结构解放：受限的意义建构如何产生更多新颖的研究成果

科学发现是一个延伸的构思过程——调查先前的工作、形成假设和完善推理——然而现有的方法将这一阶段视为一个简短的序言，尽管它在研究中发挥着核心作用。我们引入了 SCISENSE，一个以意义建构为基础的框架，它将构思作为八个认知阶段的结构化序列进行操作（Pirolli & Card，2005）。我们构建了 SCISENSE-Traj，这是一个 10 万规模的引用条件研究轨迹数据集，有两种模式：Target，其中 LLM 重建从其引用的作品中导出已知论文的构思路径；以及 Infer，其中 LLM 从相同的引用中提出新的方向。我们将这些提炼成 SCISENSE-LM，这是一系列涵盖 3B 到 70B 参数的意义构建 LLM。与宽松的监督促进更大探索的假设相反，Target 训练的模型比 Infer 训练的模型在轨迹质量上提高了 2.0%，同时还产生了更新颖和多样化的输出。这一优势向下游传播：以 Target 轨迹为条件的 编码智能体 产生的研究工件比以 Infer 轨迹为条件的工件具有更高的可执行性和质量。这表明有针对性的构思减轻了下游代理的认知负担，使他们能够进行更有创意的探索。 SCISENSE 既提供了用于增强 LLM 驱动的研究工作流程的实用工具，也提供了用于研究规划如何塑造科学发现的原则性测试平台。