大規模言語モデルによる学際的インスピレーションを通じた科学的創造性の活性化

要旨

学際的研究はより大きな長期的インパクトをもたらすにもかかわらず、ほとんどの研究は単一分野の学術的サイロに閉ざされたままである。科学発見への近年のAIベースのアプローチは学際研究に有望視されるが、多くの手法は実験と解決策の迅速な設計を優先し、創造的学際的ブレークスルーを駆動する探索的・協調的推論プロセスを迂回している。その結果、従来の取り組みは科学的破壊の基盤となる推論プロセスを増幅させるよりも、科学発見の自動化を主に優先してきた。本論文では、人間と大規模言語モデル双方の創造的推論を支援するため、学際的知見を体系的に特定する新規フレームワーク「Idea-Catalyst」を提案する。抽象的研究目標から出発し、Idea-Catalystは特定解決策への早期のアンカリングを明示的に回避し、ブレーンストーミング段階を支援するように設計されている。本フレームワークは学際的推論の主要なメタ認知的特性を具現化する：(a)研究目標の定義と評価、(b)領域の機会と未解決課題への認識、(c)インパクト可能性に基づく学際的アイデアの戦略的探索。具体的には、Idea-Catalystは抽象的目标（例：人間-AI協調の改善）を、当該領域内の進展と未解決課題の分析を導く核心的目標領域研究課題へ分解する。これらの課題は領域非依存的概念問題として再定式化され、類似的課題に対処する外部分野（例：心理学、社会学）からの情報検索を可能にする。これらの領域からの知見を統合し目標領域へ再文脈化することで、Idea-Catalystは学際的潜在性に基づき源泉領域をランク付けする。実証実験では、この標的統合により新規性が平均21%、示唆に富む度合いが16%向上し、かつ元の研究問題に根ざしたままであることが確認された。

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.

大規模言語モデルによる学際的インスピレーションを通じた科学的創造性の活性化

Sparking Scientific Creativity via LLM-Driven Interdisciplinary Inspiration

要旨

Support