論文の概要: A computational model and tool for generating more novel opportunities in professional innovation processes
- arxiv url: http://arxiv.org/abs/2510.20402v1
- Date: Thu, 23 Oct 2025 10:09:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:17.74125
- Title: A computational model and tool for generating more novel opportunities in professional innovation processes
- Title（参考訳）: プロのイノベーションプロセスにおける新たな機会を生み出すための計算モデルとツール
- Authors: Neil Maiden, Konstantinos Zachos, James Lockerbie, Kostas Petrianakis, Amanda Brown,
- Abstract要約: 本稿では,創造的成果の新たな計算モデルを提案する。
このモデルは、ホスピタリティセクターのイノベーションプロジェクトのために生成された機会を用いて評価された。
- 参考スコア（独自算出の注目度）: 1.3194391758295112
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents a new computational model of creative outcomes, informed by creativity theories and techniques, which was implemented to generate more novel opportunities for innovation projects. The model implemented five functions that were developed to contribute to the generation of innovation opportunities with higher novelty without loss of usefulness. The model was evaluated using opportunities generated for an innovation project in the hospitality sector. The evaluation revealed that the computational model generated outcomes that were more novel and/or useful than outcomes from Notebook LM and ChatGPT4o. However, not all model functions contributed to the generation of more novel opportunities, leading to new directions for further model development
- Abstract（参考訳）: 本稿では,創造的成果の新たな計算モデルを提案する。
このモデルは、5つの機能を実装し、有用性を損なうことなく、より新規性の高いイノベーションの機会を生み出すために開発された。
このモデルは、ホスピタリティセクターのイノベーションプロジェクトのために生成された機会を用いて評価された。
評価の結果,Notebook LM や ChatGPT4o よりも新規で有用な結果が得られた。
しかし、全てのモデル関数がより新しい機会の創出に寄与する訳ではなく、新たなモデル開発の方向性につながった。
関連論文リスト
- Cooking Up Creativity: Enhancing LLM Creativity through Structured Recombination [46.79423188943526]
本稿では,LLM(Large Language Models)の創造性を高める新しいアプローチを提案する。
自然言語と構造化表現の翻訳にLLMを適用し,その中心となる創造的飛躍を行う。
我々は、創造的なレシピを生成するモデルであるDishCOVERを用いて、料理分野における我々のアプローチを実証する。
論文 参考訳（メタデータ） (2025-04-29T11:13:06Z) - GAI: Generative Agents for Innovation [3.176387928678296]
本研究は, 創造的エージェント間の集団的推論が, イノベーションにつながる新規で一貫性のある思考を促進するかどうかを考察する。
マルチジェネレーションエージェント間のリフレクションと相互作用を目的とした,新たなLDMを利用したフレームワークであるGAIを提案する。
論文 参考訳（メタデータ） (2024-12-25T13:20:10Z) - Untapped Potential in Self-Optimization of Hopfield Networks: The Creativity of Unsupervised Learning [0.6144680854063939]
我々は、自己最適化(SO)モデルが創造的プロセスに必要な十分な条件を満たすことを論じる。
確率以上の創造的な結果を見つけるためには,学習が必要であることを示す。
論文 参考訳（メタデータ） (2024-12-10T11:58:39Z) - Can AI Be as Creative as Humans? [84.43873277557852]
理論的には、AIは人間の創造者によって生成されたデータに適切に適合できるという条件の下で、人間と同じくらい創造的になれることを証明しています。
AIの創造性に関する議論は、十分な量のデータに適合する能力の問題に縮小されている。
論文 参考訳（メタデータ） (2024-01-03T08:49:12Z) - SciMON: Scientific Inspiration Machines Optimized for Novelty [68.46036589035539]
文献に基づく新たな科学的方向を生成するために,ニューラルランゲージモデルを探索し,拡張する。
モデルが入力背景コンテキストとして使用される新しい設定で、劇的な出発をとっています。
本稿では,過去の科学的論文から「吸入」を抽出するモデリングフレームワークであるSciMONを紹介する。
論文 参考訳（メタデータ） (2023-05-23T17:12:08Z) - Challenges in creative generative models for music: a divergence
maximization perspective [3.655021726150369]
創造的な実践における生成機械学習モデルの開発は、芸術家、実践家、パフォーマーの間でより多くの関心を集めている。
ほとんどのモデルは、トレーニングデータセットで定義されたドメインの外にあるコンテンツを生成することができない。
本稿では,ML目的の新しい汎用的な定式化から始まる,新たな予測フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-16T12:02:43Z) - Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。
リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。
モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
論文 参考訳（メタデータ） (2022-02-22T02:33:54Z) - Modeling, Visualization, and Analysis of African Innovation Performance [0.0]
我々は,イノベーションパフォーマンスの概念と出現,その定量化方法について論じる。
我々は、機械学習を用いてイノベーションのパフォーマンスをモデル化し、シンプルな機械学習技術を用いて、Global Innovation Indexから"Mobile App Creation Indicator"を分析し、予測する既存の文献を概説する。
論文 参考訳（メタデータ） (2020-08-18T12:16:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。