구조가 해방한다: 제약된 의미 해석이 더 혁신적인 연구 산출물을 어떻게 생성하는가

과학적 발견은 이전 연구를 조사하고 가설을 형성하며 추론을 정제하는 등 아이디어를 발전시키는 확장된 과정이지만, 기존 접근법은 이 단계를 연구의 중심 역할을 간과한 채 단순한 서두로만 취급합니다. 우리는 SCISENSE라는 의미 해석 기반 프레임워크를 소개합니다. 이 프레임워크는 아이디어를 8 개의 인지 단계 (Pirolli & Card, 2005) 로 구성된 구조화된 시퀀스로 운영화합니다. 우리는 SCISENSE-Traj라는 10 만 개 규모의 인용 조건부 연구 경로 데이터셋을 두 가지 모드에서 구축했습니다: Target 모드는 LLM 이 인용된 작품으로부터 알려진 논문으로 이어지는 아이디어 경로 (Ideation path) 를 재구성하는 것이며, Infer 모드는 동일한 인용으로부터 새로운 방향성을 제안하는 것입니다. 우리는 이를 SCISENSE-LM이라는 3B 에서 70B 파라미터까지 확장되는 의미 해석 LLM 가족으로 정제했습니다. 더 넓은 감독이 더 큰 탐구를 촉진한다는 가설에 반해, Target 훈련 모델은 Infer 훈련 모델보다 경로 품질에서 2.0% 의 개선점을 보이며 또한 더 혁신적이고 다양한 산출물을 생성합니다. 이 장점은 다운스트림으로 전파됩니다: Target 경로에 조건부화된 코딩 에이전트는 Infer 경로에 조건부화된 에이전트보다 실행 가능성과 품질이 더 높은 연구 산출물을 생성합니다. 이는 타겟팅된 아이디어가 다운스트림 에이전트의 인지 부담을 줄여주며, 이를 통해 더 창의적으로 탐구할 수 있게 해준다는 것을 시사합니다. SCISENSE 는 LLM 기반 연구 워크플로우를 보완하는 실용적인 도구이자 계획이 과학적 발견을 어떻게 형성하는지를 연구하기 위한 원칙적인 테스트베드를 제공합니다.