要約
科学的なアイデア生成は、創造性理論と計算による創造性研究で広く研究されており、創造的なプロセスを理解して実装するための貴重なフレームワークを提供しています。
ただし、研究アイデア生成に大規模言語モデル (LLM) を使用する最近の研究では、これらの理論的基礎が見落とされていることがよくあります。
我々は、クロスドメインの知識発見のための一般化レベルの検索システムと、アイデア生成のための構造化された組み合わせプロセスを特徴とする、LLM を使用して組み合わせ創造性理論を明示的に実装するフレームワークを紹介します。
検索システムは、さまざまな抽象化レベルにわたって概念をマッピングして、異種ドメイン間の意味のある接続を可能にし、一方、組み合わせプロセスはコンポーネントを体系的に分析および再結合して、新しいソリューションを生成します。
OAG-Bench データセットの実験では、実際の研究開発と一致するアイデアの生成においてベースライン アプローチを常に上回っており、フレームワークの有効性が実証されています (複数の指標にわたって類似性スコアが 7\% ~ 10\% 改善)。
私たちの結果は、適切な理論的枠組みに導かれれば、LLM が組み合わせ創造性を効果的に実現できるという強力な証拠を提供し、AI 支援研究の実践的な進歩と機械の創造性の理論的理解の両方に貢献します。
要約(オリジナル)
Scientific idea generation has been extensively studied in creativity theory and computational creativity research, providing valuable frameworks for understanding and implementing creative processes. However, recent work using Large Language Models (LLMs) for research idea generation often overlooks these theoretical foundations. We present a framework that explicitly implements combinatorial creativity theory using LLMs, featuring a generalization-level retrieval system for cross-domain knowledge discovery and a structured combinatorial process for idea generation. The retrieval system maps concepts across different abstraction levels to enable meaningful connections between disparate domains, while the combinatorial process systematically analyzes and recombines components to generate novel solutions. Experiments on the OAG-Bench dataset demonstrate our framework’s effectiveness, consistently outperforming baseline approaches in generating ideas that align with real research developments (improving similarity scores by 7\%-10\% across multiple metrics). Our results provide strong evidence that LLMs can effectively realize combinatorial creativity when guided by appropriate theoretical frameworks, contributing both to practical advancement of AI-assisted research and theoretical understanding of machine creativity.
arxiv情報
著者 | Tianyang Gu,Jingjin Wang,Zhihao Zhang,HaoHong Li |
発行日 | 2024-12-18 18:41:14+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google