論文の概要: Large Language Models Extend Known Research But Do Not Create New Research Directions

• arxiv url: http://arxiv.org/abs/2610.17439v1
• Date: Mon, 12 Oct 2026 21:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.461984
• Title: Large Language Models Extend Known Research But Do Not Create New Research Directions
• Title（参考訳）: 大規模言語モデルは研究を延長するが、新たな研究方向性を創出しない
• Abstract要約: 近年の研究では、人間のレビュアーはLLM生成のアイデアを人間の専門家のアイデアよりも新しいものと評価している。 これらのモデルが既存の知識を拡張する以上のことができるかどうかは不明である。 LLMは、新しい研究の方向性を明らかにすることによって、真のイノベーションを促進することができるのか?
• 参考スコア（独自算出の注目度）: 10.359415312807226
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The success of autonomous research systems relies on the quality of the scientific hypotheses they generate. Recent studies report that human reviewers often rate LLM-generated ideas as more novel than those from human experts, raising hope that AI can accelerate scientific discovery. Yet it is unclear whether these models can do more than extend existing knowledge. Can LLMs drive genuine innovation by revealing new research directions, or are they limited to repeating and recombining what science already knows? This unresolved question lies at the heart of discussions about AI and the future of science. To address this, we distinguish two types of novelty: distance, which measures how far a hypothesis lies from existing work, and direction, which captures whether the hypothesis pursues new lines of inquiry beyond those already present. These two measures diverge sharply for LLM-generated work. We represent scientific papers in a shared conceptual space using a pretrained scientific-paper embedding model. Within this space, we embed 26.9 million human-authored papers across 1,325 research topics in six natural-science fields and 524,308 LLM-generated hypotheses from eight models. Distance is measured using existing metrics. To quantify direction, we introduce the orthogonal novelty score (ONS). LLMs consistently generate ideas more distant from existing work than human-authored papers, up to 16\% further when the LLM is given the papers farthest from the centre of the topic. However, LLM hypotheses have a 15--23\% lower median ONS than published papers from the same topic. Thus, LLMs move further from what is already known, but remain within established directions. This pattern persists across changes in various configurations. As a result, LLMs excel at extending the frontier but the creation of new directions is still led by human scientists.
• Abstract（参考訳）: 自律的な研究システムの成功は、それらが生み出す科学的仮説の質に依存する。 近年の研究では、人間のレビュアーはLLM生成のアイデアを人間の専門家のアイデアよりも新しいものと評価し、AIが科学的な発見を加速することを期待している。 しかし、これらのモデルが既存の知識を拡張する以上のことができるかどうかは不明だ。 LLMは、新しい研究の方向性を明らかにすることによって、真のイノベーションを促進することができるのか? この未解決の問題は、AIと科学の将来に関する議論の中心にある。 この問題に対処するために、既存の作業から仮説がどこまで遠いかを測定する距離と、仮説が既に存在するもの以上の新しい調査線を追求するかどうかを捉える方向の2つの特徴を区別する。 これらの2つの対策は、LLM生成作業のために急激に発散する。 我々は,事前学習された論文埋め込みモデルを用いて,科学論文を共有概念空間で表現する。 この分野では、6つの自然科学分野に1,325の研究トピックと8つのモデルから524,308 LLM生成仮説に、269万件の人間による論文を埋め込んでいる。 距離は既存のメトリクスを使って測定される。 方向を定量化するために,直交ノベルティスコア(ONS)を導入する。 LLMは、そのトピックの中心から遠く離れた論文が与えられたとき、人間による論文よりも既存の作品よりずっと遠いアイデアを常に生成します。 しかし、LSM仮説は、同じトピックから発行された論文よりも15--23\%低い中央値 OnS を持つ。 従って、LSMは、既に知られているものからさらに前進するが、確立された方向にとどまる。 このパターンは、様々な構成の変化にまたがって持続する。 その結果、LSMはフロンティアの拡張に優れるが、新しい方向の創造はまだ人間の科学者によって導かれる。

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)
• MOOSE-Chem: Large Language Models for Rediscovering Unseen Chemistry Scientific Hypotheses [95.25947149100533]
  大規模言語モデル(LLM)が化学において新規で有効な仮説を自律的に生成できるかどうかは不明である。 我々は、2024年1月以降に発行され、オンライン化された51のハイインパクト化学論文のベンチマークを開発し、それぞれが背景、インスピレーション、仮説を手動で注釈付けした。 LLMは、人間によってまだ認識されていない、潜伏した科学的知識の関連をすでにコード化していると仮定する。
  論文  参考訳（メタデータ） (2024-10-09T17:19:58Z)
• Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
  2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。 計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
  論文  参考訳（メタデータ） (2024-04-01T17:45:15Z)
• From Prompt Engineering to Prompt Science With Human in the Loop [12.230632679443364]
  本稿では、それに対応する定性的な方法を通じて、コードブック構築にインスパイアされた新しい方法論を提案する。 研究者の集合が、厳密なラベル付け、検討、文書化のプロセスを通じて、主観性を排除し、生成プロセスに透明性と複製性をもたらす方法を示します。
  論文  参考訳（メタデータ） (2024-01-01T01:37:36Z)
• Large Language Models are Zero Shot Hypothesis Proposers [17.612235393984744]
  大規模言語モデル(LLM)は、情報障壁を断ち切ることを約束する、グローバルかつ学際的な知識の豊富なものである。 バイオメディカル文献から背景知識と仮説ペアからなるデータセットを構築した。 ゼロショット, 少数ショット, 微調整設定において, 最上位モデルの仮説生成能力を評価する。
  論文  参考訳（メタデータ） (2023-11-10T10:03:49Z)

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。