Mit Autoren-Graphen neue Forschungsideen generieren – LLMs im Fokus

Große Sprachmodelle (LLMs) zeigen großes Potenzial für die Generierung wissenschaftlicher Ideen, doch die Ergebnisse fehlen oft an kontrollierbarem akademischem Kontext und nachvollziehbaren Inspirationspfaden. Um diese Lücke zu schließen, stellt der neue Ansatz GYWI ein System vor, das Autoren-Wissensgraphen mit Retrieval-augmented Generation (RAG) kombiniert und damit eine externe Wissensbasis schafft, die sowohl Kontext als auch Inspirationsverlauf für die LLMs liefert.

Im Kern nutzt GYWI einen auf Autoren ausgerichteten Graphen, der mithilfe spezieller Sampling-Algorithmen Inspirationsquellen zusammenstellt. Anschließend wird ein hybrides Retrieval-System eingesetzt, das RAG und GraphRAG verbindet, um Inhalte mit tiefer und breiterem Wissen zu extrahieren. Dieses hybride Kontextmaterial dient als Grundlage für die nachfolgenden Schritte.

Um die LLMs gezielt zu steuern, entwickelt das System eine Prompt-Optimierungsstrategie, die Prinzipien des Reinforcement Learning nutzt. Durch automatisierte Rückmeldungen werden die Modelle dazu angeregt, ihre Ausgaben anhand des hybriden Kontexts zu verfeinern und dadurch qualitativ hochwertigere Ideen zu erzeugen.

Die Wirksamkeit der Methode wurde anhand eines eigenen Datensatzes aus arXiv (2018‑2023) überprüft. Dabei kamen mehrere Evaluationsansätze zum Einsatz: automatisierte Multiple‑Choice‑Tests, LLM‑basierte Scoring‑Methoden, menschliche Bewertungen sowie eine Analyse der semantischen Raumvisualisierung. Die generierten Ideen wurden nach fünf Kriterien beurteilt: Neuheit, Durchführbarkeit, Klarheit, Relevanz und Bedeutung.

Experimentelle Tests wurden mit verschiedenen LLMs durchgeführt, darunter GPT‑4o, DeepSeek‑V3 und Qwen3‑8B. Die Ergebnisse zeigen, dass die Kombination aus Autoren‑Graphen und hybrider Retrieval‑Strategie die Qualität der generierten Forschungsideen signifikant steigert und gleichzeitig die Nachvollziehbarkeit der Inspirationspfade verbessert.