LLM駆動の学際的インスピレーションによる科学的創造性の喚起

要旨: 学際的な研究がより大きく、長期的な影響をもたらす一方で、多くの研究は依然として単一領域の学問的サイロに限定されている。最近のAIベースの科学発見アプローチは学際的研究に有望を示しているが、多くは実験と解決策の迅速な設計を優先し、創造的な学際的ブレークスルーを推進する探索的で協調的な推論プロセスを迂回している。その結果、これまでの取り組みは科学的発見の自動化を優先することが多く、科学的破壊的変化の基盤となる推論プロセスを強化することには及んでいない。私たちは Idea-Catalyst を提示する。人間と大規模言語モデルの両方の創造的推論を支援する学際的洞察を体系的に特定する新しいフレームワークである。抽象的な研究目標から始め、Idea-Catalyst はブレインストーミング段階を支援するよう設計されており、特定の解決策へ早期に固着することを明示的に避ける。 このフレームワークは、学際的推論の重要なメタ認知的特徴を体現している： (a) 研究目標の定義と評価、(b) ドメインの機会と未解決の課題の認識、(c) 影響ポテンシャルに基づく学際的アイデアの戦略的探索。具体的には、Idea-Catalyst は抽象的な目標を、当該ドメインにおける進捗と未解決課題の分析を導く核心的なターゲット領域の研究質問へ分解する。 これらの課題は領域依存にならない概念的問題として再定式化され、心理学や社会学など、類似の問題に取り組む外部分野からの洞察を取り出すことを可能にする。 これらの領域からの洞察を統合し、ターゲット領域へ再文脈化することにより、Idea-Catalyst はソース領域を学際的潜在力の観点からランク付けする。 実証的には、このターゲットを絞った統合は、平均的新規性を21%、洞察の深さを16%向上させつつ、元の研究課題に基づく現実性を保つ。