GPT-4有能力做論文評審嗎？

來自斯坦福等大學(xué)的研究人員還真測試了一把。

他們丟給GPT-4數(shù)千篇來自Nature、ICLR等頂會的文章，讓它生成評審意見（包括修改建議啥的），然后與人類給的意見進(jìn)行比較。

結(jié)果發(fā)現(xiàn)：

GPT-4提出的超50%觀點與至少一名人類評審員一致；

以及超過82.4%的作者都發(fā)現(xiàn)GPT-4給的意見很有幫助。

那么，這項研究究竟能給我們帶來何種啟示？

結(jié)論是：

高質(zhì)量的人類反饋仍然不可替代；但GPT-4可以幫助作者在正式同行評審前改進(jìn)初稿。

具體來看。

實測GPT-4論文評審水平

為了證明GPT-4的潛力，研究人員首先用GPT-4創(chuàng)建了一個自動pipeline。

它可以解析一整篇PDF格式的論文，提取標(biāo)題、摘要、圖表、表格標(biāo)題等內(nèi)容來構(gòu)建提示語。

然后讓GPT-4提供評審意見。

其中，意見和各頂會的標(biāo)準(zhǔn)一樣，共包含四個部分：

研究的重要性和新穎性、可以被接受的潛在原因或被拒絕的理由以及改進(jìn)建議。

具體實驗從兩方面展開。

首先是定量實驗：

讀已有論文，生成反饋，然后與真實人類觀點系統(tǒng)地比較出重疊部分。

在此，團隊從Nature正刊和各大子刊挑選了3096篇文章，從ICLR機器學(xué)習(xí)會議（包含去年和今年）挑選了1709篇，共計4805篇。

其中，Nature論文共涉及8745條人類評審意見；ICLR會議涉及6506條。

GPT-4給出意見之后，pipeline就在match環(huán)節(jié)分別提取人類和GPT-4的論點，然后進(jìn)行語義文本匹配，找到重疊的論點，以此來衡量GPT-4意見的有效性和可靠度。

結(jié)果是：

1、GPT-4意見與人類評審員真實意見顯著重疊

整體來看，在Nature論文中，GPT-4有57.55%的意見與至少一位人類評審員一致；在ICLR中，這個數(shù)字則高達(dá)77.18%。

再進(jìn)一步仔細(xì)比較GPT-4與每一位評審員的意見之后，團隊又發(fā)現(xiàn)：

GPT-4在Nature論文上和人類評審員的重疊率下降為30.85%，在ICLR上降為39.23%。

但這與兩位人類審稿人之間的重疊率相當(dāng)：

人類在Nature論文上的平均重疊率為28.58%；在ICLR上為35.25%。

此外，他們還通過分析論文的等級水平（oral、spotlight、或是直接被拒絕的）發(fā)現(xiàn)：

對于水平較弱的論文來說，GPT-4和人類審稿人之間的重疊率更高，可以從上面的30%多升到近50%。

這說明，GPT-4對水平較差的論文的鑒別能力很高。

作者也因此表示，那些需要更實質(zhì)性修改才能被接收的論文有福了，大伙兒可以在正式提交前多試試GPT-4給出的修改意見。

2、GPT-4可以給出非通用反饋

所謂非通用反饋，即GPT-4不會給出一個適用于多篇論文的通用評審意見。

在此，作者們衡量了一個“成對重疊率”的指標(biāo)，結(jié)果發(fā)現(xiàn)它在Nature和ICLR上都顯著降低到了0.43%和3.91%。

這說明GPT-4是有針對性的。

3、能夠在重大、普遍問題上和人類觀點一致

一般來說，人類反饋中較先出現(xiàn)的意見以及多個評審員都提及的意見，最可能代表重要、普遍的問題。

在此，團隊也發(fā)現(xiàn)，LLM更有可能識別出多個評審員一致認(rèn)可的常見問題或缺陷。

也就是說，GPT-4在大面上是過得去的。

4、GPT-4給的意見更強調(diào)一些與人類不同的方面

研究發(fā)現(xiàn)，GPT-4評論研究本身含義的頻率是人類的7.27倍，評論研究新穎性的可能性是人類的10.69倍。

以及GPT-4和人類都經(jīng)常建議進(jìn)行額外的實驗，但人類更關(guān)注于消融實驗，GPT-4更建議在更多數(shù)據(jù)集上試試。

作者表示，這些發(fā)現(xiàn)表明，GPT-4和人類評審員在各方面的的重視程度各不相同，兩者合作可能帶來潛在優(yōu)勢。

定量實驗之外是用戶研究。

在此共包括308名來自不同機構(gòu)的AI和計算生物學(xué)領(lǐng)域的研究員，他們都在本次研究中上傳了各自的論文給GPT-4進(jìn)行評審。

研究團隊收集了他們對GPT-4評審意見的真實反饋。

總體而言，超過一半（57.4%）的參與者認(rèn)為GPT-4生成的反饋很有幫助，包括給到一些人類想不到的點。

以及82.4%的調(diào)查者認(rèn)為它比至少一些人類評審員的反饋更有益。

此外，還有超過一半的人（50.5%）表示，愿意進(jìn)一步使用GPT-4等大模型來改進(jìn)論文。

其中一人表示，只需要5分鐘GPT-4就給出了結(jié)果，這個反饋速度真的非常快，對研究人員改善論文很有幫助。

當(dāng)然，作者指出：

GPT-4也有它的局限性。

最明顯的是它更關(guān)注于“整體布局”，缺少特定技術(shù)領(lǐng)域（例如模型架構(gòu)）的深度建議。

所以，如作者最后總結(jié)：

人類評審員的高質(zhì)量反饋還是不可或缺，但大家可以在正式評審前拿它試試水，彌補遺漏實驗和構(gòu)建等方面的細(xì)節(jié)。

當(dāng)然，他們也提醒：

正式評審中，審稿人應(yīng)該還是獨立參與，不依賴任何LLM。

一作都是華人

本研究一作共三位，都是華人，都來自斯坦福大學(xué)計算機科學(xué)學(xué)院。

他們分別是：

梁偉欣，該校博士生，也是斯坦福AI實驗室（SAIL）成員。他碩士畢業(yè)于斯坦福電氣工程專業(yè)，本科畢業(yè)于浙江大學(xué)計算機科學(xué)。Yuhui Zhang，同博士生在讀，研究方向為多模態(tài)AI系統(tǒng)。清華本科畢業(yè)，斯坦福碩士畢業(yè)。曹瀚成，該校五年級博士在讀，輔修管理科學(xué)與工程，同時加入了斯坦福大學(xué)NLP和HCI小組。此前畢業(yè)于清華大學(xué)電子工程系本科。