초록

학술 논문의 양이 급증함에 따라 연구자들은 발견을 위해 점점 더 사회적 미디어 플랫폼에 의존하게 되었고, 저자들은 논문의 가시성과 인용률을 높이기 위해 자신의 연구를 홍보하는 데 상당한 노력을 기울이고 있다. 이러한 과정을 간소화하고 인간의 노력에 대한 의존도를 줄이기 위해, 우리는 정확하고 매력적이며 시의적절한 대중 콘텐츠로 연구 논문을 변환하는 새로운 과제인 자동 홍보(Automatic Promotion, AutoPR)를 제안한다. 엄격한 평가를 가능하게 하기 위해, 512편의 동료 검토 논문과 고품질 홍보 게시물을 연결한 다중모달 기준(PR-Bench)을 공개한다. 이 기준은 세 가지 축을 기준으로 시스템을 평가한다: 충실도(Fidelity, 정확성과 어조), 참여도(Engagement, 대상자 타겟팅 및 매력도), 일치도(Alignment, 적절한 시점과 채널 최적화). 또한, 콘텐츠 추출 및 다중모달 준비, 협업적 합성을 통한 정교한 출력 생성, 플랫폼별 적응을 통해 규범, 어조, 태그 최적화를 통해 최대한의 노출을 달성하는 세 단계로 자동화된 AutoPR을 수행하는 다중 에이전트 프레임워크인 PRAgent를 도입한다. PRBench에서 직접적인 대규모 언어 모델(LLM) 파이프라인과 비교했을 때, PRAgent는 총 시청 시간이 604% 증가하고 좋아요 수가 438% 증가하며, 전반적인 참여도는 최소 2.9배 향상되는 등 상당한 성능 향상을 보였다. 분석 실험(Ablation study) 결과, 플랫폼 모델링과 타겟 기반 홍보가 이러한 성과 향상의 주요 기여 요소임을 확인했다. 본 연구 결과는 AutoPR이 실현 가능하고 측정 가능한 학술 연구 문제로 자리매김할 수 있음을 보여주며, 확장 가능하고 영향력 있는 자동 학술 커뮤니케이션을 위한 구체적인 로드맵을 제시한다.