論文の概要: Structure Liberates: How Constrained Sensemaking Produces More Novel Research Output
- arxiv url: http://arxiv.org/abs/2605.00557v1
- Date: Fri, 01 May 2026 10:50:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.929164
- Title: Structure Liberates: How Constrained Sensemaking Produces More Novel Research Output
- Title（参考訳）: 制約されたセンスメイキングはどのようにして新たな研究成果を生み出すか
- Abstract要約: 本研究では,概念を8段階の構造化シーケンスとして運用するフレームワークであるSCISENSEを紹介する。
Infer-trained Modelよりも軌道品質が2.0%向上したことを示す。
このことは、目標とする思考が下流エージェントの認知的負担を軽減し、より創造的に探索することを示唆している。
- 参考スコア（独自算出の注目度）: 23.77139747975822
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific discovery is an extended process of ideation--surveying prior work, forming hypotheses, and refining reasoning--yet existing approaches treat this phase as a brief preamble despite its central role in research. We introduce SCISENSE, a sensemaking-grounded framework that operationalizes ideation as a structured sequence of eight cognitive stages (Pirolli \& Card, 2005). We construct SCISENSE-Traj, a 100K-scale dataset of citation-conditioned research trajectories in two modes: Target, where an LLM reconstructs the ideation path leading to a known paper from its cited works, and Infer, where the LLM proposes novel directions from the same citations. We distill these into SCISENSE-LM, a family of sensemaking LLMs spanning 3B to 70B parameters. Contrary to the assumption that looser supervision promotes greater exploration, Target-trained models achieve a 2.0\% improvement in trajectory quality over Infer-trained models while also producing more novel and diverse outputs. This advantage propagates downstream: coding agents conditioned on Target trajectories produce research artifacts with higher executability and quality than those conditioned on Infer trajectories. This suggests that targeted ideation reduces cognitive burden on downstream agents, freeing them to explore more creatively. SCISENSE offers both a practical tool for augmenting LLM-driven research workflows and a principled testbed for studying how planning shapes scientific discovery.
- Abstract（参考訳）: 科学的発見は、先行研究を探索し、仮説を形成し、推論を精査するプロセスの延長であり、既存のアプローチでは、研究の中心的役割にもかかわらず、このフェーズを短いプリアンブルとして扱う。
本研究では,8段階の認知段階の構造化シーケンスとして思考を運用する感性基盤フレームワークであるSCISENSEを紹介する(Pirolli \& Card, 2005)。
我々は,100Kスケールの引用条件付き研究軌道のデータセットであるSCISENSE-Trajを2つのモードで構築する。
我々はこれらを3Bから70BパラメータにまたがるセンスメイキングLLMファミリーであるSCISENSE-LMに蒸留する。
より緩い監督がより大きな探索を促進するという仮定とは対照的に、ターゲット訓練モデルでは、インファー訓練モデルよりも軌道品質が2.0倍向上し、同時により斬新で多様な出力が得られる。
この利点は下流を伝播する: ターゲット軌道で条件付けられたコーディングエージェントは、インファー軌道で条件付けられたものよりも高い実行性と品質を持つ研究成果物を生成する。
このことは、目標とする思考が下流エージェントの認知的負担を軽減し、より創造的に探索することを示唆している。
SCISENSEは、LLM駆動の研究ワークフローを強化するための実践的なツールと、計画が科学的発見をどう形作るかを研究するための原則的なテストベッドの両方を提供する。
関連論文リスト
- DeepInnovator: Triggering the Innovative Capabilities of LLMs [41.60038455664918]
DeepInnovatorは、大規模言語モデル(LLM)の革新的な機能を引き出すために設計されたトレーニングフレームワークである。
我々は、未ラベルの学術文献の膨大なコーパスから構造化された研究知識を抽出するために、自動データ抽出パイプラインを構築した。
本稿では,研究アイデアを連続的に予測し,評価し,改良する反復的なプロセスとして,研究アイデアの生成をモデル化する,次世代のアイデア予測のトレーニングパラダイムを紹介する。
論文 参考訳（メタデータ） (2026-02-21T18:07:18Z) - PaperGuide: Making Small Language-Model Paper-Reading Agents More Efficient [20.72001543887772]
大規模言語モデル(LLM)の最近の進歩は、科学論文を読み取ってタスク関連情報を抽出できる自律エージェントへの関心を喚起している。
既存のアプローチのほとんどは、高度に設計されたプロンプトか、あるいは従来のSFT-RLトレーニングパイプラインに依存している。
本稿では,これらの問題を緩和するフレームワークであるPaper RLを提案する。
論文 参考訳（メタデータ） (2026-01-19T12:07:51Z) - Harnessing Large Language Models for Scientific Novelty Detection [49.10608128661251]
科学的ノベルティ検出(ND)のための大規模言語モデル(LLM)を提案する。
そこで本研究では,LLMからアイデアレベルの知識を抽出し,ライトウェイトなレトリバーを訓練することを提案する。
実験の結果,提案手法は,アイデア検索やNDタスクのためのベンチマークデータセットにおいて,常に他よりも優れていた。
論文 参考訳（メタデータ） (2025-05-30T14:08:13Z) - ResearchBench: Benchmarking LLMs in Scientific Discovery via Inspiration-Based Task Decomposition [67.26124739345332]
大規模言語モデル(LLM)は科学的研究を支援する可能性を示しているが、高品質な研究仮説を発見する能力はいまだ検討されていない。
我々は,LLMを科学的発見のサブタスクのほぼ十分セットで評価するための,最初の大規模ベンチマークを紹介する。
学術論文から重要コンポーネント(研究質問、背景調査、インスピレーション、仮説)を抽出する自動フレームワークを開発する。
論文 参考訳（メタデータ） (2025-03-27T08:09:15Z) - ReMA: Learning to Meta-think for LLMs with Multi-Agent Reinforcement Learning [53.817538122688944]
Reinforced Meta-thinking Agents (ReMA) を導入し,Large Language Models (LLMs) の推論からメタ思考行動を求める。
ReMAは、推論プロセスを2つの階層的なエージェントに分解する。戦略上の監視と計画を生成するハイレベルなメタ思考エージェントと、詳細な実行のための低レベルな推論エージェントである。
単ターン実験による実験結果から、ReMAは複雑な推論タスクにおいて単エージェントRLベースラインよりも優れることが示された。
論文 参考訳（メタデータ） (2025-03-12T16:05:31Z) - Satori: Reinforcement Learning with Chain-of-Action-Thought Enhances LLM Reasoning via Autoregressive Search [57.28671084993782]
大規模言語モデル(LLM)は、様々な領域にまたがる顕著な推論能力を示している。
近年の研究では、テスト時間計算の増加はLLMの推論能力を高めることが示されている。
そこで我々は,1)COAT推論形式を内部化するための小規模な形式調整段階,2)強化学習を活用した大規模自己改善段階を提案する。
論文 参考訳（メタデータ） (2025-02-04T17:26:58Z) - Learning to Generate Research Idea with Dynamic Control [21.30777644522451]
大規模言語モデル (LLM) は仮説や研究のアイデアを生み出すことを約束している。
SFT(Supervised Fine-Tuning)とRL(Reinforcement Learning)を組み合わせた2段階のアプローチによる新しいフレームワークを提案する。
本フレームワークは, 新規性, 実現可能性, 有効性の間のトレードオフを動的にナビゲートすることで, 高品質な成果を達成し, 研究アイデアに対するバランスのとれたアプローチを提供する。
論文 参考訳（メタデータ） (2024-12-19T08:28:18Z) - 'Explaining RL Decisions with Trajectories': A Reproducibility Study [0.0]
原論文では,エージェントが学習中に遭遇する特定の軌道群に対する帰属決定に基づく,説明可能な強化学習の新たなアプローチを提案する。
本論文の主な主張は、(i)低軌道の訓練が低い初期状態値を誘導する、(ii)クラスタ内の軌道が類似した高レベルパターンを呈する、(iii)遠隔軌道がエージェントの判断に影響を及ぼす、(iv)人間がエージェントの判断に属性された軌道を正しく識別する、というものである。
論文 参考訳（メタデータ） (2024-11-11T18:24:27Z) - Chain of Ideas: Revolutionizing Research Via Novel Idea Development with LLM Agents [64.64280477958283]
科学文献の急激な増加は、研究者が最近の進歩と意義ある研究方向を見極めるのを困難にしている。
大規模言語モデル(LLM)の最近の発展は、新しい研究のアイデアを自動生成するための有望な道のりを示唆している。
本研究では, チェーン構造に関連文献を整理し, 研究領域の進展を効果的に反映する, LLMベースのエージェントであるChain-of-Ideas(CoI)エージェントを提案する。
論文 参考訳（メタデータ） (2024-10-17T03:26:37Z) - Trial and Error: Exploration-Based Trajectory Optimization for LLM Agents [49.85633804913796]
本稿では,ETOと呼ばれる探索に基づく軌道最適化手法を提案する。
この学習方法はオープンLLMエージェントの性能を向上させるために設計されている。
3つの複雑なタスクに関する実験は、ETOがベースライン性能をはるかに上回っていることを示す。
論文 参考訳（メタデータ） (2024-03-04T21:50:29Z)
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。