Bailando con Cadenas: Persuasión Estratégica en la Réplica Académica mediante la Teoría de la Mente

Dancing in Chains: Strategic Persuasion in Academic Rebuttal via Theory of Mind

January 22, 2026

Autores: Zhitao He, Zongwei Lyu, Yi R Fung

cs.AI

Resumen

Aunque la inteligencia artificial (IA) se ha integrado profundamente en diversas etapas del flujo de trabajo investigador y ha logrado avances notables, la refutación académica sigue siendo un desafío significativo y poco explorado. Esto se debe a que la refutación es un proceso complejo de comunicación estratégica bajo una severa asimetría de información, más que un simple debate técnico. En consecuencia, los enfoques actuales tropiezan al imitar en gran medida aspectos lingüísticos superficiales, omitiendo el elemento esencial de la adopción de perspectivas necesario para una persuasión efectiva. En este artículo, presentamos RebuttalAgent, el primer marco que fundamenta la refutación académica en la Teoría de la Mente (ToM), operacionalizada mediante una canalización ToM-Estrategia-Respuesta (TSR) que modela el estado mental del revisor, formula una estrategia de persuasión y genera una respuesta fundamentada en la estrategia. Para entrenar nuestro agente, construimos RebuttalBench, un conjunto de datos a gran escala sintetizado mediante un novedoso enfoque de crítica y refinamiento. Nuestro proceso de entrenamiento consta de dos etapas, comenzando con una fase de ajuste fino supervisado para dotar al agente de capacidades de análisis basadas en la ToM y planificación estratégica, seguida de una fase de aprendizaje por refuerzo que aprovecha un mecanismo de autorecompensa para una mejora autoescalable. Para una evaluación automatizada fiable y eficiente, desarrollamos además Rebuttal-RM, un evaluador especializado entrenado con más de 100.000 muestras de datos de refutación de múltiples fuentes, que logra una consistencia de puntuación con las preferencias humanas que supera al potente modelo juez GPT-4.1. Experimentos exhaustivos muestran que RebuttalAgent supera significativamente al modelo base en un promedio del 18.3% en métricas automatizadas, mientras que también supera a modelos propietarios avanzados tanto en evaluaciones automatizadas como humanas. Aviso: el contenido de refutación generado es solo de referencia para inspirar a los autores y asistir en la redacción. No está destinado a reemplazar el análisis crítico y la respuesta propios del autor.

English

Although artificial intelligence (AI) has become deeply integrated into various stages of the research workflow and achieved remarkable advancements, academic rebuttal remains a significant and underexplored challenge. This is because rebuttal is a complex process of strategic communication under severe information asymmetry rather than a simple technical debate. Consequently, current approaches struggle as they largely imitate surface-level linguistics, missing the essential element of perspective-taking required for effective persuasion. In this paper, we introduce RebuttalAgent, the first framework to ground academic rebuttal in Theory of Mind (ToM), operationalized through a ToM-Strategy-Response (TSR) pipeline that models reviewer mental state, formulates persuasion strategy, and generates strategy-grounded response. To train our agent, we construct RebuttalBench, a large-scale dataset synthesized via a novel critique-and-refine approach. Our training process consists of two stages, beginning with a supervised fine-tuning phase to equip the agent with ToM-based analysis and strategic planning capabilities, followed by a reinforcement learning phase leveraging the self-reward mechanism for scalable self-improvement. For reliable and efficient automated evaluation, we further develop Rebuttal-RM, a specialized evaluator trained on over 100K samples of multi-source rebuttal data, which achieves scoring consistency with human preferences surpassing powerful judge GPT-4.1. Extensive experiments show RebuttalAgent significantly outperforms the base model by an average of 18.3% on automated metrics, while also outperforming advanced proprietary models across both automated and human evaluations. Disclaimer: the generated rebuttal content is for reference only to inspire authors and assist in drafting. It is not intended to replace the author's own critical analysis and response.