creative-thinking-for-research

此技能為 AI 與計算機科學研究人員提供了一套嚴謹且具實證基礎的方法論，以超越臨時性的腦力激盪。透過應用認知科學框架（如 Arthur Koestler 的雙關聯理論、表徵轉換與 Dedre Gentner 的結構映射），本工具能協助使用者擺脫研究路徑上的局部最佳解。它專為博士級研究人員、研究科學家與先進 AI 代理設計，旨在揭示不同領域間的結構性聯繫，而非僅依賴表層隱喻。本技能引導使用者進行系統化工作流程，以操縱約束條件、重構問題敘述並有效地連結跨領域知識。

• 運用組合式創意（雙關聯）將生物演化與演算法優化、賽局理論與網路設計、或語言學與型別理論等領域的概念進行映射。

• 透過轉換目標、形式與粒度來促進問題重構，將棘手問題轉化為可行的研究課題。

• 運用類比推理在領域間轉移結構性機制見解，確保研究貢獻具備可測試性與科學嚴謹度。

• 提供強大且具原創性的替代方案，專門針對非漸進式的創新見解。

• 與更廣泛的研究工作流程整合，作為產生假設的認知引擎，為後續的技術性技能評估提供基礎。

• 輸入：核心研究問題、特定子領域約束或橋接兩個不同領域的意圖。

• 輸出：源自認知啟發法的一系列具原創性、可測試的研究假設或重新定義的問題陳述。

• 約束：不適用於文獻綜述或結構化專案管理（應使用對應的 literature-review 或 brainstorming-research-ideas 技能）。

• 用途：適合研究退修會、構思會議，或在研究面臨瓶頸且缺乏明確創新路徑時使用。

• 關鍵字：創意思考、研究構思、認知科學、類比推理、組合式創意、結構映射、問題重構、研究策略、假設生成、原創研究、AI 研究設計。