EarthSE: A benchmark evaluating earth scientific exploration capability for large language models

Motivation

• Known: 최근 LLM의 과학 응용 연구가 활발하며, 다양한 과학 벤치마크(ScienceQA, SciBench, MMLU-Pro 등)가 개발되었음
• Gap: (1) 기존 벤치마크는 지구과학의 특수성을 반영하지 못한 일반 과학 중심 또는 기후학(ClimaQA), 해양학(OceanBench) 등 특정 소영역만 다룸 (2) 대부분 사실 회상과 추론 중심의 QA 형식만 평가하며, 개방형 과학탐사 능력(방법론 개선, 한계 분석, 가설 생성)을 평가하지 않음
• Why: 지구과학은 5개 권역(대기권, 수권, 암석권, 생물권, 우주권)을 포함하는 광범위한 학제간 분야로서, 기초 지식부터 고급 과학적 사고까지 다층적 평가가 필요함
• Approach: 10만 건의 지구과학 논문을 자료로 하여 (1) 광범위한 기초 평가용 QA 데이터셋 Earth-Iron (2) 고난도 전문 지식 평가용 Earth-Silver (3) 개방형 과학탐사 능력 평가를 위한 다중 턴 대화 데이터셋 Earth-Gold 구성

Achievement

Figure 2: EarthSE가 포괄하는 지구과학 114개 학문 분야

Figure 3: EarthSE 구성 프로세스. 10만 건의 논문으로부터 3단계 벤치마크(Earth-Iron, Earth-Silver, Earth-Gold)의 자동화된 구성을 통해 지식 커버리지, 전문 숙련도, 과학탐사 능력의 포괄적 평가 가능

1. 포괄적 다층 벤치마크 구축:
   • Earth-Iron: 114개 하위 학문, 11개 과제 카테고리에 걸친 4,133개 질문
   • Earth-Silver: 고영향 저널의 고난도 질문
   • Earth-Gold: 개방형 다중 턴 대화 기반 과학탐사 능력 평가
2. 새로운 평가 메트릭 도입:
   • SES(Scientific Exploration Score) 메트릭으로 방법론 귀납(M_{i+1}), 한계 분석(L_{i+1})을 반복적 자기부정 프로세스 (M_{i+1}, L_{i+1}) = LLM(M_i, L_i)로 평가
3. 주류 11개 LLM의 한계 노출: 복잡한 지구과학 추론과 개방형 과학탐사에서 현저한 부족함을 실증적으로 규명

How

Figure 4: Phc(고인용도 코어 데이터셋)의 논문 인용도 분포

• 자료 수집 및 분류:
  • 10만 건의 지구과학 학술논문을 PDF에서 구조화된 JSON으로 변환(MinerU 활용)
  • 초록의 의미 유사도 분석과 지구 권역 키워드를 통해 5개 권역으로 분류
  • 계층적 선별: P_{base}(10만 건) → P_{hj}(고영향 저널 1만 건) → P_{hc}(고인용도 상위 10% 1천 건)
• 기초 과제 정의: 11개 기초 과제 (1) 이해 영역: 용어 설명, 지식 QA, 사실 검증 (2) 추론 영역: 분석, 관계 추출, 계산 (3) 연구 영역: 도구 활용, 문헌 인용, 데이터셋 추천, 모델 적용, 방법론 개선
• 과학탐사 과제 정의:
  • "기존 작업의 한계 분석 → 새로운 방법 제안" 패턴 추출
  • 반복적 자기부정 프로세스: (M_{i+1}, L_{i+1}) = LLM(M_i, L_i)
  • 다중 턴 대화를 통해 자기비판과 자기개선 능력 평가
• 자동화 및 품질 관리:
  • 사전 정의된 과제 공식을 활용한 고품질 QA 쌍의 자동 생성
  • 과학적 탐사 워크플로우를 추출하여 다중 턴 대화 구조화
  • 자동화된 정제와 인간 검증을 통한 품질 보증

Originality

• 지구과학 특화: 114개 세부 학문과 5개 권역을 포괄하는 최초의 통합 지구과학 벤치마크
• 개방형 과학탐사 평가: 기존의 사실 회상/추론 중심 평가를 넘어 방법론 귀납, 한계 분석, 개념 제안 등 고차 인지 능력을 평가하는 새로운 패러다임 제시
• 신규 평가 메트릭 SES: 반복적 자기부정 프로세스로 과학적 사고의 진정성을 정량화
• 다층 데이터셋 구조: 동일 자료원으로부터 기초→중급→고급 수준의 평가를 위한 3단계 데이터셋 일관성 있게 구성

Limitation & Further Study

• 자동화 파이프라인의 한계: 자동화된 QA 쌍 생성 및 대화 구조화가 완벽하지 않을 수 있으며, 인간 검증의 규모와 기준이 명확하지 않음
• 평가 메트릭의 객관성: SES 메트릭이 개방형 과학탐사를 정량화하는 방식의 신뢰성과 재현성에 대한 심층 분석 부족
• 모델 성능 해석의 깊이: 11개 LLM의 한계를 노출하지만, 각 한계의 근본 원인(훈련 데이터 부족, 아키텍처 제약, 추론 능력 부족 등)에 대한 구체적 진단 부재
• 후속 연구 방향:
  • 멀티모달 지구 데이터(위성 영상, 지진파 등)를 포함한 확장
  • 다국어 지구과학 벤치마크 개발
  • 과학탐사 능력 향상을 위한 LLM 미세조정 방법론 연구
  • 실제 지구과학 연구 프로세스와의 정합성 검증

Evaluation

총평: EarthSE는 지구과학 분야에서 기초 지식부터 개방형 과학탐사 능력까지 다층적으로 평가하는 최초의 포괄적 벤치마크로서 상당한 학술적·실무적 가치를 제공한다. 특히 SES 메트릭을 통한 과학적 사고의 정량화는 향후 LLM 과학 응용 평가의 새로운 방향을 제시할 수 있다. 다만 자동화 파이프라인의 기술적 세부사항, 평가 메트릭의 객관성 검증, 모델 성능 저조의 근본 원인 분석 등이 보강되면 더욱 강력한 벤치마크가 될 수 있을 것으로 예상된다.