大規模言語モデル（LLM）を活用した学術査読支援システムの研究が進む中、既存のLLMベースのレビュアーにはいくつかの構造的な限界があります。従来のアプローチは原稿から直接レビューへ変換するため、評価基準となるルーブリックが暗黙的なままとなり、その導出プロセスと最終判定が混在してしまう傾向にあります。さらに、現在のシステムはいずれか一方の側面しか捉えていません。訓練を使わないエージェントは広範な証拠を集めますが、焦点を絞った批評を生成できず、一方で訓練ベースのレビュアーは人間の判別能力を学習する際に、人間が持つ偏見やバイアスも一緒に受け継いでしまうという課題があります。 これらの問題に対応するため、新しいフレームワークである「RubricReviewer」が提案されました。このシステムの特徴は、ルーブリック生成を明示的な中間ステップとすることで、レビュー生成と最終評価の両方が論文に適応したルーブリックに基づいて行われます。さらに、外部証拠を収集する訓練フリーエージェント「Scout」と、その証拠を消費する人間的価値観と一致した訓練済みモデル「Aligner」を組み合わせることで、両方の監督源の強みを融合させています。 実際の投稿論文を用いた実験では、RubricReviewerが先行システムと比べ、より包括的でかつ判別力の高いレビューを生成することが示されました。特に、悪意のあるプロンプトインジェクション攻撃に対する堅牢性においても最強の性能を示しています。消融研究により、各コンポーネントの必要性も確認されており、この新しいアプローチが学術査読支援の実質的な改善をもたらす可能性が高いとされています。