EarlySciRev: A Dataset of Early-Stage Scientific Revisions Extracted from LaTeX Writing Traces
本文提出EarlySciRev数据集，通过提取LaTeX源文件中的早期修订痕迹，研究科学写作的修订行为及LLM在科学写作中的应用。
2026-03-30 cs.CL
Predicting the Quality of Revisions in Argumentative Writing
University of Pittsburgh（匹兹堡大学）；Learning Research and Development Center（学习研究与发展中心）；RAND Corporation（兰德公司）
针对议论文修订质量依赖整体论证语境的问题，本文利用思维链提示引导ChatGPT生成论证语境并预测修订质量，在小学生与大学生作文语料上均优于基线。
2023-06-01 cs.AI cs.CL
Beyond Single-shot Writing: Deep Research Agents are Unreliable at Multi-turn Report Revision
New York University（纽约大学）；NYU Shanghai（上海纽约大学）；University of Alberta（阿尔伯塔大学）；Princeton University（普林斯顿大学）；University of Waterloo（滑铁卢大学）；Verdent AI, Inc.（Verdent AI公司）
本研究提出Mr Dre评估套件，揭示深度研究代理在多轮报告修订中存在内容退化和编辑丢失的问题，表明需更深入的方法改进。
2026-11-03 cs.AI cs.CL
Text revision in Scientific Writing Assistance: An Overview
Nantes Université（南特大学）；École Centrale Nantes（南特中央理工学院）；CNRS（法国国家科学研究中心）；LS2N（南特数字科学实验室）
本文综述科学写作辅助中的文本修订，梳理科学论文的格式与惯例、现有修订工具类型及其从规则方法到深度神经网络的技术演进，并指出可访问性、上下文建模和语篇信息利用等挑战。
2023-03-29 cs.CL
A Corpus of Sentence-level Revisions in Academic Writing: A Step towards Understanding Statement Strength in Communication
Cornell University（康奈尔大学）
一个声明的力度可以对听众产生重大影响。例如，国际关系可能会因一国媒体对另一国事件的描述而紧张;论文可能会因夸大或低估其发现而被拒绝。因此，理解陈述强度的影响是很重要的。第一步是能够区分强有力的陈述和弱有力的陈述。然而，即使是这个问题也没有得到充分的研究，部分原因是缺乏数据。由于力量本质上是相对的，因此对提出主张的文本的修订是关于力量差异的数据的自然来源。在本文中，我们介绍了一个语料库的论文级修订，从学术写作。我们还描述了从我们的注释工作中获得的见解。
2014-05-31 cs.CL
AutoSupervision: Closing the Feedback Loop in Scientific Workflows with Grounded Revision Verification
Shanghai AI Laboratory（上海人工智能实验室）；University of California, Los Angeles（加州大学洛杉矶分校）；The Hong Kong University of Science and Technology（香港科技大学）
本研究提出AutoSupervision，利用《自然·通讯》5.6万篇文章的评审记录构建数据集，发现LLM刻画评审关切表现较好但证据验证是瓶颈，为AI辅助科学工作流提供反馈循环闭合方案。
2026-07-31 cs.AI cs.CL
Understanding Iterative Revision from Human-Written Text
University of Virginia（弗吉尼亚大学）；Grammarly（Grammarly公司）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；University of Minnesota（明尼苏达大学）
从本质上讲，写作是一个战略性的、适应性的过程，更重要的是，它是一个反复的过程。写作的一个关键部分是编辑和修改文本。以前的文本修订工作主要集中在定义一个单一的域内的编辑意图分类或开发计算模型与一个单一的编辑粒度级别，如重复级别的编辑，这不同于人类的修订周期。这项工作描述了IteraTeR：第一个大规模，多领域，编辑意图注释语料库的迭代修订文本。特别是，IteraTeR收集的基础上，一个新的框架，全面建模的迭代文本修订，推广到正式写作，编辑意图，修订深度和粒度的各个领域。当我们结合我们的注释编辑意图时，生成和基于编辑的文本修订模型都显着提高了自动评估。通过我们的工作，我们更好地理解了文本修订过程，在编辑意图和写作质量之间建立了重要的联系，从而能够创建不同的语料库，以支持迭代文本修订的计算建模。
2022-03-16 cs.CL cs.HC
arXivEdits: Understanding the Human Revision Process in Scientific Writing
Georgia Institute of Technology（佐治亚理工学院）；Ohio State University（俄亥俄州立大学）
科学出版物是交流研究发现的主要手段，其中写作质量至关重要。然而，以前的工作研究人类编辑过程在这一领域主要集中在摘要或介绍部分，导致一个不完整的图片。在这项工作中，我们提供了一个完整的计算框架，研究文本修订科技写作。我们首先介绍arXivEdits，这是一个新的注释语料库，包含来自arXiv的751篇完整论文，在其多个版本的修订中具有黄金句子对齐，以及细粒度的跨级编辑及其1,000个句子对的潜在意图。它支持我们的数据驱动分析，以揭示研究人员修改论文的常见策略。为了扩大分析，我们还开发了自动方法来提取文档，句子和单词级别的修订。在我们的语料库上训练的神经CRF句子对齐模型达到了93.8 F1，能够可靠地匹配不同版本之间的句子。我们制定的编辑提取任务作为一个跨度对齐问题，我们提出的方法提取更多的细粒度和可解释的编辑，相比常用的差异算法。在我们的数据集上训练的意图分类器在细粒度意图分类任务上达到78.9 F1。我们的数据和系统发布在tiny.one/arxivedits。
2022-10-31 cs.CL
ArgRewrite V.2: an Annotated Argumentative Revisions Corpus
University of Pittsburgh（匹兹堡大学）
分析人类如何修改他们的写作是一个有趣的研究问题，不仅从教育的角度来看，而且从人工智能的角度来看。更好地理解这一过程可以促进许多NLP应用，从智能辅导系统到支持和协作写作环境。然而，开发这些应用程序需要修订语料库，这并不广泛。在这项工作中，我们提出了ArgRewrite V.2，这是一个注释的议论文修订语料库，收集了关于自动驾驶汽车的议论文的两个修订周期。注释是在不同的目的粒度（粗粒度和细粒度）和范围（基本粒度和基本粒度）级别上提供的。此外，语料库还包括了每个作者的修改目标、论文分数、注释验证、从参与者那里收集的研究前和研究后的调查作为元数据。ArgRewrite中修订单元范围和目的粒度级别的多样性，以及新类型的元数据的包含，可以使其成为涉及修订分析的研究和应用程序的有用资源。我们展示了ArgRewrite V.2在自动修订目的预测器开发中的一些潜在应用，作为训练源和基准。
2022-06-03 cs.AI cs.CL
From Granular Revision Operations to Meaningful Revision Units: Evaluating LLMs for Revision Boundary Detection
Arizona State University（亚利桑那州立大学）
本研究评估LLMs在检测写作修订边界中的表现，发现微调Qwen3-32B（宏F1=.859）优于提示方法及邻近启发式，表明任务适应对有效利用LLMs至关重要。
2026-09-29 cs.AI cs.CL
IELTS Writing Revision Platform with Automated Essay Scoring and Adaptive Feedback
本文提出一个具备自动评分和自适应反馈的IELTS写作修订平台，通过基于Transformer的模型提升评分准确性，并通过实验验证其在备考中的有效性。
2025-12-30 cs.CL cs.HC
Writing as a Self-Organized Critical Process
NTR Labs（NTR实验室）；Higher IT School of Tomsk State University（托木斯克国立大学高等IT学院）
本文通过自组织临界性解释文本自相关衰减幂律，分析KLiCKe击键数据集，发现文本修订产生朝向临界流形的恢复动力学，表明人类写作动态调节语义相关性至临界状态。
2026-10-06 cs.CL
Accepted with Minor Revisions: Value of AI-Assisted Scientific Writing
The University of Utah（犹他大学）；The Ohio State University（俄亥俄州立大学）；Allen Institute for AI（人工智能研究院）
研究探讨了AI辅助科学写作的有效性，发现AI生成摘要在披露来源信息后可达到与人工摘要相当的可接受性，且作者编辑行为受对AI作者身份的感知驱动。
2026-01-27 cs.AI cs.CL cs.HC
From Model-centered to Human-Centered: Revision Distance as a Metric for Text Evaluation in LLMs-based Applications
School of Information Management, Wuhan University（武汉大学信息管理学院）；Institute for Intelligent Computing, Alibaba Group（阿里巴巴集团智能计算研究所）；Worcester Polytechnic Institute（伍斯特理工学院）
本研究针对传统大语言模型评估指标忽略用户体验的问题，提出以人为中心的“Revision Distance”指标，通过统计LLM生成的修订操作次数评估文本，兼具结果一致性、详细反馈能力与无参考文本场景的应用潜力。
2024-04-11 cs.CL cs.IR
ParaRev: Building a dataset for Scientific Paragraph Revision annotated with revision instruction
Nantes Université（南特大学）；École Centrale Nantes（南特中央理工学院）；CNRS（法国国家科学研究中心）；LS2N（南特数字科学实验室）；JFLI（日本信息学研究所联合实验室）；Nantes University（南特大学）；National Institute of Informatics（日本信息学研究所）
本文提出科学段落修订任务及首个带修订指令标注的数据集ParaRev，实验证明段落级范围与详细指令能显著提升自动修订质量。
2025-01-09 cs.CL
Revision for Concision: A Constrained Paraphrase Generation Task
Singapore University of Technology and Design（新加坡科技设计大学）
学术写作应该简洁，因为简洁的句子更能吸引读者的注意力，更能清晰地传达意思。写作简明扼要是一项挑战，因为作者经常努力修改他们的草稿。我们引入并制定了简洁的修订作为一个自然语言处理任务在句子级别。为了简洁而修改需要算法只使用必要的单词来重写句子，同时保留其含义。修改后的句子应该根据它的选词、句子结构和组织来评价。修改后的句子还需要满足语义保留和句法合理性。为了帮助这些努力，我们策划并提供了一个基准并行数据集，可以描述简洁的修订。该数据集包含536对修改前后的句子，所有对都是从大学写作中心收集的。我们还提出并评估了解决这个问题的方法，这可能有助于这一领域的研究人员。
2022-10-25 cs.CL
To Revise or Not to Revise: Learning to Detect Improvable Claims for Argumentative Writing Support
Leibniz University Hannover（莱布尼茨汉诺威大学）；University of Bremen（不来梅大学）
本文研究如何自动识别议论文中需要修改的论点，通过从在线辩论的协作编辑中学习隐式修改模式，提出基于修订距离的无标注采样策略，并证明结合上下文信息和领域知识可提升预测效果。
2023-05-26 cs.CL
Divergent LLM Adoption and Heterogeneous Convergence Paths in Research Writing
Cornell University SC Johnson College of Business（康奈尔大学SC约翰逊商学院）；NBER（国家经济研究局）；Tsinghua University（清华大学）
本研究针对LLM在学术写作中的异质性采用问题，基于arXiv 62.7万余篇论文开发检测框架，揭示其在不同群体中的采用差异及对写作收敛的影响，发现LLM能提升写作质量并推动风格收敛，且特定群体转变更显著。
2025-04-18 cs.AI cs.CL econ.GN
Read, Revise, Repeat: A System Demonstration for Human-in-the-loop Iterative Text Revision
University of Virginia（弗吉尼亚大学）；University of Minnesota（明尼苏达大学）；Grammarly
修改是人类写作过程的重要组成部分。它往往是战略性的，适应性的，更重要的是，本质上是迭代的。尽管大语言模型在文本修订任务上取得了成功，但它们仅限于非迭代的一次性修订。检查和评估大语言模型进行持续修改和与人类作家合作的能力是构建有效写作助手的关键一步。在这项工作中，我们提出了一个人在循环迭代文本修订系统，阅读，修订，重复（R3），其目的是通过阅读模型生成的修订和用户反馈，修订文档，并重复人机交互，以最小的人力实现高质量的文本修订。在R3中，文本修订模型为人类作者提供文本编辑建议，人类作者可以接受或拒绝建议的编辑。然后，接受的编辑被合并到模型中，用于文档修订的下一次迭代。因此，作者可以通过与系统交互并简单地接受/拒绝其建议的编辑来迭代地修订文档，直到文本修订模型停止进行进一步修订或达到预定义的最大修订数量。实验结果表明，R3在早期的修改深度可以生成与人类作者相当的接受率的修改，并且人机交互可以以更少的迭代和编辑获得更高质量的修改。收集的人体模型交互数据集和系统代码可在\url{https://github.com/vipulraheja/IteraTeR}上获得。我们的系统演示可在\url{https://youtu.be/lK08tIpEoaE}上获得。
2022-09-23 cs.CL
XtraGPT: Context-Aware and Controllable Academic Paper Revision
National University of Singapore（新加坡国立大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
针对现有LLM难以支持学术论文迭代修订与跨章节连贯性的问题，提出以标准引导意图对齐和上下文感知建模的人机协作框架，并构建7,000篇论文及140,000个指令对数据集，实例化为开源模型XtraGPT，实验证明其显著优于同规模基线并接近专有系统。
2025-10-23 cs.CL
Annotation and Classification of Sentence-level Revision Improvement
University of Pittsburgh（匹兹堡大学）
对写作修改的研究很少关注修改质量。为了解决这个问题，我们引入了一个语料库的学生议论文的草稿之间的修订，注释是否每个修订提高文章质量。我们展示了我们的注释的潜在用途，通过开发一个机器学习模型来预测修订改进。为了扩展训练数据，我们还从专家校对人员编辑的数据集中提取修订。我们的研究结果表明，混合专家和非专家的修订提高模型的性能，与专家数据预测低质量的修订特别重要。
2019-09-03 cs.CL
CASIMIR: A Corpus of Scientific Articles enhanced with Multiple Author-Integrated Revisions
Nantes Université（南特大学）；École Centrale Nantes（南特中央理工学院）；CNRS（法国国家科学研究中心）；LS2N（南特数字科学实验室）；Japanese French Laboratory for Informatics（日法信息学实验室）；NII（日本国立信息学研究所）
本文构建 CASIMIR 语料库，收录 OpenReview 上 15,646 篇论文的多轮修订与评审，提供句级对齐、编辑及意图标注，并据此评估现有文本修订方法与指标。
2024-03-19 cs.CL
eRevise: Using Natural Language Processing to Provide Formative Feedback on Text Evidence Usage in Student Writing
Learning Research and Development Center（学习研究与发展中心）；University of Pittsburgh（匹兹堡大学）
写一篇好文章通常需要学生在收到反馈后修改最初的论文草稿。我们提出了eRevise，一个基于网络的写作和修改环境，使用自然语言处理功能生成的基于规则的论文评分，以触发形成反馈信息，学生的使用证据，在响应文本写作。通过帮助学生了解在写作过程中使用文本证据的标准，eRevise使学生能够更好地修改他们的论文草稿。在一个试点部署的eRevise在7个教室跨越5年级和6年级，在写作中的文本证据使用的质量提高后，学生收到形成性反馈，然后从事论文修订。
2019-08-06 cs.AI cs.CL
AI-Slop to AI-Polish? Aligning Language Models through Edit-Based Writing Rewards and Test-time Computation
Salesforce AI Research（Salesforce人工智能研究）；Microsoft Research（微软研究院）
针对AI生成文本写作质量评估难题，本文构建了WQ基准并训练了写作质量奖励模型WQRM，结合测试时计算选择更优修订版本，显著提升了AI文本的写作质量与人类偏好对齐度。
2025-08-12 cs.AI cs.CL cs.LG
Human-AI Collaborative Taxonomy Construction: A Case Study in Profession-Specific Writing Assistants
University of Minnesota（明尼苏达大学）；Accenture Labs（埃森哲实验室）
本研究针对LLM在商业领域写作中理解不足的问题，提出人机协同分类法构建方法，通过专家迭代反馈与多次交互完善分类法，以提升领域特定写作助手的效能。
2024-07-16 cs.AI cs.CL cs.HC
Loop-Back Authority in LLM Agent Teams: A Paired Experiment on Flat and Hierarchical Coordination
Leiden University（莱顿大学）
本研究通过配对实验对比扁平与层级LLM智能体团队，发现层级权威的修订循环降低输出质量，监督者仅在可验证时才有价值。
2026-10-08 cs.AI cs.CL cs.MA
Effects of Varying LLM Access on Essay Writing Behavior
University of Minnesota（明尼苏达大学）
通过控制LLM访问权限（无访问、有限访问、无限访问）的随机实验，发现有限访问能保持学生作者信心和写作策略，而无限访问降低创意表达。
2026-05-29 cs.AI cs.CL cs.HC
Multimodal Peer Review Simulation with Actionable To-Do Recommendations for Community-Aware Manuscript Revisions
Hong Kong Polytechnic University（香港理工大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Independent Researcher（独立研究者）
本研究提出一个多模态同行评审模拟系统，通过整合文本和视觉信息，利用检索增强生成技术提升评审质量，并生成可操作的待办列表，以提高论文修订的效率和准确性。
2026-02-17 cs.CL
Decoding the End-to-end Writing Trajectory in Scholarly Manuscripts
University of Minnesota（明尼苏达大学）
针对LLM难以提供文档级学术写作反馈的问题，提出基于意图、动作和数据类型的写作行为分类体系，并构建ManuScript数据集以捕捉端到端写作轨迹，辅助提升写作助手的反馈能力。
2023-03-31 cs.CL cs.HC
Authorship Without Writing: Large Language Models and the Senior Author Analogy
National University of Singapore（新加坡国立大学）；University of Copenhagen（哥本哈根大学）；University of Oxford（牛津大学）
本文提出LLM在特定条件下可类比资深作者，其生成完整草稿可视为合法作者身份，否则需修订作者标准。
2025-09-05 cs.AI cs.CL cs.CY
Automated Focused Feedback Generation for Scientific Writing Assistance
University of Cambridge（剑桥大学）
本文提出自动化聚焦反馈生成任务及工具 SWIF$^{2}$T，利用多个 LLM 组件生成具体可操作的论文修改评论，在 300 篇同行评审数据集上验证其优于其他方法，为 AI 反馈整合提供机会。
2024-06-04 cs.CL
Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing
Academic Center for Computing and Media Studies, Kyoto University, Japan（京都大学计算与媒体研究室）；College of Information Science and Engineering, Ritsumeikan University, Japan（立命馆大学信息科学与工程学院）
研究借助转换网络分析，以日本外语学习者与写作聊天机器人“佩妮”的交互为对象，发现两个行为循环，揭示外语水平对交互的显著影响，表明人工智能辅助写作是对话过程，强调需差异化设计聊天机器人以促进学习者认知参与。
2026-07-17 cs.CL cs.CY
FOXGLOVE: Understanding Goal-Oriented and Anchored Writing Feedback from Experts and LLMs on Argumentative Essays
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
通过构建FOXGLOVE数据集，系统比较了写作专家和大型语言模型在议论文反馈中的目标导向、锚定性和优先级，发现两者在反馈目标和位置分布上相似，但在具体句子选择和反馈复杂度上存在差异。
2026-10-20 cs.CL cs.HC
Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions
Ubiquitous Knowledge Processing Lab (UKP Lab)（通用知识处理实验室）；Department of Computer Science（计算机科学系）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）
本文研究了大型语言模型在科学文档修订中的编辑意图分类任务中的表现，通过实验和数据集构建探讨了其分类能力及应用价值。
2024-10-17 cs.CL
HLPD: Aligning LLMs to Human Language Preference for Machine-Revised Text Detection
HLPD通过人类语言偏好优化提升机器修订文本检测性能，实现对GPT系列模型和先进大语言模型生成文本的高效识别。
2025-12-02 cs.CL cs.CR
PaperJury: Due-Process Review for Bounded LaTeX Revision
Vast Intelligence Lab（vast 智能实验室）
提出PaperJury系统，通过确定性编排与语义代理分离，实现LaTeX论文的对抗性审查、裁决和修订，确保有界安全编辑和终止结果。
2026-06-16 cs.CL
SEFORA: Student Essays with Feedback Corpus and LLM Feedback Evaluation Framework
University of Pittsburgh（匹兹堡大学）
为解决大规模写作反馈中缺乏真实课堂反馈语料和评估方法的问题，构建了SEFORA语料库和UniMatch评估框架，实验表明LLM生成的反馈与教师反馈一致性低（F1≤0.4）。
2026-07-02 cs.AI cs.CL
Pearl: Personalizing Large Language Model Writing Assistants with Generation-Calibrated Retrievers
Microsoft（微软）；Microsoft Research（微软研究院）；Purdue University（普渡大学）
针对LLM写作助手缺乏个性化的问题，提出Pearl，利用生成校准检索器选择历史文档增强提示，通过数据选择与尺度校准KL散度训练，在社交媒体数据集上提升长文生成质量，并可预测性能。
2024-11-05 cs.CL cs.HC cs.IR
LLM-Collaboration on Automatic Science Journalism for the General Audience
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
本研究针对科学新闻面向大众时的可读性难题，提出模拟写作-阅读-反馈-修改流程的三LLM协作框架，经实验验证其用中小参数开源模型生成的内容比GPT-4等方法更易懂。
2024-07-13 cs.CL
CITING: Large Language Models Create Curriculum for Instruction Tuning
Tsinghua University（清华大学）；University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出 CITING 框架，由教师 LLM 制定评分标准并提供修改，使学生 LLM 在迭代课程中自我纠正；在四个数据集上经 GPT-4 评估显著优于 SFT、RLHF、RRHF 和 RAFT。
2023-10-04 cs.AI cs.CL
JRE-L: Journalist, Reader, and Editor LLMs in the Loop for Science Journalism for the General Audience
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
提出 JRE-L 框架，通过集成三个 LLM 模拟记者、读者和编辑的写作-阅读-反馈-修订循环，利用开源小模型协作生成比 GPT-4 等现有方法更易懂的科学新闻文章。
2025-01-28 cs.CL
Automatic and Human-AI Interactive Text Generation
Georgia Institute of Technology（佐治亚理工学院）；Salesforce（赛富时）；CNRS/LORIA（法国国家科学研究中心/洛林计算机科学及其应用实验室）
本教程聚焦文本到文本生成任务，从数据、模型、人机协作、评估四方面梳理NLG前沿研究，展示非回溯方法、大模型提示转向等五项最新进展。
2023-10-05 cs.CL
Annotating Errors in English Learners' Written Language Production: Advancing Automated Written Feedback Systems
Tohoku University, Sendai, Japan（东京东京大学）；RIKEN, Wako, Japan（日本理化学研究所）；ALTA Institute, Computer Laboratory, University of Cambridge, U.K（剑桥大学计算机实验室ALTA研究所）；INSA Lyon, Villeurbanne, France（里昂国立应用科学学院）；CNRS, LIS, Aix-Marseille University, Marseille, France（国家科学研究中心（CNRS））；MBZUAI, Abu Dhabi, United Arab Emirates（阿布扎赫德人工智能研究所）
本文提出一个针对英语学习者错误的标注框架，通过连接错误与语法模式推断知识差距，并收集带反馈评论的数据集，评估多种大语言模型生成反馈的方法，以优化语言学习中的自动化写作评价系统。
2025-08-09 cs.CL
