تعد عملية توليد الأفكار البحثية الجديدة والمبتكرة واحدة من أبرز التحديات التي تواجه العلماء في مجالات الاكتشاف العلمي. في السنوات الأخيرة، ظهرت طرق تعتمد على نماذج اللغات الضخمة (Large Language Models) لدعم هذه العملية، إلا أنها غالبًا ما تعتمد على نصوص مسطحة تُستخرج من الأدبيات العلمية، مثل العناوين والمستخلصات، مما قد يعيق رؤية العلاقات المعقدة بين المشكلات والأساليب والنتائج.

لمعالجة هذه التحديات، تم تقديم إطار عمل جديد تحت اسم Graph2Idea، والذي يستند إلى هيكلية معرفية ديناميكية تهدف إلى تسهيل توليد الأفكار العلمية. يقوم Graph2Idea باسترجاع الأوراق البحثية ذات الصلة بناءً على الموضوع المدخل، ثم يقوم بتحويلها إلى ثلاثيات معرفية منظمة، مما يسمح ببناء رسم بياني ذو مركزية موضوعية يتسم بالشمولية والوضوح.

بعد ذلك، يتم استخراج محتوى بياني مركّز يحتفظ بالأدلة المعرفية الرئيسية، مما يقلل من الضوضاء النصية غير الضرورية. يعتمد الإطار على عملية توليد تتكون من مرحلتين، حيث يتم أولاً تحديد الاتجاهات البحثية الواعدة، تليها مرحلة توجيه النموذج اللغوي الضخم لاستنباط الأفكار المرشحة من الأدلة المبنية على الرسم البياني.

أظهرت التجارب على مؤشرات توليد الأفكار العلمية أن Graph2Idea يتفوق بشكل ملحوظ على المعايير التقليدية، حيث قام بتحسين نقاط الجودة والجدوى والابتكار. فمع زيادة درجة الابتكار من 0.45 إلى 0.52، وجودة الأفكار من 0.24 إلى 0.29، وملاءمة الأفكار من 0.22 إلى 0.28، يتضح أن الأدلة المنظمة تمكن نماذج اللغات الضخمة من إعادة تجميع المعرفة العلمية بشكل أكثر وضوحًا وفاعلية.