Abstract

Mit dem rasanten Anstieg der Zahl peer-reviewter Forschungsarbeiten greifen Wissenschaftler zunehmend auf soziale Plattformen zur Entdeckung neuer Inhalte zurück, während Autoren erhebliche Anstrengungen unternehmen, ihre Arbeiten zu bewerben, um Sichtbarkeit und Zitierungen zu gewährleisten. Um diesen Prozess zu vereinfachen und die Abhängigkeit von menschlicher Arbeit zu verringern, stellen wir Automatic Promotion (AutoPR) vor – eine neuartige Aufgabe, die Forschungsarbeiten in präzise, ansprechende und zeitnahe öffentliche Inhalte transformiert. Zur Gewährleistung einer strengen Evaluation veröffentlichen wir PRBench, einen multimodalen Benchmark, der 512 peer-reviewte Artikel hochwertigen Werbebeiträgen zuordnet und Systeme entlang dreier Dimensionen bewertet: Fidelity (Genauigkeit und Tonlage), Engagement (Zielgruppenansprache und Relevanz) sowie Alignment (Zeitpunkt und Kanaloptimierung). Außerdem führen wir PRAgent ein, einen Multi-Agenten-Framework, der AutoPR in drei Stufen automatisiert: Inhaltsextraktion mit multimodaler Vorarbeit, kollaborative Synthese zur Erzeugung hochwertiger Ergebnisse sowie plattformspezifische Anpassung zur Optimierung von Normen, Ton und Tags für maximale Reichweite. Im Vergleich zu direkten LLM-Pipelines auf PRBench zeigt PRAgent erhebliche Verbesserungen, darunter ein Anstieg der Gesamt-Watch-Time um 604 %, eine Steigerung der Likes um 438 % und mindestens eine Verdreifachung des Gesamt-Engagements. Ablationsstudien belegen, dass die Modellierung von Plattformen und gezielte Promotion die größten Beiträge zu diesen Verbesserungen leisten. Unsere Ergebnisse positionieren AutoPR als handhabbares, messbares Forschungsproblem und bieten einen Wegweiser für skalierbare, wirksame automatisierte wissenschaftliche Kommunikation.