생성적 요약 (Abstractive summarization)은 과학 문헌의 효율적인 이해를 가능하게 하는 데 중요한 역할을 하지만, 본질적으로 언어적 유창성 (linguistic fluency)과 사실적 충실성 (factual faithfulness)을 모두 요구합니다. 기존의 접근 방식들은 종종 이 두 가지 요구 사항을 조화시키는 데 실패합니다. 추출적 방법 (Extractive methods)은 거시적 수준의 논리적 일관성을 해치는 경직된 문장 이어붙이기에 의존하는 반면, 대규모 언어 모델 (LLM) 기반의 생성적 접근 방식은 언어적 유창성은 숙달했음에도 불구하고 사실적 일관성 (factual consistency)이 제한적입니다. 본 연구에서는 유창하고 충실한 과학적 요약을 위해 학생-교사 글쓰기 과정을 모방한 계층적 성찰 그래프 기반 프레임워크인 ScholarSum을 제안합니다. ScholarSum은 먼저 문서를 의미론적으로 일관된 단위로 분할하여 계층적 지식 그래프 (knowledge graph)로 구성하며, 이 다층적 커뮤니티 구조는 전역적 논리와 거시적 수준의 주제를 포착합니다. 이러한 전역적 구조의 안내에 따라 학생 (student)이 초안을 생성하면, 이후 세밀한 증거 검색 (evidence retrieval)을 통해 정교화됩니다. 사실적 일관성을 보장하기 위해 교사 (teacher)와 같은 검토자가 초안을 반복적으로 검토하여 근거가 없는 내용을 식별하고, 요약이 엄격한 품질 표준을 충족할 때까지 표적 재검색 및 재작성을 유도합니다. 광범위한 실험을 통해 ScholarSum이 완전성 (completeness)과 충실성 (faithfulness) 측면 모두에서 이전의 베이스라인 (baselines) 모델들을 크게 능가함을 입증했습니다. 우리의 코드는 https://github.com/Xiaoyu-Tao/ScholarSum 에서 확인할 수 있습니다.