LECTOR: 과학적 추론 그래프와 서론 생성의 통합 최적화

LECTOR: Joint Optimization of Scientific Reasoning Graphs and Introduction Generation

인공지능은 연구 프로세스의 여러 단계에서 상당한 발전을 보여왔지만, 자동 과학 논문 작성은 여전히 어려운 과제입니다. 특히 서론 작성은 언어적인 유창함뿐만 아니라 논리적 타당성과 검증 가능한 정확성을 요구하며 매우 어렵습니다. 대부분의 인공지능 지원 방법은 이 작업을 텍스트 생성으로 취급하여 심각한 단점을 야기합니다 (예: 허구적인 인용). 이러한 문제를 해결하기 위해, 우리는 먼저 서론의 내용을 논문의 핵심 증거에 기반하도록 하는 '콘텐츠 조건부 서론 생성(CCIG)'이라는 과제를 정의합니다. 그런 다음, 우리는 과학자의 논리를 엄격하게 따르고, 고품질의 인용을 추가하며, 체계적인 표현을 유지할 수 있는 새로운 강화 학습 프레임워크인 LECTOR를 제안합니다. LECTOR는 먼저 논문의 본문에서 논리적 추론 그래프를 구축하여 검증 가능한 논리적 청사진 역할을 수행합니다. 그 후, 이 시스템은 그래프의 구조적 정확성과 최종 서술의 품질을 동시에 최적화하기 위해 '논리-표현 공동 보상' 메커니즘을 사용합니다. 우리는 Nature Communications 논문에서 추출한 데이터 세트를 사용하여 우리의 방법을 평가했습니다. 광범위한 실험 결과, 논리적 정확성 및 서론 생성 품질 지표 모두에서 일관된 개선이 나타났습니다 (예: 그래프 품질 +26.7%, 인용 품질 +8.6%, 논문 일관성 +3.3%). 코드와 데이터는 https://github.com/Xiao-Youth/LECTOR 에서 확인할 수 있습니다.

AI Scientists have shown promising progress across multiple stages of the research pipeline, among which automatic scientific paper writing remains a formidable challenge. The Introduction writing is especially challenging, which demands not only linguistic fluency, but logical soundness and verifiable faithfulness. Most AI-assisted methods treat the task as text generation instead of reasoning and structuring, leading to severe drawbacks, e.g., hallucinating citations. To address this, we first formulate the Content-Conditional Introduction Generation (CCIG) task, which requires grounding the Introduction in the paper's core evidence. We then propose LECTOR, a novel Logic-Expression Co-Reinforcement Learning framework that can strictly follow the scientist's logic, add high-quality citations and keep structured expressions. LECTOR first constructs a logic-reasoning graph from the paper's main body to serve as a verifiable logical blueprint. Subsequently, it employs a Logic-Expression Co-Rewarding mechanism to jointly optimize for both the graph's structural fidelity and the final narrative's quality. We conduct a dataset from Nature Communications papers to assess our method. Extensive experiments show consistent improvements in both logic fidelity and Introduction generation quality metrics, e.g., Graph Quality (+26.7%), Citation Quality (+8.6%), and Paper Consistency (+3.3%). Code and data are available at https://github.com/Xiao-Youth/LECTOR.