# 簡報備忘稿

---

## 開場（1-2 分鐘）

**問題：** LLM 生成創意時有「語義引力」問題
- 問「椅子創新用途」→ 都是「人體工學椅」「折疊椅」
- 想法集中在訓練數據的高頻區域

**我們的解法：** Bisociation（雙重聯想）
- 拆解屬性 + 專家視角 + 無上下文關鍵字
- 強迫產生意外連結

---

## 實驗設計（1 分鐘）

**五個條件，2×2 + 控制組：**

| 條件 | 記法 | 重點 |
|------|------|------|
| C1 | 直接生成 | Baseline |
| C2 | 只有專家 | 專家自由發揮 |
| C3 | 只有屬性 | 結構但無專家 |
| C4 | 完整管線 | 屬性 + 專家 |
| C5 | 隨機詞彙 | 控制組：隨機 vs 專家 |

**關鍵設計：** 專家生成關鍵字時**看不到原始查詢**
- 會計師 + 「便攜」→ 「流動資產」（不知道是椅子）
- 再把「流動資產」+ 「椅子」結合

---

## 四個研究問題的答案

| RQ | 問題 | 答案 | 一句話 |
|----|------|:----:|--------|
| RQ1 | 屬性有效？ | ✓ Yes | p=0.027 |
| RQ2 | 專家有效？ | ✓ Yes | p<0.001 |
| RQ3 | 有加乘效果？ | ✗ No | Sub-additive |
| RQ4 | 專家 > 隨機？ | ✗ No | p=0.463 |

**意外發現：** 隨機詞彙跟專家一樣好 → 價值在「視角轉換」本身

---

## 核心數據（記住這幾個數字）

### 新穎性（距離質心，越高越新穎）
```
C4: 0.395 ← 最高！
C5: 0.365
C3: 0.337
C2: 0.315
C1: 0.273 ← 最低（最典型）
```

### 彈性（組合跳躍數，越高越分散）
```
C2: 48 ← 最高！（專家自由探索）
C3: 33
C5: 20
C4: 13 ← 最低！（專注探索）
C1: 0  ← 單一群集
```

---

## 🔑 關鍵發現（重點中的重點）

### 發現 1：原創性-彈性相關性

**論文說：**
- 人類：r ≈ 0（無相關）
- 典型 LLM：r > 0（正相關）

**我們的結果：r = 0.071（接近零）**

→ **產生「類似人類」的創意模式！**

### 發現 2：C4 的獨特位置

```
C4 = 最高新穎性 + 最低彈性

這代表：「專注的新穎性」
- 不是到處亂跳（高彈性）
- 而是深入一個新穎領域（低彈性但高新穎）
- 像人類專家的創意模式
```

### 發現 3：為什麼會這樣？

```
屬性錨定效應：
  所有專家都回應同樣的屬性集
  → 想法被錨定在相似概念空間（低彈性）
  → 但無上下文關鍵字強迫新穎聯結（高新穎）

結果：focused novelty（聚焦的新穎性）
```

---

## 方法論亮點

### 組合跳躍信號（Combined Jump）
- 舊方法：只看類別切換
- 新方法：類別切換 **且** 語義不相似
- 減少假陽性，更準確

### 彈性檔案分類
| 檔案 | 跳躍比率 | 我們的結果 |
|------|:--------:|:----------:|
| Persistent | <30% | 全部條件 |
| Mixed | 30-45% | 無 |
| Flexible | >45% | 無 |

→ LLM 傾向「持續探索」而非「靈活跳躍」

---

## 限制（誠實說）

1. **樣本小：** 10 個查詢（pilot study）
2. **沒有人工評估：** 只有 embedding 指標
3. **單一模型：** 只測 Qwen3:8b
4. **語義距離 ≠ 真正新穎：** 「量子糾纏椅」距離遠但不新穎

---

## 下一步（如果被問到）

1. **人工評估介面**（已建好）
2. **多模型驗證**（GPT-4, Claude）
3. **LLM-as-Judge** 大規模評分
4. **30 個查詢** 增加統計效力

---

## 一句話總結

> **我們的屬性+專家管線讓 LLM 產生「類似人類專家」的創意模式：
> 高新穎性但專注探索，打破典型 LLM 的「彈性=新穎」正相關。**

---

## 快問快答

**Q: 為什麼隨機詞跟專家一樣好？**
A: 價值在「視角轉換」本身，不在專業知識

**Q: 為什麼 C4 彈性最低但新穎性最高？**
A: 屬性把專家錨定在同一概念空間，但無上下文關鍵字強迫新穎連結

**Q: r=0.071 代表什麼？**
A: 新穎性和彈性無相關，跟人類一樣，打破典型 LLM 的正相關模式

**Q: Persistent profile 是好是壞？**
A: 不是好壞，是探索策略。C4 證明可以 persistent 但仍然 novel

**Q: 這對實務有什麼用？**
A: 想要高新穎性 → 用 C4；想要多元類別 → 用 C2

---

## 數字速查表

| 指標 | C1 | C2 | C3 | C4 | C5 |
|------|:--:|:--:|:--:|:--:|:--:|
| 想法數 | 195 | 198 | 125 | **402** | 199 |
| 新穎性 | 0.273 | 0.315 | 0.337 | **0.395** | 0.365 |
| 彈性(jumps) | 0 | **48** | 33 | 13 | 20 |
| 跳躍比率 | 0% | 24% | 27% | **3%** | 10% |
| 凝聚度 | 71% | 73% | 51% | **89%** | 71% |

**記憶口訣：** C4 最新穎、最凝聚、最低彈性 = 「聚焦的新穎」