研究構想很少一開始就定形。讀到一篇先前發表的論文，往往會讓原本的方向改變：可能發現別人已經做過類似貢獻，也可能從論文中尚未解決的問題找到新的切入點。Ai2（Allen Institute for AI）與賓州大學的研究者把這種現象稱為 literature-initiated pivot，也就是「由文獻引發的研究轉向」，並據此開發了 LitPivot。這套系統的目標不是替研究者寫論文，而是把「發展構想」與「決定要用哪些文獻來衡量這個構想」兩件原本分開進行的事，放進同一個工作流程。相關論文將於 UIST 2026 在底特律發表，內容由 Ai2 發布於 Hugging Face 部落格。
為什麼研究構想會不斷轉向
Ai2 團隊分析了四個已完成的資訊科學研究專案會議紀錄，總共辨識出 21 次文獻引發的轉向。這些轉向可分為兩類：一類是為了確立構想的新穎性，把自身想法與既有工作區隔開來；另一類是為了接續既有研究，讓構想與文獻對齊。這篇論文本身在確定貢獻之前，也經歷過兩次這類轉向。
團隊指出，這種轉向並不好處理。在前期形成性研究中，五位研究者使用文字編輯器與一般搜尋工具撰寫提案，普遍難以在「發展自己的想法」與「用文獻嚴格檢驗這個想法」之間切換。當某篇論文挑戰到構想的新穎性時，他們希望得到的是具體的修改建議，而且要有先前研究作為依據支撐。這項需求直接影響了 LitPivot 的設計取向：把有文獻支持的批評，與針對特定段落的具體修改建議配對呈現。
LitPivot 的運作方式
使用者在 LitPivot 的編輯器中先寫下一段簡短提案，然後開啟 facet highlighting（面向標記）功能。系統會把這段構想切分成不同面向，主要包括問題（problem）、貢獻（contribution）與評估方式（evaluation plan）。當使用者點選某個面向的段落時，旁邊的面板會依這個面向重新整理相關論文，例如在選取評估面向時，把論文依照它們使用的評估方法分組，並標示出最相關的群組。
論文檢索本身是透過 Asta Paper Finder 取得。每個面向都擁有各自的一組相關文獻與 relevancy 排序，因此切換面向時看到的文獻清單也會不同。研究者可以自行挑選要用哪些論文來評估草稿，系統再根據這些被選中的論文產生評估結果。評估完成後，系統會提出一份建議改寫版本，並附上支持該批評的原文摘錄。修訂後的面向會再次觸發文獻重排序，讓清單跟著構想一起更新。
三個面向各自的評估邏輯
LitPivot 對不同面向採用不同的檢查方式。針對問題陳述，系統尋找能證明該問題確實存在、並說明其重要性的證據。針對提出的貢獻，系統會比對被選文獻已經處理過的部分，以及它們自己承認的限制與未來工作，從中找出仍未被填補的缺口。針對評估計畫，系統檢查所提出的測試是否真能回答研究問題，以及類似工作過去是如何被評估的。
由於構想的面向彼此相依，改動其中一個面向可能讓另一個面向過時。例如貢獻已經修訂，原本的評估計畫卻不再足以驗證新的貢獻。LitPivot 會標記出可能需要修改的段落，並讓研究者自行決定接受、編輯或拒絕系統建議，也可以隨時要求新的論文或重新整理文獻排序。論文中以一位研究參與者為例：他原本的提案是生成一致且符合事實的合成醫療紀錄，LitPivot 指出「跨多次就醫紀錄的一致性」可能是既有文獻中的缺口；他檢視摘要後移除只處理單次就診的論文，再次評估後把提案收斂為「偵測多次就診紀錄之間的矛盾」。這個例子展示了修改構想與選擇評估文獻如何互相牽動。
實驗結果
在一項實驗室研究中，17 位研究者分別針對兩個被指派的構想進行開發，一個使用 LitPivot，另一個使用基準工具，也就是文字編輯器加上能針對選定論文提問的 AI 工具。兩種情況使用完全相同的論文集合。兩位不知道提案出自哪個系統的領域專家，依照單一標準評分：提案是否妥善運用相關文獻來支持與證成自己的想法。使用 LitPivot 開發的提案獲得較高評價。
同一批參與者也回報，相較於基準工具，使用 LitPivot 時對周邊文獻有更清楚的理解，並自認構想的新穎性與實用性改善幅度更大。領域專家對參與者構想的額外審查也顯示，使用 LitPivot 修訂後的構想明顯更有文獻基礎。
在後續研究中，五位研究者用 30 分鐘的時段，把 LitPivot 套用到自己正在進行的專案，而不只是用在初期發想。其中兩人用它檢驗新想法與文獻的關係，三人用它調整較成熟構想的論述框架。有位研究者特別提到，看到不同領域中平行存在的概念，幫助他重新定義自己的貢獻。這些結果顯示 LitPivot 不只用於早期探索，也能支援既有研究方向的精煉。
限制與研究脈絡
論文明確指出，LitPivot 的設計目標是早期階段的研究發想，雖然概念上可能延伸到更長的寫作任務，例如撰寫論文引言，但目前並未以此為主要驗證場景。另外，這套系統並未取代研究者的判斷：草稿內容與用來評估草稿的證據，最終都由研究者掌控。
在 Ai2 的研究布局中，LitPivot 屬於協助科學發現的一環。Asta 透過 Theorizer 從已發表成果生成理論、進行綜合整理，並以 AutoDiscovery 在資料上生成與檢驗假設；HARPA 依據新興研究趨勢產生可能的研究假設；Scideator 讓研究者重新組合既有工作的元素成為新想法，並評估其新穎性；IdeaSynth 則以文獻為基礎的回饋支援反覆精煉。團隊另一項研究 Old Ideas, Novel Problems 探討自動化新穎性評估的極限，發現只要稍微改動提示內容，AI 評審對同一批想法的判斷就會改變。LitPivot 延續這條研究路線，把「選擇哪些文獻」變成修訂流程的一部分：研究者可以隨著構想演進更換評估用的論文，再根據批評與支持摘錄決定如何修改，並讓問題、貢獻與評估三個面向的決定彼此連動。這套系統要處理的核心問題，其實是科學研究裡一個長期存在的張力：構想需要被檢驗才會成熟，但檢驗所依據的文獻本身，也會隨著構想改變而需要重新挑選。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。