结构释放：受限感知造就更具创新性的科研产出
计算与语言
2026-05-04 v1 人工智能
摘要
科学发现是一系列思辨活动——调查 prior work、形成假设、细化推理——但现有方法将此阶段视为开篇的简短铺垫，尽管其核心作用不容小觑。我们引入SCISENSE，一个以感知为基础的框架，将思辨操作化为八个认知阶段的结构化序列（Pirolli 与 Card，2005）。我们构建了SCISENSE-Traj，一个规模为10万的、以引用为条件的科研轨迹数据集，包含两种模式：Target模式下，LLM重建导致既知论文从其引用作品所引申出的思辨路径；Infer模式下，LLM从相同引用中提出新颖的方向。我们将其提炼为SCISENSE-LM，一系列规模从30亿到700亿参数的感知LLM。与认为较松的监督能促进更广泛探索的假设相反，Target训练的模型在轨迹质量上比Infer训练的模型提升2.0%，同时产生更具创新性和多样性的输出。这种优势会向下传递：在Target轨迹上进行条件化的编码代理生产的研究制品，在可执行性和质量方面均优于基于Infer轨迹的制品。这表明，针对性的思辨减轻了下游代理的认知负担，使其能够更具创造性地探索。SCISENSE既为增强LLM驱动的科研工作流程提供实用工具，也为研究规划如何塑造科学发现提供原则性测试平台。
引用
@article{arxiv.2605.00557,
title = {Structure Liberates: How Constrained Sensemaking Produces More Novel Research Output},
author = {James Mooney and Zae Myung Kim and Young-Jun Lee and Dongyeop Kang},
journal= {arXiv preprint arXiv:2605.00557},
year = {2026}
}