Let's Get to the Point: LLM-Supported Planning, Drafting, and Revising of Research-Paper Blog Posts

研究论文博客文章可以帮助科学家将他们的工作传播到更广泛的受众，但将论文转化为这种格式需要大量的额外工作。博客文章的创建并不仅仅是将长篇文章转化为短输出，而是需要结合源文件的战略规划、组织良好的起草和深思熟虑的修订。能否使用大型语言模型（LLM）驱动的工具帮助科学家编写研究论文博客文章？为了调查这个问题，我们进行了一项形式化研究（N=6），以了解使用LLM编写此类博客文章的主要挑战：高交互成本，包括1）审查和利用论文内容和2）生成和修改长格式输出的经常性子任务。为了解决这些挑战，我们开发了Papers-to-Posts，这是一个LLM驱动的工具，实现了一种新的计划-起草-修订工作流程，其中1）利用LLM从完整论文中生成要点，以帮助用户查找和选择要包含的内容（计划），并且2）提供默认但可定制的LLM指令以生成和修改文本（起草，修订）。通过一项主题内实验研究（N=20）和一项主题间部署研究（N=37篇博客文章，26名参与者），参与者撰写有关其论文的博客文章，我们将Papers-to-Posts与提供LLM生成的草稿和自由形式LLM提示的强基线工具进行了比较。结果表明，Papers-to-Posts帮助研究人员在固定时间内撰写更令人满意的博客文章，并对其博客文章进行更多的修改，而认知负荷没有显著变化（实验室）；并且在固定数量的写作行动中，更多地修改了他们的博客文章（部署）。

研究如何利用大型语言模型帮助科学家撰写科研博客文章，解决撰写博客文章的高交互成本和生成修改长篇输出的重复子任务的问题。

提出了一个新的Plan-Draft-Revise工作流程，利用大型语言模型生成论文中的要点并帮助用户选择内容，提供默认但可定制的语言模型指令来生成和修改文本。通过实验比较，证明了该工具可以帮助科学家更快地撰写出更令人满意的博客文章。

实验采用了两种研究方法，一种是实验室内的研究，另一种是实地部署的研究，结果表明该工具可以帮助科学家更快地撰写出更令人满意的博客文章，并且不会增加认知负荷。

之前的研究主要集中在人工智能摘要生成上，而本文则是提出了一个新的工作流程来帮助科学家撰写博客文章，这是一个新的领域。