本研究旨在研究机器驱动的分析技术来生成创意，并基于文献综述得出了一些有效技术，如文本挖掘、信息检索、深度学习、机器学习、统计技术、自然语言处理和基于 NLP 的形态分析。同时，也提出了用于进一步研究的建议。

Jan, 2022

应用驱动的机器学习研究与方法驱动的研究范式相对比，具有创新算法和应用驱动创新的潜力，然而机器学习的审查、招聘和教学做法常常阻碍了应用驱动创新的发展。本文概述了如何改进这些过程。

Mar, 2024

该研究综述了机器学习和创造力领域的发展历程和现状，重点介绍了计算创造力理论、生成式深度学习和相应的自动评估方法，并讨论了当前研究面临的挑战和新机遇。

Apr, 2021

本研究介绍一个三级知识集成机器学习方法，在工程领域平衡整体主义和还原主义的视角，以在数据驱动的过程中转移和利用领域知识。

Jul, 2023

本文提出了 AI 创新实验室的概念，旨在为企业提供完整的人工智能业务解决方案总体框架，从构思到实施，从商业价值到可行性的评估。

Mar, 2022

提出基于回归的学习框架，从创意的关键标准（如新颖、影响力、价值和意外性）的量化角度来评估创意。在电影数据集上进行实验，结果显示：1）创意标准与评论员分数的相关性，2）包含各种创意标准时可以提高电影评分预测的准确性，3）鉴别创意电影。

Jul, 2017

使用超过 58 百万科学论文构建的知识图谱，并结合 GPT-4 接口生成个性化研究想法的 SciMuse 系统，通过与马克斯・普朗克研究所的 100 多位研究团队领导的大规模人工评估，我们发现数据高效的机器学习可以高精度预测研究兴趣，从而优化产生的研究想法的兴趣水平。这项工作是朝着一种人工科学启发的方向迈进，可以催生意料之外的合作，并为科学家提供有趣的研究方向。

May, 2024

本文通过针对在线众包应用中的想法挖掘进行了研究，提出了一种半自动化的文本挖掘技术，并通过在线学习算法来评估想法的潜力，以实现新产品开发中提取具有潜力的想法的目的。

Feb, 2015

数据科学研究正在经历一场由技术、互联网和不断增长的计算能力驱动的革命。我们在此提出，需要创造性地利用科学研究和算法开发社区作为强大创新的轴心，通过关键评估、社区实验和集众智等方式，让这些社区参与科学发现探索，从而带来发展新的数据驱动、可复现且经过充分基准测试的算法解决方案，来解决当前感兴趣的基础性和应用性问题。通过协调社区参与高度复杂和大规模数据的分析，可以找到最佳应对这些挑战的鲁棒方法学。当社区参与采用竞赛形式，也被称为挑战赛时，分析方法的验证在本质上得到解决，建立了性能基准。最后，挑战赛促进跨学科开放创新，创建能够直接或间接协作解决重要科学差距的社区。通过共同努力，参与者可以解决诸如健康研究、气候变化和社会公正等各种重要问题。最重要的是，挑战赛可以催化和加速将复杂数据合成知识或可执行信息的过程，应被视为一个产生持久社会和研究贡献的强大工具。

Dec, 2023

比较了八种传统机器学习算法来区分机器生成数据和人类生成数据，结果表明传统方法在识别机器生成数据方面具有较高准确度。机器生成的文本相比人类生成的内容更短且词汇较少，而特定领域相关关键词可能导致这种高准确度，通过 word2vec 等深层次词表示可以捕捉微妙的语义差异。同时，可读性、偏见、道德和情感对比显示出机器生成内容与人类生成内容的明显差异，研究为机器生成内容在各个领域的进展能力和挑战提供了有价值的见解。

Mar, 2024