論文の概要: Using Large Language Models for Idea Generation in Innovation

• arxiv url: http://arxiv.org/abs/2607.27553v1
• Date: Thu, 30 Jul 2026 00:55:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.354519
• Title: Using Large Language Models for Idea Generation in Innovation
• Title（参考訳）: イノベーションにおけるアイデア生成のための大規模言語モデルの利用
• Abstract要約: 大学生を対象にした新製品のアイデアプールを3つ比較し、50ドル以下で価格を比較した。 AI生成のアイデアは、平均的な購入意図の観点から、人間生成のアイデアよりも優れています。 平均的なアイデアよりも最高のアイデアの品質に注目すると、AI生成されたアイデアは、上位10%のアイデアのうち7倍のランク付けされる可能性が高いことが分かります。
• 参考スコア（独自算出の注目度）: 0.13048920509133807
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This research evaluates the efficacy of large language models (LLMs) in generating new product ideas. To do so, we compare three pools of ideas for new products targeted toward college students and priced at 50 dollars or less. The first pool of ideas was created by university students in a product design course before the availability of LLMs. The second and third pools of ideas were generated by GPT-4 from OpenAI using zero-shot and few-shot prompting, respectively. We evaluated idea quality using standard market research techniques to predict average purchase intent probability. We used text mining to assess idea similarity and human raters to evaluate idea novelty. We find that AI-generated ideas outperform human-generated ideas in terms of average purchase intent, with few-shot prompting yielding slightly higher intent than zero-shot prompting. However, AI-generated ideas are perceived as less novel and exhibit higher pairwise similarity, particularly with few-shot prompting, indicating a less diverse solution landscape. When focusing on the quality of the best ideas rather than the average ideas, we find that AI-generated ideas are seven times more likely to rank among the top 10 percent of ideas, demonstrating a significant advantage over human-generated ideas. We propose that this seven-to-one advantage is a conservative estimate because it does not account for the greater productivity of AI. Our findings suggest that despite some drawbacks, AI creativity presents a substantial benefit in generating high-quality ideas for new product development.
• Abstract（参考訳）: 本研究は, 大規模言語モデル(LLM)が新製品のアイデアを創出する際の有効性を評価するものである。 そのために、大学生を対象にした新製品のアイデアプールを3つ比較し、50ドル以下で価格を比較した。 最初のアイデアプールは、LLMが利用可能になる前の製品デザインコースで大学生によって作成された。 第2と第3のアイデアプールは、それぞれゼロショットプロンプトと少数ショットプロンプトを使用してOpenAIからGPT-4によって生成された。 我々は、標準市場調査技術を用いてアイデアの質を評価し、平均購入意図確率を推定した。 我々は、アイデアの類似性を評価するためにテキストマイニングと、アイデアの新規性を評価するために人間のレーダを使用した。 AI生成のアイデアは、平均的な購入意図の観点から人間生成のアイデアよりも優れており、ほとんどショットのプロンプトはゼロショットのプロンプトよりもわずかに高いインテンションをもたらす。 しかし、AI生成のアイデアは、新しくないと見なされ、特に数発のプロンプトでペアの類似度が高くなり、より多様なソリューションの展望が示される。 平均的なアイデアよりも最高のアイデアの品質に注目すると、AI生成のアイデアが上位10%のアイデアにランク付けされる確率が7倍高く、人間生成のアイデアに対して大きな優位性を示していることが分かります。 この7対1の優位性は、AIの生産性の向上を考慮しないため、保守的な見積もりである、と提案する。 我々の研究結果は、いくつかの欠点があるにもかかわらず、AIの創造性は、新製品開発に高品質なアイデアを生み出す上で大きな利益をもたらすことを示唆している。

関連論文リスト

• Measuring the Gap Between Human and LLM Research Ideas [63.27812052187884]
  高品質な人間研究論文の構想評価フレームワークを構築した。 それぞれの論文に対して、我々は、その中核となるアイデアにインスピレーションを与えたであろう、近縁な先行研究の小さなセットをリバースエンジニアリングする。 本稿では、その機会パターンと研究パラダイムにより、それぞれのアイデアをプロファイルするために、2軸のリサーチテイスト分類を導入する。
  論文  参考訳（メタデータ） (2026-07-01T17:59:56Z)
• OneReason Technical Report [135.82017930661263]
  生成的レコメンデーションモデルはスケーリングの利点の恩恵しか得られず、推論能力の活性化は困難であることを示す。 本稿では,(1)事前学習における強力なアイテムトークン認識,(2)SFTにおける推薦タスクのための3レベル認知強調CoTフォーマット,(3)RLにおける特殊化テーマ統一トレーニングレシピを提案する。
  論文  参考訳（メタデータ） (2026-06-04T15:04:34Z)
• Multi-agent AI systems outperform human teams in creativity [55.46056199651459]
  大規模言語モデル(LLM)は、研究やイノベーションにおいてますます採用されている。 ここでは、マルチエージェントのLLMチームが、創造性において人間チームよりも大幅に優れています。 この利点は、同等の有用性を維持しながら、斬新さによって引き起こされる。
  論文  参考訳（メタデータ） (2026-05-18T05:52:11Z)
• Examining and Addressing Barriers to Diversity in LLM-Generated Ideas [0.7009487789080344]
  人間の独立したサンプルによって生成されるアイデアは、独立したLCMサンプルから生成されるアイデアよりも多様である傾向にある。 これらの懸念は、LLMへの広範な依存がアイデアを均質化し、社会レベルでのイノベーションを損なう恐れを提起する。
  論文  参考訳（メタデータ） (2026-02-23T23:10:47Z)
• Divergent-Convergent Thinking in Large Language Models for Creative Problem Generation [22.659182231103443]
  大規模言語モデル(LLM)は、教育的な問題や問題を生成でき、教育者が大規模な学習教材を作成できる。 LLMはArtificial Hivemindの効果によって制限され、同じモデル内で同様の応答を生成し、異なるモデル間で均質な出力を生成する。 本稿では,LCMの推論を異なる位相に明確に把握する2相プロンプト法であるCreativeDCを提案する。
  論文  参考訳（メタデータ） (2025-12-29T16:53:48Z)
• The Ideation-Execution Gap: Execution Outcomes of LLM-Generated versus Human Research Ideas [90.26363107905344]
  良いアイデアは単に斬新なものではなく、実行後により良い研究がもたらされるべきである。 AIが生み出すアイデアがより良い研究成果をもたらすかどうかをテストするために、我々は実行研究を行う。 実行前後の同じアイデアのレビュースコアを比較すると、LLM生成のアイデアのスコアは専門家によるアイデアよりも大幅に減少する。
  論文  参考訳（メタデータ） (2025-06-25T19:47:23Z)
• Probing and Inducing Combinational Creativity in Vision-Language Models [52.76981145923602]
  VLM(Vision-Language Models)の最近の進歩は、それらのアウトプットが組合せの創造性を反映しているかという議論を引き起こしている。 本稿では,創造的プロセスを3つのレベルに分解するIEIフレームワークを提案する。 このフレームワークを検証するために、IEIフレームワークに従って注釈付けされた666人のアーティストによる視覚マッシュアップの高品質データセットであるCreativeMashupをキュレートする。
  論文  参考訳（メタデータ） (2025-04-17T17:38:18Z)
• VL-Rethinker: Incentivizing Self-Reflection of Vision-Language Models with Reinforcement Learning [55.97950660659051]
  我々は(蒸留に頼らずに)強化学習による視覚言語モデルの遅い思考能力の向上を目指す。 我々は、RLトレーニングにおけるロールアウトの最後に再考トリガートークンを付加し、自己回帰推論ステップを明示的に実施する強制再考(Forced Rethinking)を導入する。 我々のモデルであるVL-Rethinkerは、MathVista、MathVerseの最先端スコアを80.4%、63.5%に向上させています。
  論文  参考訳（メタデータ） (2025-04-10T17:41:56Z)
• 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)
• A Novel Mathematical Framework for Objective Characterization of Ideas [0.0]
  本研究では,CAIシステムや人間によって生み出されるアイデアの多元性を客観的に評価するための,自動解析のための包括的数学的枠組みを提案する。 UMAP,DBSCAN,PCAなどのツールを用いて,アイデアを高次元ベクトルに変換し,それらの多様性を定量的に測定することにより,提案手法は最も有望なアイデアを選択する信頼性と客観的な方法を提供する。
  論文  参考訳（メタデータ） (2024-09-11T19:10:29Z)
• Good Idea or Not, Representation of LLM Could Tell [86.36317971482755]
  我々は、大規模言語モデルの知識を活用し、科学的アイデアのメリットを評価することを目的としたアイデアアセスメントに焦点をあてる。 我々は、このタスクに対する様々なアプローチのパフォーマンスを訓練し評価するために、細心の注意を払って設計された、フルテキストを持つ約4万の原稿からベンチマークデータセットをリリースする。 その結果, 大規模言語モデルの表現は, 生成出力よりもアイデアの価値を定量化する可能性が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-09-07T02:07:22Z)
• Can LLMs Generate Novel Research Ideas? A Large-Scale Human Study with 100+ NLP Researchers [90.26363107905344]
  大型言語モデル(LLM)は、科学的な発見を加速する可能性についての楽観主義を喚起した。 LLMシステムは、新しい専門家レベルのアイデアを生み出すための第一歩を踏み出すことができるという評価はない。
  論文  参考訳（メタデータ） (2024-09-06T08:25:03Z)
• Benchmarking Language Model Creativity: A Case Study on Code Generation [39.546827184857754]
  本研究では,LLMの創造性を定量化するフレームワークを提案する。 生成した創造的応答における収束的思考と発散的思考の両方を定量化する計量であるNEOGAUGEを定義する。 我々はCodeforcesの問題に関する提案されたフレームワークをテストする。これは、タスクをコーディングするための自然なデータセットと、先行する人間のソリューションのコレクションの両方に役立ちます。
  論文  参考訳（メタデータ） (2024-07-12T05:55:22Z)
• Prompting Diverse Ideas: Increasing AI Idea Variance [0.0]
  この論文は、アイデア生成プロセスの生産性と品質を高めるために、人工知能を活用することへの新たな関心を掘り下げるものである。 これまでの研究によると、AIのアイデアの平均品質は非常に高い。 以前の研究では、AIベースのブレインストーミングが、アイデアの十分な分散を生み出すことができないことも指摘されている。
  論文  参考訳（メタデータ） (2024-01-27T21:02:50Z)
• How AI Ideas Affect the Creativity, Diversity, and Evolution of Human Ideas: Evidence From a Large, Dynamic Experiment [3.7900123585903827]
  実験では、参加者がChatGPTまたは以前の実験参加者から得た創造的アイデアを観察し、そのアイデアをブレインストーミングした。 我々は,AI生成例数(無,低,高露出)と,その例を「AI」とラベル付けした場合(開示)に変動した。 高いAI暴露は、個々のアイデアの創造性に影響を与えるものではなく、集団的アイデアの多様性の平均的量と変化率を増加させることを発見した。
  論文  参考訳（メタデータ） (2024-01-24T14:29:39Z)

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。