ResearchStudio-Idea : une suite de compétences en idéation de recherche fondée sur des preuves issue des résultats de conférences en apprentissage automatique

Résumé

Les grands modèles de langage ont rendu l'idéation de recherche de plus en plus accessible, mais un développement efficace des idées nécessite davantage que la simple génération de directions candidates. Les chercheurs doivent ancrer un problème dans la littérature actuelle, identifier des blocages significatifs, se différencier des solutions existantes et évaluer les risques avant de s'engager dans la mise en œuvre. Nous présentons ResearchStudio-Idea comme une suite de compétences réutilisables pour ce premier kilomètre de l'idéation de recherche. Cette suite inclut Paper-Search, une compétence autonome de recherche documentaire multi-sources ; Scoop-Check, un vérificateur autonome d'antériorité pour les affirmations de nouveauté ; et IdeaSpark, la compétence de bout en bout qui compose en un seul flux de travail la vérification des preuves, la génération guidée par motifs, la recherche de collisions, l'audit et le rendu de fiches d'idées. IdeaSpark est construit à partir d'un corpus de 1 947 articles de conférences en apprentissage automatique collectés entre ICLR, ICML et NeurIPS de 2021 à 2025, incluant les articles oraux, un sous-ensemble à forte citation suivi séparément, et des soumissions rejetées. L'analyse de ces résultats révèle 31 sous-motifs d'idéation récurrents, consolidés en 15 motifs d'idéation réutilisables. Chaque motif est opérationnalisé sous forme d'une fiche structurée contenant des contextes de recherche, des types de blocages, des stratégies de différenciation, des précédents étayés et des modes d'échec courants. Étant donné un problème de recherche et un ensemble de preuves, IdeaSpark évalue la préparation des preuves, reconstruit le contexte de recherche environnant, identifie les blocages non résolus, sélectionne les motifs pertinents, instancie une direction candidate, récupère d'éventuels travaux antérieurs conflictuels et effectue un audit informé par les résultats. Ce flux de travail transforme des motifs d'idéation réutilisables en propositions de recherche traçables. Des évaluations aveugles par juge automatique montrent qu'IdeaSpark produit systématiquement des propositions de recherche plus solides que les références sans compétence et avec compétence générique, tout en maintenant une compétitivité en matière de nouveauté.

English

Large language models have made research ideation increasingly accessible, yet effective idea development requires more than generating candidate directions. Researchers must ground a problem in current literature, identify meaningful bottlenecks, differentiate from existing solutions, and evaluate risks before committing to implementation. We present ResearchStudio-Idea as a reusable skill suite for this first mile of research ideation. The suite includes Paper-Search, a standalone multi-source literature search skill; Scoop-Check, a standalone prior-art collision checker for novelty claims; and IdeaSpark, the end-to-end skill that composes evidence grounding, pattern-guided generation, collision retrieval, audit, and idea-card rendering into one workflow. IdeaSpark is constructed from a corpus of 1,947 machine learning conference papers collected from ICLR, ICML, and NeurIPS between 2021 and 2025, including Oral papers, a separately tracked high-citation subset, and rejected submissions. Analysis of these outcomes reveals 31 recurring ideation sub-patterns, consolidated into 15 reusable ideation patterns. Each pattern is operationalized as a structured card containing research contexts, bottleneck types, differentiation strategies, supporting precedents, and common failure modes. Given a research problem and an evidence bundle, IdeaSpark evaluates evidence readiness, reconstructs the surrounding research context, identifies unresolved bottlenecks, selects relevant patterns, instantiates one candidate direction, retrieves potentially conflicting prior work, and performs outcome-informed auditing. This workflow transforms reusable ideation patterns into traceable research proposals. Blind automated-judge evaluations show that IdeaSpark consistently produces stronger research proposals than no-skill and generic-skill baselines while maintaining competitive novelty.