ReviewGrounder：ルーブリックに導かれツール連携するエージェントでレビューの実質性を高める

要旨: AIカンファレンスへの投稿の急速な増加により、査読支援のための大規模言語モデル（LLM）の活用がますます検討されるようになってきました。しかし、LLMベースの査読者は、実質的でエビデンスに基づいたフィードバックを欠く、表面的で定型的なコメントを生成しがちです。私たちはこの問題を、人間の査読における2つの重要な構成要素である、明示的なルーブリックと、既存研究における文脈に基づく根拠づけが十分に活用されていないことに起因すると考えます。これに対処するため、REVIEWBENCHを導入します。REVIEWBENCHは、公式ガイドライン、当該論文の内容、人手による査読をもとに論文固有のルーブリックから導出し、そのルーブリックに従ってレビュー文を評価するベンチマークです。さらに、REVIEWGROUNDERとして、ルーブリックに導かれ、ツール統合型のマルチエージェント枠組みを提案します。これは査読を、作成（drafting）段階と根拠づけ（grounding）段階に分解し、的を絞ったエビデンスの統合作業によって浅いドラフトを強化します。REVIEWBENCHに関する実験では、Phi-4-14Bベースのドラフタと、GPT-OSS-120Bベースの根拠づけ段階を用いるREVIEWGROUNDERが、8つの次元すべてにおいて、人間の判断への整合性とルーブリックに基づく査読品質の両面で、より強力／より大規模なバックボーン（たとえばGPT-4.1やDeepSeek-R1-670B）を含むベースラインを一貫して大幅に上回ることを示します。コードは\href{https://github.com/EigenTom/ReviewGrounder}{こちら}で利用可能です。