LLM 기반 학제간 영감을 통한 과학적 창의성 고취

초록

학제간 연구가 더 크고 장기적인 영향력을 창출함에도 불구하고, 대부분의 연구는 단일 학문 영역에 갇힌 채로 남아 있습니다. 과학적 발견을 위한 최근의 인공지능 기반 접근법들은 학제간 연구에 대한 가능성을 보여주지만, 많은 접근법이 창의적인 학제간 돌파구를 이끄는 탐색적이고 협력적인 추론 과정을 생략한 채, 실험과 해결책을 신속하게 설계하는 데 중점을 둡니다. 그 결과, 기존 노력들은 과학적 변혁의 기초가 되는 추론 과정을 증강하기보다 과학적 발견의 자동화를 우선시해 왔습니다. 본 연구에서는 인간과 대규모 언어 모델 모두에게 창의적 추론을 지원하기 위해 학제적 통찰력을 체계적으로 식별하는 새로운 프레임워크인 Idea-Catalyst를 제시합니다. 추상적인 연구 목표에서 출발하여 Idea-Catalyst는 특정 해결책에 대한 조기 정착을 명시적으로 회피하면서 브레인스토밍 단계를 지원하도록 설계되었습니다. 이 프레임워크는 학제간 추론의 주요 메타인지적 특징을 구현합니다: (a) 연구 목표의 정의 및 평가, (b) 특정 영역의 기회와 미해결 과제에 대한 인식, (c) 영향력 잠재력에 기반한 학제적 아이디어의 전략적 탐색. 구체적으로, Idea-Catalyst는 추상적인 목표(예: 인간-AI 협력 개선)를 해당 영역 내 진행 상황 및 미해결 과제 분석을 안내하는 핵심 대상 영역 연구 질문으로 분해합니다. 이러한 과제들은 영역-중립적 개념적 문제로 재구성되어, 유사한 문제를 다루는 외부 학문(예: 심리학, 사회학)으로부터의 정보 검색을 가능하게 합니다. 이러한 영역들에서 얻은 통찰력을 종합하고 대상 영역에 재맥락화함으로써, Idea-Catalyst는 학제적 잠재력에 따라 원천 영역들의 순위를 매깁니다. 실증적으로, 이러한 표적 통합은 평균 신규성을 21%, 통찰력을 16% 향상시키면서도 원래 연구 문제에 기반을 둔 채로 남아 있습니다.

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.

LLM 기반 학제간 영감을 통한 과학적 창의성 고취

Sparking Scientific Creativity via LLM-Driven Interdisciplinary Inspiration

초록

Support