LLM(Large Language Models)은 연구 아이디어를 구상하는 브레인스토밍 용도로 점점 더 많이 사용되고 있지만, 기존의 평가 방식은 대부분 개별 아이디어를 참신함(novelty), 실행 가능성(feasibility), 또는 전문가의 선호도(expert preference)에 따라 판단합니다. 우리는 대신 다음과 같은 질문을 던집니다: 현재 LLM이 생성한 아이디어는 인간 연구자로부터 얼마나 떨어져 있는가? 이 격차를 특징짓기 위해, 우리는 고품질의 인간 연구 논문으로부터 아이디어 구상(ideation)을 위한 대규모 평가 프레임워크를 구축합니다. 각 논문에 대해, 우리는 해당 논문의 핵심 아이디어에 영감을 주었을 가능성이 높은 밀접하게 관련된 이전 연구들의 작은 집합을 역공학(reverse-engineer)합니다. 그런 다음 LLM에 논문 제목과 요약 집합으로부터 새로운 아이디어를 생성하도록 프롬프트(prompt)를 제공합니다. 우리는 각 아이디어를 기회 패턴(opportunity pattern)과 연구 패러다임(research paradigm)에 따라 프로파일링하기 위해 이축 연구 취향 분류 체계(two-axis research-taste taxonomy)를 도입하며, 이를 사용하여 인간과 LLM 아이디어 사이의 발산(divergence)을 정량화합니다. 서로 다른 LLM에 의해 생성된 아이디어 집합 전반에 걸쳐, 우리는 일관된 분포적 격차를 관찰합니다: LLM 아이디어는 가교 역할과 같은 기회(bridge-like opportunities)와 합성 방법(synthesis methods) 주변에 불균형적으로 집중되어 있는 반면, 인간 논문 참조 분포는 격차를 설정(framing gaps)하고 기여(contributions)를 구축하는 방식 전반에 걸쳐 더 넓게 퍼져 있습니다. 이 결과는 강력한 LLM이 다양한 합리적인 아이디어를 생성할 수 있지만, 그 범위가 인간의 연구 취향에 비해 여전히 더 좁고 체계적으로 편향되어 있음을 시사합니다.