Résumé

Alors que le volume de recherches peer-reviewed augmente de façon exponentielle, les chercheurs s’appuient de plus en plus sur les plateformes sociales pour découvrir de nouvelles publications, tandis que les auteurs consacrent d’importants efforts à promouvoir leurs travaux afin d’assurer leur visibilité et leurs citations. Afin de simplifier ce processus et de réduire la dépendance à l’effort humain, nous introduisons Automatic Promotion (AutoPR), une tâche originale qui transforme des articles scientifiques en contenus publics précis, percutants et opportuns. Pour permettre une évaluation rigoureuse, nous présentons PRBench, un benchmark multimodal qui associe 512 articles peer-reviewed à des publications promotionnelles de haute qualité, évaluant les systèmes selon trois axes : Fidélité (précision et ton), Engagement (ciblage de l’audience et attractivité), et Alignement (timing et optimisation des canaux). Nous introduisons également PRAgent, un cadre multi-agents qui automatisé AutoPR en trois étapes : extraction de contenu avec préparation multimodale, synthèse collaborative pour produire des outputs soignés, et adaptation spécifique aux plateformes afin d’optimiser les normes, le ton et les balises pour maximiser la portée. Comparé aux pipelines directs basés sur les LLM sur PRBench, PRAgent montre des améliorations significatives, incluant une augmentation de 604 % du temps total d’écoute, une hausse de 438 % des likes, et au moins un gain de 2,9 fois en engagement global. Des études d’ablation révèlent que la modélisation des plateformes et la promotion ciblée sont les facteurs contribuant le plus à ces gains. Nos résultats positionnent AutoPR comme un problème de recherche abordable et mesurable, offrant ainsi une feuille de route pour une communication scientifique automatisée, évolutive et à fort impact.