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
— James Zou (@james_y_zou) October 4, 2023
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
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。
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。
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：
- 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
加入電腦王Facebook粉絲團