Förderung wissenschaftlicher Kreativität durch LLM-gestützte interdisziplinäre Inspiration

Sparking Scientific Creativity via LLM-Driven Interdisciplinary Inspiration

March 12, 2026

Autoren: Priyanka Kargupta, Shuhaib Mehri, Dilek Hakkani-Tur, Jiawei Han

cs.AI

Zusammenfassung

Obwohl interdisziplinäre Forschung zu größeren und langfristigeren Wirkungen führt, bleibt die meiste Arbeit auf wissenschaftliche Einzeldisziplinen beschränkt. Neuere KI-basierte Ansätze für wissenschaftliche Entdeckungen zeigen Potenzial für interdisziplinäre Forschung, konzentrieren sich jedoch oft darauf, Experimente und Lösungen schnell zu entwerfen, und umgehen dabei die explorativen, kollaborativen Denkprozesse, die kreative interdisziplinäre Durchbrüche vorantreiben. Infolgedessen priorisieren bisherige Bemühungen weitgehend die Automatisierung wissenschaftlicher Entdeckungen anstatt die Erweiterung der Denkprozesse, die wissenschaftlichen Umbruch ermöglichen. Wir stellen Idea-Catalyst vor, einen neuartigen Rahmen, der systematisch interdisziplinäre Erkenntnisse identifiziert, um kreatives Denken sowohl bei Menschen als auch bei großen Sprachmodellen zu unterstützen. Ausgehend von einem abstrakten Forschungsziel ist Idea-Catalyst darauf ausgelegt, die Brainstorming-Phase zu unterstützen und dabei ein vorzeitiges Festlegen auf bestimmte Lösungen explizit zu vermeiden. Der Rahmen verkörpert wesentliche metakognitive Merkmale interdisziplinären Denkens: (a) Definition und Bewertung von Forschungszielen, (b) Bewusstsein für die Chancen und ungelösten Herausforderungen einer Domäne und (c) strategische Erkundung interdisziplinärer Ideen basierend auf ihrem Wirkungspotenzial. Konkret zerlegt Idea-Catalyst ein abstraktes Ziel (z.B. Verbesserung der Mensch-KI-Kollaboration) in Kernforschungsfragen der Zieldomäne, die die Analyse von Fortschritten und offenen Herausforderungen innerhalb dieser Domäne leiten. Diese Herausforderungen werden als domänenunabhängige konzeptionelle Probleme neu formuliert, was die Ableitung von Erkenntnissen aus externen Disziplinen (z.B. Psychologie, Soziologie) ermöglicht, die analoge Probleme behandeln. Durch die Synthese und Neukontextualisierung dieser Erkenntnisse zurück in die Zieldomäne priorisiert Idea-Catalyst Quellendisziplinen nach ihrem interdisziplinären Potenzial. Empirisch steigert diese gezielte Integration die durchschnittliche Neuartigkeit um 21 % und die Einsichtstiefe um 16 %, während sie im ursprünglichen Forschungsproblem verankert bleibt.

English

Despite interdisciplinary research leading to larger and longer-term impact, most work remains confined to single-domain academic silos. Recent AI-based approaches to scientific discovery show promise for interdisciplinary research, but many prioritize rapidly designing experiments and solutions, bypassing the exploratory, collaborative reasoning processes that drive creative interdisciplinary breakthroughs. As a result, prior efforts largely prioritize automating scientific discovery rather than augmenting the reasoning processes that underlie scientific disruption. We present Idea-Catalyst, a novel framework that systematically identifies interdisciplinary insights to support creative reasoning in both humans and large language models. Starting from an abstract research goal, Idea-Catalyst is designed to assist the brainstorming stage, explicitly avoiding premature anchoring on specific solutions. The framework embodies key metacognitive features of interdisciplinary reasoning: (a) defining and assessing research goals, (b) awareness of a domain's opportunities and unresolved challenges, and (c) strategic exploration of interdisciplinary ideas based on impact potential. Concretely, Idea-Catalyst decomposes an abstract goal (e.g., improving human-AI collaboration) into core target-domain research questions that guide the analysis of progress and open challenges within that domain. These challenges are reformulated as domain-agnostic conceptual problems, enabling retrieval from external disciplines (e.g., Psychology, Sociology) that address analogous issues. By synthesizing and recontextualizing insights from these domains back into the target domain, Idea-Catalyst ranks source domains by their interdisciplinary potential. Empirically, this targeted integration improves average novelty by 21% and insightfulness by 16%, while remaining grounded in the original research problem.