MUSE: 과학적 문제, 해결책 및 근거에 대한 전체 텍스트 기반의 다분야 지식 베이스

MUSE: A Full-Text Cross-Domain Knowledge Base of Scientific Problems, Solutions, and Rationales

과학 논문에는 문제 해결과 관련된 상세한 기록들이 담겨 있습니다. 연구자들은 기술적인 어려움과 이를 해결하기 위해 사용된 방법들을 언급하며, 종종 그러한 방법이 선택된 이유에 대한 근거를 제시합니다. 본 논문에서는 MUSE (Mining Underlying Scientific Explanations)를 소개합니다. MUSE는 과학적 문제-해결책-근거(P-S-R) 셋을 포함하는 전체 텍스트 기반의 다분야 지식 베이스입니다. 당사는 전문가가 주석을 단 579개의 전체 텍스트 문단을 선별하였으며, 중요한 문제, 해결책 및 근거 부분을 식별하고, 해결 관계 및 근거 관계를 연결하며, 개념적 동일성을 파악하는 풍부한 주석 체계를 사용했습니다. 모듈화된 추출 파이프라인을 통해 이러한 주석 작업을 확장하여 37,000개의 출처 기반 P-S-R 셋으로 구성된 고품질 지식 베이스를 구축했습니다. 우리는 추출 구성 요소를 평가하고, 과학적 문제 해결을 위한 근거 기반의 LLM(대규모 언어 모델)을 학습하는 초기 실험 결과를 제시합니다. 흥미롭게도, 근거 지도 학습은 복잡하고 다중 제약 조건이 있는 문제에서는 성능을 향상시키지만, 간단한 문제에서는 오히려 성능을 저하시킬 수 있다는 것을 확인했습니다.

Scientific papers contain fine-grained records of problem solving: authors mention technical obstacles and methods that were used to address them, often along with reasoning on why those methods were chosen. We introduce MUSE (Mining Underlying Scientific Explanations), a full-text, multi-domain resource of scientific Problem-Solution-Rationale (P-S-R) triplets. We curate 579 expert-annotated full-text paragraphs, with a rich annotation schema covering salient problem, solution, and rationale spans, solves and rationale_of links and conceptual coreference. A modular extraction pipeline scales this annotation to build a high-quality knowledge base of 37K source-grounded P-S-R triplets. We evaluate the extraction components and include a preliminary experiment training a rationale-supervised LLM for scientific problem solving. Interestingly, we find that rationale supervision improves performance on complex, multi-constraint problems but can harm performance on simpler ones.