的批評與改寫建議，之後再依修改後的面向重新排序文獻。針對問題陳述，它找問題存在與重要性的證據；針對貢獻，它比對所選論文已解決的部分與其限制、未來工作，尋找剩餘缺口；針對評估計畫，它檢查測試是否回應研究問題，以及類似研究如何評估。修改一個面向可能讓其他面向過時，系統會標出可能需要修改的段落，例如評估計畫已無法評估修改後的貢獻。研究者可以接受、編輯或拒絕建議，也能要求新論文或重新排序。文章將它定位為與 Prism 等科學寫作環境、Claude Code 等 agent 助手並列的一種新工作流程。

研究結果

實驗室研究中，17 位研究者各用 LitPivot 發展一個指定想法，另一個則用基準工具（文字編輯器加上一個可對所選論文提問的 AI 工具），兩組使用相同論文集合。兩位不知道條件的領域專家，只依「是否善用相關文獻支持並論證想法」一項標準評分，LitPivot 組得分較高。參與者也自評對周邊文獻理解更深，並認為想法的新穎性與實用性提升更多。一個例子是：參與者原本想生成一致且符合事實的合成病歷，LitPivot 指出「跨多次就診的一致性」是所選文獻的潛在缺口，參與者剔除只談單次就診的論文後，把提案收斂為偵測多次就診紀錄之間的矛盾。後續研究中，五位研究者在 30 分鐘內把 LitPivot 用在自己進行中的專案，兩人用來檢驗新想法，三人用來精修較成熟想法的框架；有人表示看到不同領域的平行概念幫助他重新定位貢獻。

更大的脈絡

Ai2 正透過 Asta 系列發展協助研究者形成可檢驗想法的 AI，包括 Theorizer、AutoDiscovery、HARPA、Scideator、IdeaSynth 等。他們近期的研究 Old Ideas, Novel Problems 也指出，小小的 prompt 改動就能改變 AI 評審對同一想法的新穎性判斷。LitPivot 的延伸之處在於把「選擇哪些文獻」納入修改流程本身，讓研究者隨想法演進更換比對文獻，並用批評與摘錄決定如何修改。