AutoPR: Laten we uw academische promotie automatiseren!

AutoPR: Let's Automate Your Academic Promotion!

October 10, 2025

Auteurs: Qiguang Chen, Zheng Yan, Mingda Yang, Libo Qin, Yixin Yuan, Hanjing Li, Jinhao Liu, Yiyan Ji, Dengyun Peng, Jiannan Guan, Mengkang Hu, Yantao Du, Wanxiang Che

cs.AI

Samenvatting

Naarmate het volume aan peer-reviewed onderzoek toeneemt, vertrouwen wetenschappers steeds meer op sociale platforms voor ontdekking, terwijl auteurs aanzienlijke inspanningen leveren om hun werk te promoten om zichtbaarheid en citaties te garanderen. Om dit proces te stroomlijnen en de afhankelijkheid van menselijke inspanning te verminderen, introduceren we Automatic Promotion (AutoPR), een nieuwe taak die onderzoeksartikelen omzet in nauwkeurige, boeiende en tijdige publieke content. Om een rigoureuze evaluatie mogelijk te maken, lanceren we PRBench, een multimodale benchmark die 512 peer-reviewed artikelen koppelt aan hoogwaardige promotieposts, waarbij systemen worden beoordeeld langs drie assen: Trouw (nauwkeurigheid en toon), Betrokkenheid (doelgroepgerichtheid en aantrekkelijkheid), en Afstemming (timing en kanaaloptimalisatie). We introduceren ook PRAgent, een multi-agent framework dat AutoPR automatiseert in drie fasen: contentextractie met multimodale voorbereiding, collaboratieve synthese voor gepolijste outputs, en platformspecifieke aanpassing om normen, toon en tagging te optimaliseren voor maximale reikwijdte. In vergelijking met directe LLM-pipelines op PRBench, toont PRAgent aanzienlijke verbeteringen, waaronder een stijging van 604% in totale kijktijd, een toename van 438% in likes, en minstens een 2,9x boost in totale betrokkenheid. Ablatiestudies tonen aan dat platformmodellering en gerichte promotie het meest bijdragen aan deze winsten. Onze resultaten positioneren AutoPR als een behapbaar, meetbaar onderzoeksprobleem en bieden een routekaart voor schaalbare, impactvolle geautomatiseerde wetenschappelijke communicatie.

English

As the volume of peer-reviewed research surges, scholars increasingly rely on social platforms for discovery, while authors invest considerable effort in promoting their work to ensure visibility and citations. To streamline this process and reduce the reliance on human effort, we introduce Automatic Promotion (AutoPR), a novel task that transforms research papers into accurate, engaging, and timely public content. To enable rigorous evaluation, we release PRBench, a multimodal benchmark that links 512 peer-reviewed articles to high-quality promotional posts, assessing systems along three axes: Fidelity (accuracy and tone), Engagement (audience targeting and appeal), and Alignment (timing and channel optimization). We also introduce PRAgent, a multi-agent framework that automates AutoPR in three stages: content extraction with multimodal preparation, collaborative synthesis for polished outputs, and platform-specific adaptation to optimize norms, tone, and tagging for maximum reach. When compared to direct LLM pipelines on PRBench, PRAgent demonstrates substantial improvements, including a 604% increase in total watch time, a 438% rise in likes, and at least a 2.9x boost in overall engagement. Ablation studies show that platform modeling and targeted promotion contribute the most to these gains. Our results position AutoPR as a tractable, measurable research problem and provide a roadmap for scalable, impactful automated scholarly communication.