Стимулирование научного творчества с помощью междисциплинарного вдохновения на основе больших языковых моделей

Sparking Scientific Creativity via LLM-Driven Interdisciplinary Inspiration

March 12, 2026

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

cs.AI

Аннотация

Несмотря на то, что междисциплинарные исследования приводят к более значительному и долгосрочному влиянию, большинство работ по-прежнему остаются ограниченными академическими «силосами» отдельных областей. Современные подходы к научному открытию на основе ИИ демонстрируют потенциал для междисциплинарных исследований, но многие из них ориентированы на быстрое проектирование экспериментов и решений, обходя исследовательские, collaborative процессы рассуждений, которые лежат в основе творческих междисциплинарных прорывов. В результате предыдущие усилия в значительной степени были направлены на автоматизацию научного открытия, а не на усиление процессов рассуждения, лежащих в основе научных прорывов. Мы представляем Idea-Catalyst — новую концептуальную основу, которая систематически выявляет междисциплинарные инсайты для поддержки творческого мышления как у людей, так и у больших языковых моделей. Начиная с абстрактной исследовательской цели, Idea-Catalyst призван помочь на этапе мозгового штурма, явно избегая преждевременной фиксации на конкретных решениях. Данная концепция воплощает ключевые метакогнитивные особенности междисциплинарного мышления: (а) определение и оценка исследовательских целей, (b) осведомленность о возможностях и нерешенных проблемах в предметной области и (с) стратегическое исследование междисциплинарных идей на основе потенциала их влияния. Конкретно, Idea-Catalyst декомпозирует абстрактную цель (например, «улучшение коллаборации человека и ИИ») на ключевые исследовательские вопросы целевой области, которые направляют анализ прогресса и открытых проблем в рамках этой области. Эти проблемы переформулируются в предметно-независимые концептуальные задачи, что позволяет осуществлять поиск релевантных решений в смежных дисциплинах (например, психологии, социологии), которые занимаются аналогичными вопросами. Синтезируя и переконтекстуализируя инсайты из этих областей обратно в целевую область, Idea-Catalyst ранжирует исходные дисциплины по их междисциплинарному потенциалу. Эмпирически, такая целенаправленная интеграция повышает среднюю новизну идей на 21% и их глубину на 16%, сохраняя при этом связь с исходной исследовательской проблемой.

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.