Resumen:El rápido crecimiento de la literatura de investigación, particularmente en modelos de lenguajes grandes (LLM), ha hecho que la producción de artículos de estudio completos y actuales sea cada vez más difícil. Este artículo presenta autosurvey2, un proceso de varias etapas que automatiza la generación de encuestas mediante síntesis aumentada de recuperación y evaluación estructurada. El sistema integra generación de secciones paralelas, refinamiento iterativo y recuperación en tiempo real de publicaciones recientes para garantizar tanto la integridad temática como la precisión de los hechos. La calidad se evalúa mediante un marco de evaluación de múltiples LLM que mide la cobertura, la estructura y la relevancia en consonancia con los estándares de revisión de expertos. Los resultados experimentales demuestran que autosurvey2 supera consistentemente las líneas de base automatizadas y basadas en recuperación existentes, logrando puntuaciones más altas en coherencia estructural y relevancia temática mientras mantiene una fuerte fidelidad de las citas. Al combinar la recuperación, el razonamiento y la evaluación automatizada en un marco unificado, autosurvey2 proporciona una solución escalable y reproducible para generar encuestas académicas de formato largo y aporta una base sólida para futuras investigaciones sobre la escritura académica automatizada. Todo el código y los recursos están disponibles en esta URL https.
Publicado originalmente en export.arxiv.org el 30 de octubre de 2025.
Ver fuente original
