실례합니다, 제가 말씀드릴 내용이 있습니다...

"Excuse me, may I say something..." CoLabScience, A Proactive AI Assistant for Biomedical Discovery and LLM-Expert Collaborations

대규모 언어 모델(LLM)을 과학적 워크플로우에 통합하는 것은 생명 의학 연구를 가속화할 수 있는 흥미로운 기회를 제공합니다. 그러나 프롬프트가 주어질 때만 응답하는 LLM의 수동적인 특성은 선견지명이 필요하고 자율적인 참여를 요구하는 협업 환경에서 그 효과를 제한합니다. 본 연구에서는 시의적절하고 상황에 맞는 개입을 통해 AI 시스템과 인간 전문가 간의 생명 의학 협력을 향상하도록 설계된 선제적 LLM 어시스턴트인 CoLabScience를 소개합니다. 저희 방법의 핵심은 팀의 프로젝트 제안 및 장단기 대화 내용을 활용하여 과학적 토론에 언제, 어떻게 개입해야 하는지를 결정하기 위한 강화 학습 목표로 훈련된 새로운 프레임워크인 PULI(Positive-Unlabeled Learning-to-Intervene)입니다. 이 연구를 지원하기 위해, 저희는 PubMed 논문에서 파생된 개입 지점을 포함하는 시뮬레이션된 연구 토론 대화의 새로운 벤치마크인 BSDD(Biomedical Streaming Dialogue Dataset)를 소개합니다. 실험 결과는 PULI가 기존의 기본 모델보다 개입 정확도와 협업 작업 유용성 측면에서 현저하게 우수한 성능을 보이며, 선제적 LLM이 지능형 과학 어시스턴트로서 잠재력을 가지고 있음을 보여줍니다.

The integration of Large Language Models (LLMs) into scientific workflows presents exciting opportunities to accelerate biomedical discovery. However, the reactive nature of LLMs, which respond only when prompted, limits their effectiveness in collaborative settings that demand foresight and autonomous engagement. In this study, we introduce CoLabScience, a proactive LLM assistant designed to enhance biomedical collaboration between AI systems and human experts through timely, context-aware interventions. At the core of our method is PULI (Positive-Unlabeled Learning-to-Intervene), a novel framework trained with a reinforcement learning objective to determine when and how to intervene in streaming scientific discussions, by leveraging the team's project proposal and long- and short-term conversational memory. To support this work, we introduce BSDD (Biomedical Streaming Dialogue Dataset), a new benchmark of simulated research discussion dialogues with intervention points derived from PubMed articles. Experimental results show that PULI significantly outperforms existing baselines in both intervention precision and collaborative task utility, highlighting the potential of proactive LLMs as intelligent scientific assistants.