본 논문은 대규모 언어 모델(LLM)의 추론 능력을 활용하여 과학적 발견을 가속화하는 데 관심이 증가하는 상황에서, 관련 문헌 내에서 발견 과정을 기반으로 하는 기존 접근 방식의 효과가 검색된 문헌의 품질과 특성에 따라 크게 달라지는 문제를 해결하는 데 중점을 둡니다. 연구 문제에 대한 해결책을 고안하는 데 영감을 줄 수 있는 이전 연구를 검색하는 작업을 방법론적 영감 검색(MIR)으로 정의하고, MIR을 위한 교육 및 평가 검색기를 위한 새로운 데이터 세트를 구성하고 기준선을 설정합니다. 방법론적 계보를 인용 관계를 통해 포착하는 방법론 인접 그래프(MAG)를 구축하여, 표면적인 의미적 유사성을 넘어 방법론적 영감의 패턴을 식별하기 위해 밀집 검색기에 "직관적 사전"을 통합합니다. 이를 통해 강력한 기준선에 비해 Recall@3에서 +5.4, 평균 평균 정밀도(mAP)에서 +7.8의 상당한 성능 향상을 달성합니다. 또한 LLM 기반 재순위 지정 전략을 MIR에 적용하여 Recall@3에서 +4.5, mAP에서 +4.8의 추가적인 성능 향상을 얻습니다. 광범위한 절제 연구와 정성적 분석을 통해 자동화된 과학적 발견 향상에 대한 MIR의 가능성을 보여주고 영감 주도형 검색을 발전시키기 위한 방안을 제시합니다.
