ResearchStudio-Idea：ML会議成果から導き出したエビデンスに基づく研究構想スキルスイート

要旨

大規模言語モデルにより研究アイデア創出の敷居は低くなったが、効果的なアイデア開発には候補方向の生成以上のものが求められる。研究者は、問題を最新の文献に基づいて位置づけ、意味のあるボトルネックを特定し、既存の解決策との差別化を図り、実装に着手する前にリスクを評価しなければならない。本稿では、研究アイデア創出の最初の段階（ファーストマイル）のための再利用可能なスキル群として、ResearchStudio-Ideaを提案する。このスキル群には、マルチソースからの文献検索を独立して行うPaper-Search、新規性の主張に関する先行技術の衝突をチェックする独立型のScoop-Check、そしてエビデンスに基づく位置づけ、パターン誘導型生成、衝突検索、監査、アイデアカードのレンダリングを1つのワークフローに統合したエンドツーエンドスキルであるIdeaSparkが含まれる。IdeaSparkは、2021年から2025年にかけてICLR、ICML、NeurIPSから収集した1,947件の機械学習関連会議論文（Oral論文、別途追跡された高被引用サブセット、不採択論文を含む）のコーパスから構築されている。これらの成果物の分析により、31の反復的なアイデア創出サブパターンが明らかになり、15の再利用可能なアイデア創出パターンに集約された。各パターンは、研究コンテキスト、ボトルネックの種類、差別化戦略、裏付けとなる先行事例、および一般的な失敗モードを含む構造化カードとして運用される。IdeaSparkは、研究問題とエビデンス群が与えられると、エビデンスの準備状況を評価し、周辺の研究コンテキストを再構築し、未解決のボトルネックを特定し、関連パターンを選択し、1つの候補方向を具体化し、潜在的に対立する先行研究を検索し、成果に基づく監査を実行する。このワークフローにより、再利用可能なアイデア創出パターンがトレーサブルな研究提案へと変換される。ブラインド自動評価者による評価の結果、IdeaSparkは、スキルなしおよび汎用スキルのベースラインと比較して、競争力のある新規性を維持しつつ、一貫してより強力な研究提案を生成することが示された。

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.