Büyük dil modelleri, makul araştırma fikirleri üretmek için yaygın olarak kullanılıyor, ancak otomatik düşünceyi neyin etkili kıldığı ve önceki bilimsel çalışmalardan nasıl yeni öneriler üretildiği hala belirsizliğini koruyor. Literatür temelini, yinelemeli geliştirmeyi ve açık kavramsal operatörleri birleştiren aracılı bir çerçeve olan Yaratıcı Yapay Zeka Araştırmacısını (CAR) tanıtıyoruz. CAR, alınan literatürden anlamsal bir bilgi grafiği oluşturur ve bir fikir oluşturma aracısını grafik alma araçları ve dört operatörle donatır: ikili bağlantı, analoji, keşif ve detaylandırma.
- Büyük dil modelleri, makul araştırma fikirleri üretmek için yaygın olarak kullanılıyor, ancak otomatik düşünceyi neyin etkili kıldığı ve önceki bilimsel çalışmalardan nasıl yeni öneriler üretildiği hala belirsizliğini koruyor.
- Literatür temelini, yinelemeli geliştirmeyi ve açık kavramsal operatörleri birleştiren aracılı bir çerçeve olan Yaratıcı Yapay Zeka Araştırmacısını (CAR) tanıtıyoruz.
- CAR, alınan literatürden anlamsal bir bilgi grafiği oluşturur ve bir fikir oluşturma aracısını grafik alma araçları ve dört operatörle donatır: ikili bağlantı, analoji, keşif ve detaylandırma.
Büyük dil modelleri, makul araştırma fikirleri üretmek için yaygın olarak kullanılıyor, ancak otomatik düşünceyi neyin etkili kıldığı ve önceki bilimsel çalışmalardan nasıl yeni öneriler üretildiği hala belirsizliğini koruyor.
02 Özet
Büyük dil modelleri, makul araştırma fikirleri üretmek için yaygın olarak kullanılıyor, ancak otomatik düşünceyi neyin etkili kıldığı ve önceki bilimsel çalışmalardan nasıl yeni öneriler üretildiği hala belirsizliğini koruyor. Literatür temelini, yinelemeli geliştirmeyi ve açık kavramsal operatörleri birleştiren aracılı bir çerçeve olan Yaratıcı Yapay Zeka Araştırmacısını (CAR) tanıtıyoruz. CAR, alınan literatürden anlamsal bir bilgi grafiği oluşturur ve bir fikir oluşturma aracısını grafik alma araçları ve dört operatörle donatır: ikili bağlantı, analoji, keşif ve detaylandırma. Her operatör çağrısı, yapısal kabul koşullarına göre kontrol edilir ve kaydedilir; böylece ara dönüşümlerin ve bildirilen literatür kaynaklarının bir izi oluşturulur. CAR'ı, 40 LiveIdeaBench araştırma konusu ve iki yürütme kıyaslaması genelinde iki dil modeli omurgasıyla değerlendiriyoruz. CAR, tek seferlik yönlendirme ve The AI Scientist'ten önemli ölçüde daha yüksek metodolojik yenilik (MN) elde ediyor. Metodolojik yeniliği Araştırma Fikri Aracısından önemli ölçüde farklı değildir, ancak fizibilite puanları her iki omurgada da daha yüksektir. CAR, paylaşılan bir deney yürütücüsüyle, FML-bench-Lite ve BioXArena'da değerlendirilen yapay zeka yöntemleri arasında en yüksek ikili kazanma oranına ulaşıyor. On koşullu bir ablasyon çalışmasında, MN noktası tahminleri, her iki omurgada da tek adımlı öneriye göre CAR'ı tercih eder, ancak hiçbir MN kontrastı, çoklu karşılaştırmalar için düzeltmeden sağ çıkamaz. Sonuçlar, serbest biçimli yinelemenin ötesinde açık operatörlerden tutarlı bir kalite avantajı sağlamamaktadır. CAR, değerlendirilen fikir kalitesini prosedürel izlenebilirlikten ayırarak operasyonların sırasını ve beyan edilen literatür kaynaklarını incelenebilir hale getirir.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
Large language models have been widely used to generate plausible research ideas, yet it remains unclear what makes automated ideation effective and how generated novel proposals arise from prior scientific work. We introduce the Creative AI Researcher (CAR), an agentic framework combining literature grounding, iterative development and explicit conceptual operators. CAR constructs a semantic knowledge graph from retrieved literature and equips an ideation agent with graph-retrieval tools and four operators: bisociation, analogy, exploration and elaboration. Each operator call is checked against structural acceptance conditions and recorded, producing a trace of intermediate transformations and declared literature sources. We evaluate CAR with two language-model backbones across 40 LiveIdeaBench research topics and two execution benchmarks. CAR achieves significantly higher methodological novelty (MN) than single-shot prompting and The AI Scientist. Its methodological novelty does not differ significantly from the Research Ideation Agent, while its feasibility scores are higher on both backbones. With a shared experiment executor, CAR achieves the highest pairwise win rate among the evaluated AI methods on FML-bench-Lite and BioXArena. In a ten-condition ablation study, MN point estimates favor CAR over one-step proposal on both backbones, but no MN contrast survives correction for multiple comparisons. The results do not establish a consistent quality benefit from explicit operators beyond free-form iteration. CAR makes the sequence of operations and declared literature sources inspectable, separating judged idea quality from procedural traceability.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{yu2026ground,
title = {Ground, Iterate, Trace: Decomposing AI Research Ideation},
author = {Samson Yu and Qiran Zou and Jing Yu Lim and Rushi Shah and Anirudh Goyal and Dianbo Liu},
journal = {arXiv preprint arXiv:2611.24887},
year = {2026},
url = {https://arxiv.org/abs/2611.24887}
}
Yu, S., Zou, Q., Lim, J. Y., Shah, R., Goyal, A., & Liu, D. (2026). Zemin, Yineleme, İzleme: Yapay Zeka Araştırma Fikrinin Ayrıştırılması. arXiv. https://arxiv.org/abs/2611.24887
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın