論文投稿前先問GPT-4給不給過！史丹佛實測5000篇論文，大多數意見和評審相同，還能給出人想不到的回饋

GPT-4有能力做論文評審嗎？來自史丹佛等大學的研究人員還真測試了一下。 

他們丟給GPT-4數千篇來自Nature、ICLR等國際頂尖期刊和會議的文章，讓它產生評審意見（包括修改建議什麼的），然後與人類給的意見進行比較。 

結果發現： 

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%的作者都發現GPT-4給的意見很有幫助。 

那麼，這項研究究竟能給我們帶來何種啟示？ 

結論是： 

高品質的人類回饋仍然不可替代；但GPT-4可以幫助作者在正式同行評審前改進初稿。 

How well can #GPT4 provide scientific feedback on research papers? We study this Q in our new work https://t.co/hi9Xrrjzu6

We created a pipeline using GPT4 to read 1000s papers (from #Nature, #ICLR, etc.) and generate feedback (eg suggestions for improvement). Then we compare… pic.twitter.com/iscgWreDuj

— James Zou (@james_y_zou) October 4, 2023

 

具體來看。 

實測GPT-4論文評審水準

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

它可以解析一整篇PDF格式的論文，提取標題、摘要、圖表、表格標題等內容來構建提示詞。 

然後讓GPT-4提供評審意見。 

其中，意見和各國際頂尖期刊和會議的標準一樣，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建議。

 

具體實驗從兩方面展開。 

首先是定量實驗： 

讀已有論文，產生回饋，然後與真實人類觀點系統地比較出重疊部分。 

在此，團隊從Nature正刊和各大子刊挑選了3096篇文章，從ICLR機器學習會議（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給出意見之後，pipeline就在match環節分別提取人類和GPT-4的論點，然後進行語義文本匹配，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，這個數字則高達77.18%。 

再進一步仔細比較GPT-4與每一位評審員的意見之後，團隊又發現： 

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： 

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

 

此外，他們還透過分析論文的等級水準（oral、spotlight、或是直接被拒絕的）發現： 

對於水準較弱的論文來說，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對水準較差的論文的鑒別能力很高。 

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

2、GPT-4可以給出非通用回饋 

所謂非通用回饋，即GPT-4不會給出一個適用於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，結果發現它在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，人類回饋中較先出現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，團隊也發現，LLM更有可能辨識出多個評審員一致認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給的意見更強調一些與人類不同的方面 

研究發現，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和人類都經常建議進行額外的實驗，但人類更關注於消融實驗，GPT-4更建議在更多資料集上試試。 

作者表示，這些發現表明，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勢。 

定量實驗之外是使用者研究。 

在此共包括308名來自不同機構的AI和計算生物學領域的研究員，他們都在本次研究中上傳了各自的論文給GPT-4進行評審。 

研究團隊收集了他們對GPT-4評審意見的真實回饋。

• 延伸閱讀：為什麼GPT-4不開源？OpenAI聯合創始人：過去的做法是「錯誤的」

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

以及82.4%的調查者認為它比至少一些人類評審員的回饋更有益。 

此外，還有超過一半的人（50.5%）表示，願意進一步使用GPT-4等大模型來改進論文。 

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

• 延伸閱讀：MIT開發新技術讓GPT-4能像人一樣「自我反思」，思考後能力大增測試表現提升 30%

當然，作者指出： 

GPT-4也有它的局限性。 

最明顯的是它更關注於「整體佈局」，缺少特定技術領域（例如模型架構）的深度建議。 

所以，如作者最後總結： 

人類評審員的高品質回饋還是不可或缺，但大家可以在正式評審前拿它試試水，彌補遺漏實驗和構建等方面的細節。 

當然，他們也提醒： 

正式評審中，審稿人應該還是獨立參與，不依賴任何LLM。 

 

 

 

 

 

論文連結：

• Can large language models provide useful feedback on research papers? A large-scale empirical analysis

 

 

• 延伸閱讀：ChatGPT App重大進化！能看、能聽、還會說，多模態GPT-4V能力細節同時公布
• 延伸閱讀：猩猩學會玩《Minecraft》，科學家發現竟和訓練 GPT-4 智慧體的方法一致？
• 延伸閱讀：GPT-4推理提升1750%，普林斯頓研究論文提出全新「思維樹ToT」框架讓LLM反覆思考