Autonomous Research Assistant: An AI-Powered System for Automated Paper Discovery, Summarization, Domain Classification, and Citation Generation

技術要約：自律型リサーチ・アシスタント（Autonomous Research Assistant）

問題提起
現在の学術界は、主要なデータベースにインデックスされた2億件を超える論文という、膨大な研究情報の量に圧倒されている。研究者は、この成長に追いつく上で、特に3つの領域において大きな課題に直面している。すなわち、関連研究を効率的に発見すること、個々の論文の核心的な貢献を迅速に把握すること、そして様々なフォーマット規格（APA、MLA、IEEEなど）にわたる引用を管理することである。従来の文献レビューは非常に時間がかかり、数週間を要することも少なくない。また、既存のツールは通常、ワークフローの孤立した部分（検索、要約、または引用管理）のみに対処しており、その結果、研究者は複数のプラットフォームを切り替え、組織的な継続性を失うことを余儀なくされている。

手法およびシステムアーキテクチャ
著者らは、エンドツーエンドのリサーチ・ワークフローを自動化するために設計されたフルスタックAIウェブアプリケーションである「自律型リサーチ・アシスタント（Autonomous Research Assistant）」を提示する。本システムは、自動化された論文発見、AIによる要約、機械学習ベースのドメイン分類、およびマルチフォーマット引用生成という4つの主要な機能を統合している。

• アーキテクチャ: システムは、サーバーレスのマルチティア・アーキテクチャ上に構築されている。フロントエンドには、プレゼンテーション層として React 18 と TypeScript を Tailwind CSS と共に使用し、状態管理には TanStack Query と React Hook Form を用いている。バックエンドは Deno Edge Functions に依存しており、低レイテンシのサーバーレス実行を実現している。データの永続性は、ユーザーデータの隔離とプライバシーを確保するための行レベルセキュリティ（RLS）を備えた PostgreSQL によって管理される。認証は JWT を介して行われる。
• 論文発見と要約: システムは、2億本以上の論文ライブラリにアクセスするために Semantic Scholar API にクエリを実行する。レート制限に対処するため、指数バックオフを用いた最大3回の試行を行う堅牢なリトライロジックを採用している。APIが失敗した場合、AIフォールバックメカニズムが作動する。要約については、Google Gemini 2.5 Flash を活用して、抽象的な要約（2〜3文）の生成および、論文のアブストラクトから5〜7個の関連キーワードをリアルタイムで抽出する。
• ドメイン分類: 論文を6つの明確な研究ドメインに分類するため、著者らは コーネル大学のarXiv論文アブストラクト・データセット を用いて機械学習モデルを訓練した。
  • データセット: 18,000個のアブストラクトが、6つの互いに排他的なドメイン（Computer Vision (cs.CV)、Natural Language Processing (cs.CL)、Astrophysics (astro-ph.GA)、Combinatorics (math.CO)、Neuroscience (q-bio.NC)、High Energy Physics (hep-th)）にわたって選定された。
  • 前処理: パイプラインには、ケース正規化、非アルファベット文字（ハイフンを除く）の除去、トークン化、ストップワード除去（一般的な学術用語を含む）、およびレマタイゼーション（語形解析）が含まれる。文脈を強化するため、タイトルはアブストラクトの前に2回連結される。
  • 特徴量エンジニアリング: TF-IDF ベクトル化が、ユニグラムからトリグラムまでを対象とした最大50,000個の特徴量を用いて使用された。
  • モデル選定: 5つの分類器（Logistic Regression、Multinomial Naive Bayes、Linear SVM、SGD Classifier、Random Forest）を比較した。Plattスケーリングとハイパーパラメータ調整（C=1.0）を施した Linear SVM が、最も優れたモデルとして浮上した。
  • デプロイ戦略: Pythonベースのscikit-learnモデルをDeno環境に直接デプロイする（複雑なコンテナ化を必要とするため）代わりに、著者らは プロンプトエンジニアリング の手法を採用した。訓練されたタクソノミー（分類体系）と分類ロジックを Gemini 2.5 Flash へのプロンプトにエンコードすることで、Edge Function内でPythonランタイムを使用せずに、要約と並行してドメイン分類を実行できるようにした。
• 引用生成: 取得されたメタデータに基づき、APA、MLA、IEEE形式の引用を自動生成し、ワンクリックでのエクスポートを可能にする。

主な結果

• 分類性能: チューニングされた Linear SVM は、層化80/20分割（テストサンプル3,600個）において、97.25% のテスト精度と 0.97 のマクロF1スコアを達成した。これは、Logistic Regression (97.06%)、SGD Classifier (97.03%)、Multinomial Naive Bayes (96.69%)、および Random Forest (94.44%) を上回る結果であった。
  • クラス別分析では、Astrophysics と NLP で最も高いF1スコア（0.98）を示し、Computer Vision は、NLPとの語彙の重複により、わずかに低い数値（0.96）となった。
  • モデルは5分割交差検証（96.17% ± 0.45%）および、手作りの6つのアブストラクトを用いたカスタムテストによって検証され、100%の精度を達成した。
• システムレイテンシ: 5本の論文を処理するエンドツーエンドのパイプラインには、8秒から15秒 かかる。具体的な内訳は、要約に約1.2秒、キーワード抽出に約0.8秒、および論文1件あたりのドメイン分類に約0.6秒である。
• 効率性: TF-IDF + Linear SVM のアプローチは、Google Colabの無料ティアでGPUを必要とせず、30秒未満で訓練が可能であり、これは BERT や SciBERT といったトランスフォーマーベースのモデルの高い計算コストとは対照的である。

意義と主張
本論文は、自律型リサーチ・アシスタントが、強力なセキュリティ保証を備えたプロダクショングレードのウェブアプリケーションとして、完全な研究自動化パイプラインを提供できることを実証したと主張している。主な貢献は以下の通りである：

1. 包括的なワークフロー: 発見、要約、分類、および引用を単一のインターフェースに統合し、異なるツールを切り替える必要性を排除した。
2. コスト効率の高い機械学習: 入念に設計された伝統的な機械学習手法（TF-IDF + Linear SVM）が、ドメイン分類においてディープラーニングに近い精度（97.25%）を達成できる一方で、トランスフォーマーベースの代替案よりも大幅に訓練が速く、デプロイコストも低いことを証明した。
3. 革新的なデプロイメント: 訓練された分類タクソノミーをLLMの推論コールに組み込むプロンプトエンジニアリングの使用により、Pythonの依存関係なしに、サーバーレスのDeno環境内でドメイン分類を実行することを可能にし、レイテンシとインフラの複雑さを軽減した。
4. 生産性の向上: 本システムは、手動の文献レビューに要する時間を3分の1に短縮（約70%の時間節約）し、煩雑な引用フォーマット作成を自動化すると報告されている。

著者らは、APIのメタデータへの依存による引用精度の正確性、現在の6つの広範なドメインへの制限（拡張可能ではある）、および現在のプロトタイプにおける全文PDF解析の欠如といった限界を認め、控えめな立場をとっている。今後の課題として、階層的分類、GROBIDによるPDF解析、および共同作業のための共有機能が提案されている。