如何做 Related Work 地图：从引用网络到研究脉络图
系列 ：AI 论文盘点 / 技术趋势
日期 ：2026-07-24
适合读者 ：AI、NLP、机器学习方向研究生；准备写 Related Work、开题报告、复现报告和 survey 的科研新人；希望把论文阅读从"收藏列表"升级为"研究问题地图"的工程型读者
检索日期：2026-07-24
目录
- 为什么 Related Work 地图比文献列表更重要
- 一张好地图应回答什么问题
- 五步工作流：Seed、Expand、Cluster、Timeline、Questions
- 引用网络的三种边：直接引用、共被引、文献耦合
- 代表论文与工具路线图
- 如何给聚类命名：从关键词到 claim
- 方法 / 实验对比表怎么做
- 复现实操：用最小脚本构建自己的文献图
- LLM 可以帮什么，不能替你做什么
- 常见误区
- 适合研究生继续做的选题
- 总结
- 参考资料
为什么 Related Work 地图比文献列表更重要
很多人的 Related Work 写法是"按读过的顺序堆摘要"：A 做了什么，B 做了什么，C 做了什么，最后说本文不同。这种写法的问题是，它没有解释论文之间的关系。读者看完只知道你读过一些论文，却不知道这个方向为什么形成、争议在哪里、哪个变量决定了方法分叉。
真正有用的 Related Work 地图至少有三层。第一层是 问题层 ：任务定义、输入输出、约束条件和评测目标如何变化。第二层是 方法层 ：模型结构、训练目标、检索机制、推理策略、数据构造或安全约束如何分叉。第三层是 证据层：哪些 dataset、metric、baseline、ablation 和复现材料支撑了这些分支。只写论文摘要，最多覆盖方法层的一小部分；做地图，才会逼你同时检查问题和证据。
这件事在 2025-2026 年的 AI 研究中尤其重要。论文数量增长很快，arXiv、OpenReview、ACL Anthology、NeurIPS、ICLR、ICML 等入口同时更新；同一个概念常被不同社区用不同名字讨论；新模型技术报告、benchmark 论文和复现报告又不一定出现在同一渠道。只靠关键词搜索，容易得到一堆"看起来相关"的论文；只靠引用次数，容易漏掉新近但关键的工作；只靠 LLM 总结，容易把相关性写得很顺，却混淆任务边界和引用来源。
所以 Related Work 地图不是写作最后一步，而应放在研究早期。它帮助你决定接下来精读哪篇、复现哪条 claim、在哪个分支找 gap、是否已有论文回答了你的想法。对研究生来说，一张地图比一百条收藏更接近开题能力。
一张好地图应回答什么问题
做地图前，先明确地图不是"全领域百科"。它是为了服务一个研究动作。不同动作需要不同粒度。
如果你准备精读一篇方法论文，地图要回答：这篇论文的直接前驱是谁，它和 baseline 的差异是否真实，它的模块分别来自哪些工作，哪些实验设置最能验证它的核心假设。
如果你准备写复现报告，地图要回答：哪些论文共享数据集和评测脚本，哪些论文报告了可比 baseline，哪些后续工作质疑或复用了原论文结果，哪些代码仓库、issue、模型卡和配置文件可以交叉核对。
如果你准备开题，地图要回答：方向里有哪些稳定问题、哪些争议、哪些尚未被充分测试的条件；你的 follow-up idea 是补一个缺失 baseline、改一个假设、换一个数据分布，还是提出一个更好的评测协议。
一张好地图通常能输出五个具体产物：
| 产物 | 作用 | 最低要求 |
|---|---|---|
| 种子论文表 | 定义入口 | 3-5 篇，覆盖任务、方法、评测或综述 |
| 候选文献池 | 避免只读熟悉论文 | 标注来源：引用、被引、推荐、关键词、会议 proceedings |
| 聚类图 | 看技术分支 | 每个聚类有名字、代表论文和边界 |
| 时间线 | 看问题演化 | 标注任务定义、数据集、模型假设和评测变化 |
| 研究问题清单 | 连接选题 | 每个问题对应可复现证据或可执行实验 |
注意最后一项。Related Work 的终点不是"我知道了方向"，而是"我能提出一个有根据的问题"。如果地图不能导出研究问题，它就只是视觉化收藏夹。
五步工作流：Seed、Expand、Cluster、Timeline、Questions
第一步：Seed，选择种子论文
不要一开始就搜 100 篇。先选 3-5 篇种子论文，每篇代表一个不同角色。
任务定义论文：提出或标准化问题，例如一个 benchmark、dataset、evaluation protocol 或 problem formulation。它决定方向里"什么算成功"。
方法代表论文：提出被后续广泛复用的结构、训练目标或推理范式。它决定方向里"怎么做"。
综述或路线论文：整理已有分支。它不一定最新，但能给你初始分类。
复现 / 负结果 / critique 论文：指出已有结论的限制。它决定你不会只沿着作者叙事读。
最新论文或技术报告：代表近期变化。它帮助你检查 2025-2026 年的新数据、新模型、新评测是否改变旧结论。
种子论文太少会偏，太多会乱。对一个训练营专题，建议从 5 篇开始：1 篇经典基础，1 篇近期综述，1 篇强方法，1 篇评测或数据论文，1 篇 critique / 复现 / 最新系统。
第二步：Expand，扩展引用网络
扩展不是随便点"related papers"。你需要记录每篇候选论文为什么进池。
第一类是 backward citation ：种子论文引用了谁。这能找到理论基础、任务来源、baseline 和方法组件。第二类是 forward citation ：谁引用了种子论文。这能找到后续改进、复现、争议和替代路径。第三类是 co-citation ：哪些论文经常被后续论文一起引用。这常对应一个共同问题或方法家族。第四类是 bibliographic coupling ：哪些论文引用了相似的参考文献。这能发现同一时期、同一问题设定下的邻近工作。第五类是 text / embedding similarity：标题摘要相似但引用关系不强的论文，适合补新论文和跨社区论文。
这里可以组合使用 Semantic Scholar、OpenAlex、arXiv、ACL Anthology、OpenReview 和会议 proceedings。Semantic Scholar API 官方说明覆盖论文、作者、引用、venue、SPECTER2 embeddings 与推荐服务；OpenAlex Works API 提供 works 的检索、过滤、排序、referenced_works、related_works、cited_by_count 等字段；arXiv API 支持 search_query、id_list、分页和按 submitted / updated date 排序。工具只负责扩大召回，研究者要负责筛选理由。
第三步：Cluster，聚类而不是分类
分类通常是你先有标签，再把论文放进去；聚类是先看论文关系，再给关系命名。Related Work 地图建议先聚类后命名，因为你一开始的分类很可能来自某篇综述或作者话术，不一定适合你的问题。
聚类可以用三种信号叠加：
| 信号 | 适合发现 | 常见风险 |
|---|---|---|
| 引用关系 | 学术传承、baseline、同一社区 | 新论文引用少，跨社区论文可能漏掉 |
| 文本相似 | 主题、任务、方法术语 | 容易被流行词误导 |
| 实验设置 | dataset、metric、模型规模、推理预算 | 需要手工抽取，成本较高 |
建议先做粗粒度聚类：每个聚类 5-15 篇。超过 20 篇，说明标签太宽；只有 1 篇，说明它可能是孤立论文、最新分支，或你召回不足。聚类命名不要用"方法 A 类""方法 B 类"这种懒标签，要用能表达研究问题的名字，例如"长上下文下的证据定位""图结构辅助的阅读顺序""citation-backed scientific synthesis""benchmark contamination 检测"。
第四步：Timeline，画技术时间线
同一聚类内部要按时间线读。时间线不是发表年份排序，而是"问题定义和证据标准如何演化"的序列。
你可以为每个分支记录五列：论文、年份 / venue、主问题、关键方法、证据材料。重点看变化点：什么时候出现新数据集，什么时候 baseline 从传统模型换成 LLM，什么时候评测从摘要级相似度转向 citation-level correctness，什么时候开源代码或复现材料变成社区关注点。
以 automatic related work generation 为例，早期工作常把任务近似成多文档摘要或 citation text generation；2024 年 EMNLP 的 Related Work and Citation Text Generation survey 系统整理了 RWG 的历史任务定义和挑战；2024 年 SDP 论文把结构化段落和 novelty statements 纳入任务；2025 年 ACL Findings 的 Select, Read, and Write 则把全文阅读、共享工作记忆和图感知阅读顺序引入框架。这条时间线说明：方向的核心难点不是"生成一段流畅文字"，而是选择文献、理解关系、组织结构和证明 novelty。
第五步：Questions，把地图转成研究问题
最后一步最容易被忽略。每个聚类至少写出一个问题，格式尽量可测试：
- 如果把 citation expansion 换成 embedding retrieval，候选文献覆盖率和噪声如何变化？
- 如果只用摘要而不用全文，Related Work 中的方法差异和 novelty statement 会漏掉什么？
- 如果使用 LLM 生成文献综述表，如何评估 citation correctness、coverage、contrastiveness 和 hallucination？
- 如果一个方向的新论文引用很少，怎样避免引用网络系统性低估它的重要性？
- 如果一个 benchmark 成为主流，后续论文是否过度围绕该 benchmark 优化而忽视外部分布？
这些问题可以直接变成复现实验、数据标注任务、survey 小节或开题 proposal。地图的价值就在这里：它把阅读从"理解已有结论"推进到"设计下一步证据"。
引用网络的三种边：直接引用、共被引、文献耦合
做 Related Work 地图时，最容易混淆三种关系。
直接引用 是有方向的边：论文 A 引用论文 B。它常表示方法来源、背景、对比对象或证据支持，但不能简单理解成"认可"。有些引用是批评，有些只是数据集或工具引用。
共被引 是后续文献同时引用两篇论文。Henry Small 在 1973 年提出 co-citation，用"两篇文献被一起引用的频率"刻画关系。它适合发现被社区共同理解为同一问题或同一基础的论文组。缺点是它滞后：新论文需要时间积累被引。
文献耦合 是两篇论文引用了相似参考文献。M. M. Kessler 在 1963 年提出 bibliographic coupling，用共享参考文献衡量论文相近性。它适合发现同期同主题工作，因为一篇论文发表时参考文献已经确定。缺点是如果作者遗漏或策略性引用，关系会被扭曲。
Derek de Solla Price 1965 年的 Networks of Scientific Papers 则把科学论文看作网络结构，为后来的 science mapping 奠定了重要视角。后续 VOSviewer、CiteSpace、PageRank 类 ranking、Semantic Scholar literature graph、OpenAlex 等系统，都是在不同粒度上扩展这一思想。
对 AI 读者来说，最重要的不是背这些术语，而是知道它们分别回答不同问题：
| 关系 | 问题 | 适合用途 |
|---|---|---|
| 直接引用 | A 从 B 借了什么或回应了什么 | 找方法来源、baseline、数据集 |
| 共被引 | 社区把哪些论文一起看 | 找经典基础和稳定子领域 |
| 文献耦合 | 哪些论文站在相似基础上 | 找同期竞争工作和近邻分支 |
| 文本相似 | 哪些论文谈相似主题 | 补新论文、跨社区论文 |
| 实验相似 | 哪些论文证据可比 | 做复现和实验对照 |
一张可靠地图不能只用一种边。只用直接引用会错过相似但互不引用的论文；只用 embedding 会把术语相近但任务不同的论文混在一起；只用引用次数会低估新论文和小社区工作。实践中建议把引用边作为骨架，把文本相似作为召回，把实验相似作为最终筛选。
代表论文与工具路线图
| 时间 | 资料 | 作用 |
|---|---|---|
| 1963 | Kessler, Bibliographic coupling between scientific papers | 用共享参考文献识别论文关系 |
| 1973 | Small, Co-citation in the scientific literature | 用共同被引识别研究专题结构 |
| 1999 | PageRank technical report | 用链接结构估计重要性，启发图排序 |
| 2010 | VOSviewer, Scientometrics | 文献计量地图和可视化工具代表 |
| 2018 | Construction of the Literature Graph in Semantic Scholar | 大规模学术文献图构建实践 |
| 2020 | SPECTER, ACL | citation-informed scientific paper embeddings |
| 2021 | PRISMA 2020 statement | 系统综述报告规范和检索流程透明化 |
| 2022 | SciNCL, EMNLP | 用 citation graph embedding 做科学文档对比学习 |
| 2024 | Related Work and Citation Text Generation survey, EMNLP | RWG 任务历史和挑战综述 |
| 2025 | Select, Read, and Write, ACL Findings | 全文 RWG、多 agent 阅读和图感知策略 |
| 2026 | OpenScholar, Nature / GitHub | 面向科学文献合成的 retrieval-augmented LM 系统 |
这条路线说明，Related Work 地图有两条技术传统。一条来自文献计量学：引用网络、聚类、可视化、科学地图。另一条来自 NLP / LLM：论文表示学习、文献检索、citation-aware generation、长文献合成。研究训练要把两条线合起来：用文献计量学保证结构，用 NLP 工具提高召回和整理效率，用人工审读确保问题边界和证据解释不被自动化工具替代。
如何给聚类命名：从关键词到 claim
聚类之后，最关键的动作是命名。命名不是贴关键词，而是压缩研究脉络。
差的命名是"RAG 类""Agent 类""LLM 类"。这些标签太大，不能说明差异。更好的命名要包含 对象、机制、证据或争议。例如：
- "citation-backed scientific synthesis"：对象是科学文献合成，机制是检索与引用支撑；
- "graph-aware reading order for RWG"：对象是 related work generation，机制是图感知阅读顺序；
- "benchmark contamination detection"：对象是评测污染，证据是检测协议；
- "full-text vs abstract-only literature understanding"：争议是全文信息是否必要。
命名时可以用三步。第一，列出聚类内 5 篇代表论文的主 claim。第二，找这些 claim 共享的变量：任务、数据、方法组件、评测指标或失败条件。第三，把变量写成一个可讨论的问题，而不是一个名词。例如不要写"Scientific RAG"，而写"科学文献合成中检索、reranking 和 citation verification 是否足以降低幻觉"。
如果一个聚类很难命名，通常有三种可能：候选论文太杂，需要拆分；你对论文理解还停留在摘要层；或者这个聚类本身是跨分支桥接点，值得单独标注为 "bridge papers"。桥接论文很重要，因为好的 follow-up idea 经常来自两个聚类之间：把一个分支的评测协议移到另一个分支，把一个分支的失败案例变成另一个分支的数据构造。
方法 / 实验对比表怎么做
Related Work 地图最终要落到表格。表格不是为了塞进论文，而是强迫你对齐变量。建议至少做两张表。
第一张是 方法对比表：
| 论文 | 问题定义 | 输入信息 | 核心机制 | 输出 | 关键假设 |
|---|---|---|---|---|---|
| 论文 A | 生成 citation sentence | 摘要 + 引用上下文 | 多文档摘要 | 单句或段落 | 摘要足够代表论文 |
| 论文 B | 结构化 Related Work | 多篇参考论文 | 主题分段 + novelty statement | 多段落 | 好 RWS 应显式说明 novelty |
| 论文 C | 全文 RWG | 全文 sections + graph | selector / reader / writer agents | RWS 草稿 | 阅读顺序和关系建模影响质量 |
第二张是 证据对比表：
| 论文 | 数据来源 | metric | baseline | 是否全文 | 是否开源 | 主要风险 |
|---|---|---|---|---|---|---|
| 论文 A | ACL / 引用句 | ROUGE 等 | 摘要模型 | 否 | 部分 | 指标偏向词面相似 |
| 论文 B | 自建结构化数据 | 结构和 novelty 指标 | SOTA LM | 部分 | 需核验 | novelty 判断主观 |
| 论文 C | 全文数据 | 自动 + 人工评估 | 多 base model | 是 | 代码数据公开 | 成本高，图结构依赖元数据质量 |
表格要服务判断，不要追求列越多越好。每一列都应帮助你回答一个问题：这些论文真的在比较同一件事吗？它们的证据是否支持主张？我如果要复现，最小可控变量是什么？
复现实操：用最小脚本构建自己的文献图
对工程背景读者，建议做一个最小可复现实验：输入 5 篇 arXiv / DOI / ACL Anthology ID，输出一个 50-100 篇候选论文的 Related Work 地图。
步骤如下：
- 准备种子表 ：
seed_id, title, year, venue, role, why_seed。不要只存标题，要存 DOI、arXiv ID、ACL ID 或 Semantic Scholar paperId。 - 拉取元数据：用 Semantic Scholar 或 OpenAlex 获取 title、abstract、year、venue、authors、references、citations、citation count、open access PDF。API 返回字段会变化，脚本中保留原始 JSON。
- 扩展候选池 ：每篇 seed 取 backward citations、forward citations、recommended papers 和关键词搜索结果。每条候选记录
source_reason，例如cited_by_seed_1、shares_references_with_seed_2、s2_recommendation。 - 去重与过滤：按 DOI、arXiv ID、ACL ID、title fuzzy match 去重。过滤明显无关领域、非论文页面、缺摘要且无法访问的记录。
- 计算关系边：直接引用边来自元数据；文献耦合边用共享 references 的 Jaccard 或 overlap；文本边用 title + abstract embedding；实验相似边先人工标注 dataset / metric。
- 聚类与可视化：用 NetworkX / igraph / Gephi / VOSviewer / Cytoscape 任选一种。节点大小可以用年内引用或人工重要性，颜色用聚类，边类型用线型。
- 人工审读 20 篇代表论文：每个聚类至少读 2-3 篇，不要直接相信聚类标签。
- 输出地图笔记：每个聚类写一句 claim、一句证据、一句局限、一句 follow-up。
这个最小实验不需要追求全自动。恰恰相反，手工标注 20 篇代表论文是训练价值最高的部分。自动化负责召回和可视化，研究者负责判断哪些关系有解释力。
LLM 可以帮什么，不能替你做什么
LLM 对 Related Work 地图很有用，但要放在正确位置。
它适合做四类辅助：把论文标题摘要整理成初始标签；从 PDF 中抽取 dataset、metric、baseline 和 claim；把一个聚类的论文压缩成待核验摘要；根据已有地图生成遗漏检查问题。OpenScholar 这类 retrieval-augmented scientific synthesis 系统说明，专门面向科学文献的检索、reranking、citation-backed generation 和 citation verification 可以显著改善普通 LLM 在文献合成中的覆盖和引用可靠性。其 GitHub 仓库也显示了系统包含检索、reranker、self-feedback、posthoc attribution 等组件，而不是单纯让模型凭记忆回答。
但 LLM 不适合替你做三件事。第一，不能替你决定论文是否真正相关。相关性取决于你的研究问题，而不是标题摘要相似度。第二，不能替你判断 claim 是否被实验支持。它可以抽取表格，但公平性、污染、统计显著性和 baseline 变量需要你核验。第三，不能替你写未经核查的引用叙事。2024 年 EMNLP 的 RWG survey 和 2025 年 ACL Findings 的全文 RWG 工作都强调，Related Work generation 的难点包括选择、组织、关系建模和 novelty 表达；这些正是科研训练要学习的部分。
实用原则是：LLM 生成的每一句 Related Work 叙述，都必须能追溯到你地图里的节点、边和原文证据。没有证据链，就只当草稿。
常见误区
误区一：地图越大越好。 1000 个节点的图通常没有阅读价值。训练营阶段建议控制在 50-100 篇候选、15-30 篇重点、5-8 篇精读。地图要可解释，不要只追求全。
误区二：引用次数等于重要性。 引用次数受年份、领域规模、工具属性和综述引用影响。新论文、负结果和跨领域论文可能引用少但很关键。可以用引用次数排序，但不能用它替代判断。
误区三：把相似论文当同一论文。 标题都写 "agent memory" 或 "scientific discovery"，并不代表任务、输入、metric 和失败条件相同。Related Work 地图必须标注问题定义。
误区四：只看作者引用，不看后续引用。 作者引用告诉你论文从哪里来，后续引用告诉你社区如何使用、改写或质疑它。两者缺一不可。
误区五：把 Related Work 写成"谁做了什么"。 更好的写法是"这个分支在解决什么变量，代表工作如何处理，证据有什么限制，本文为什么需要新的问题或方法"。
误区六：过度依赖自动综述。 2026 年 OpenReview 上已有关于 LLM 生成 literature review tables 评估的工作，关注准确性、完整性和整体质量评价困难。它提醒我们：LLM 可以辅助制表，但表格质量本身也需要被评价。
适合研究生继续做的选题
选题一：Related Work 地图的召回评估。 选 3 个 AI 子方向，以专家 curated reading list 为近似 gold set，比较关键词搜索、引用扩展、Semantic Scholar recommendations、OpenAlex related works 和 embedding retrieval 的召回率、噪声率与新论文覆盖。
选题二：全文信息对 Related Work 聚类的影响。 比较只用 title + abstract、加入 introduction、加入全文 sections 后，聚类标签和代表论文是否变化。这个选题适合复现 2025 年全文 RWG 工作中的一个小模块。
选题三：LLM 生成 Related Work 表格的核验协议。 设计一个 rubric，评估 citation correctness、coverage、contrastiveness、novelty statement、遗漏关键工作和 hallucinated citation。不要只用 ROUGE 或 embedding similarity。
选题四：引用网络中的新论文偏置。 分析 2024-2026 年某个 AI 方向的论文，比较 co-citation、bibliographic coupling 和 text similarity 对新论文的覆盖差异，提出一个 hybrid ranking。
选题五：从 OpenReview 讨论反推 Related Work 质量。 抽取 ICLR / NeurIPS / ACL 公开评审中关于 missing related work、novelty、baseline 和 positioning 的评论，构建一个"Related Work 缺陷分类表"。
这些选题都不需要训练大模型，但都能训练扎实科研能力：检索协议、数据清洗、人工标注、评价指标、复现实验和论证写作。
总结
Related Work 地图的核心不是画图，而是把论文关系变成研究判断。你需要从少量种子论文开始，用引用网络和文本检索扩大候选池，用聚类和时间线整理分支，再把每个分支压缩成 claim、证据、局限和 follow-up。经典文献计量学提供了直接引用、共被引和文献耦合这些结构工具；SPECTER、SciNCL、Semantic Scholar、OpenAlex 和 OpenScholar 等现代系统提高了科学文献检索与表示能力；但最终的研究问题仍必须由人来定义和核验。
对训练营读者，建议今天不要只读一篇论文。请选择你当前方向的 5 篇种子论文，做一张 50 篇以内的 Related Work 地图，并写出 5 个可测试问题。只要能完成这个动作，你的论文阅读就已经从"吸收信息"进入"组织证据和生成选题"的阶段。
参考资料
检索日期：2026-07-24。以下链接优先使用论文主页、官方文档、ACL Anthology、Nature、OpenReview、arXiv、项目仓库或工具官方页面。部分预印本、API 字段、代码仓库状态和模型 / 数据版本会变化，正式发布前建议人工复核。
- M. M. Kessler. 1963. Bibliographic coupling between scientific papers. American Documentation. https://doi.org/10.1002/asi.5090140103
- Henry Small. 1973. Co-citation in the scientific literature: A new measure of the relationship between two documents. Journal of the American Society for Information Science. https://doi.org/10.1002/asi.4630240406
- Derek J. de Solla Price. 1965. Networks of Scientific Papers. Science. https://pubmed.ncbi.nlm.nih.gov/14325149/
- Lawrence Page, Sergey Brin, Rajeev Motwani, Terry Winograd. 1999. The PageRank Citation Ranking: Bringing Order to the Web. Stanford InfoLab. https://ilpubs.stanford.edu/422/
- Nees Jan van Eck, Ludo Waltman. 2010. Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics. https://doi.org/10.1007/s11192-009-0146-3
- Waleed Ammar et al. 2018. Construction of the Literature Graph in Semantic Scholar. NAACL. https://aclanthology.org/N18-3011/
- Arman Cohan et al. 2020. SPECTER: Document-level Representation Learning using Citation-informed Transformers. ACL. https://aclanthology.org/2020.acl-main.207/
- Malte Ostendorff et al. 2022. Neighborhood Contrastive Learning for Scientific Document Representations with Citation Embeddings. EMNLP. https://aclanthology.org/2022.emnlp-main.802/
- Page et al. 2021. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. https://www.bmj.com/content/372/bmj.n71
- PRISMA 2020 statement official site and checklist. https://www.prisma-statement.org/prisma-2020-statement
- Xiangci Li, Jessica Ouyang. 2024. Related Work and Citation Text Generation: A Survey. EMNLP. https://aclanthology.org/2024.emnlp-main.767/
- Kazuya Nishimura et al. 2024. Toward Structured Related Work Generation with Novelty Statements. SDP. https://aclanthology.org/2024.sdp-1.5/
- Xiaochuan Liu et al. 2025. Select, Read, and Write: A Multi-Agent Framework of Full-Text-based Related Work Generation. Findings of ACL. https://aclanthology.org/2025.findings-acl.366/
- Akari Asai et al. 2026. Synthesizing scientific literature with retrieval-augmented language models. Nature. https://www.nature.com/articles/s41586-025-10072-4
- OpenScholar official implementation. https://github.com/akariasai/openscholar
- Semantic Scholar Academic Graph API overview and documentation. https://www.semanticscholar.org/product/api
- Semantic Scholar Recommendations API documentation. https://api.semanticscholar.org/api-docs/recommendations
- OpenAlex Works API documentation. https://developers.openalex.org/api-reference/works/list-works
- arXiv API User Manual. https://info.arxiv.org/help/api/user-manual.html
- OpenReview documentation. https://docs.openreview.net/
- Evaluating LLM-Generated Literature Review Tables: A Survey and Preliminary Study. OpenReview, 2026 workshop submission. https://openreview.net/forum?id=3y7kBvvq32