DRPG (Scomponi, Recupera, Pianifica, Genera): Un Framework Agente per la Replica Accademica

DRPG (Decompose, Retrieve, Plan, Generate): An Agentic Framework for Academic Rebuttal

January 26, 2026

Autori: Peixuan Han, Yingjie Yu, Jingjun Xu, Jiaxuan You

cs.AI

Abstract

Nonostante la crescente adozione di grandi modelli linguistici (LLM) nei flussi di lavoro della ricerca scientifica, il supporto automatizzato per la replica accademica, una fase cruciale della comunicazione accademica e della revisione paritaria, rimane in gran parte inesplorato. Gli approcci esistenti si basano tipicamente su LLM standard o su pipeline semplici, che faticano nella comprensione di contesti lunghi e spesso non riescono a produrre risposte mirate e persuasive. In questo articolo, proponiamo DRPG, un framework agente per la generazione automatica di repliche accademiche che opera attraverso quattro fasi: scomporre le revisioni in critiche atomiche, recuperare evidenze rilevanti dall'articolo, pianificare le strategie di replica e generare le risposte di conseguenza. In particolare, il Pianificatore in DRPG raggiunge un'accuratezza superiore al 98% nell'identificare la direzione di replica più fattibile. Esperimenti su dati provenienti da conferenze di alto livello dimostrano che DRPG supera significativamente le pipeline di replica esistenti e raggiunge prestazioni superiori alla media umana utilizzando solo un modello da 8B. La nostra analisi dimostra ulteriormente l'efficacia del design del pianificatore e il suo valore nel fornire suggerimenti multi-prospettici e spiegabili. Abbiamo anche mostrato che DRPG funziona bene in un contesto multi-round più complesso. Questi risultati evidenziano l'efficacia di DRPG e il suo potenziale nel fornire contenuti di replica di alta qualità e nel supportare la scalabilità delle discussioni accademiche. I codici per questo lavoro sono disponibili all'indirizzo https://github.com/ulab-uiuc/DRPG-RebuttalAgent.

English

Despite the growing adoption of large language models (LLMs) in scientific research workflows, automated support for academic rebuttal, a crucial step in academic communication and peer review, remains largely underexplored. Existing approaches typically rely on off-the-shelf LLMs or simple pipelines, which struggle with long-context understanding and often fail to produce targeted and persuasive responses. In this paper, we propose DRPG, an agentic framework for automatic academic rebuttal generation that operates through four steps: Decompose reviews into atomic concerns, Retrieve relevant evidence from the paper, Plan rebuttal strategies, and Generate responses accordingly. Notably, the Planner in DRPG reaches over 98% accuracy in identifying the most feasible rebuttal direction. Experiments on data from top-tier conferences demonstrate that DRPG significantly outperforms existing rebuttal pipelines and achieves performance beyond the average human level using only an 8B model. Our analysis further demonstrates the effectiveness of the planner design and its value in providing multi-perspective and explainable suggestions. We also showed that DRPG works well in a more complex multi-round setting. These results highlight the effectiveness of DRPG and its potential to provide high-quality rebuttal content and support the scaling of academic discussions. Codes for this work are available at https://github.com/ulab-uiuc/DRPG-RebuttalAgent.