文章主要内容和创新点主要内容本文聚焦学术论文的新颖性评估（尤其是方法新颖性），旨在解决传统评估方法的局限性：人类专家知识有限，基于引用组合的量化方法有效性存疑。研究提出一种融合人类专家知识与大型语言模型（LLMs）知识的协作方法，具体包括：从同行评审报告中提取与新颖性相关的句子（人类知识），并利用LLM总结论文的方法部分（LLM知识）；基于上述数据微调预训练语言模型（PLMs，如BERT、SciBERT等），用于预测论文的方法新颖性；设计带有新颖稀疏注意力（Sparse-Attention）的文本引导融合模块，以更好地整合人类与LLM的知识；基于ICLR 2022会议的论文及评审数据（以技术新颖性和显著性评分TNS为金标准）进行实验，验证了该方法的优越性。创新点方法创新：提出一种结合人类专家知识与LLM知识的方法新颖性预测框架，突破了单一依赖人类或模型的局限；模块设计：设计文本引导融合模块，通过稀疏注意力机制有效整合两种知识，提升模型对新颖性的理解；数据与任务：针对方法新颖性（学术论文中最常见的新颖性类型）展开研究，利用ICLR的TNS评分作为金标准，构建了针对性数据集；有效性验证：通过大量实验证明，融合人类与LLM知识的模型性能显著优于单一知识源或传统基线模型。