《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：Identifying technological problems and exploring potential solutions to support R&D: Tech-mining with multi-LLM applications
编辑推荐：
•多LLM框架通过挖掘专利中的问题-解决方案对来支持研发规划。•该框架将碎片化的技术问题转化为可操作的战略情报。•该框架映射问题间的因果关系，以系统性地构建解决方案组合。•储氢案例研究展示了该框架的跨领域研发适用性。•LLM评估流程选择提示词和模型，降低了对外部专家的依赖。引
- •
多LLM框架通过挖掘专利中的问题-解决方案对来支持研发规划。
- •
该框架将碎片化的技术问题转化为可操作的战略情报。
- •
该框架映射问题间的因果关系，以系统性地构建解决方案组合。
- •
储氢案例研究展示了该框架的跨领域研发适用性。
- •
LLM评估流程选择提示词和模型，降低了对外部专家的依赖。
引言
技术壁垒是创新面临的根本性瓶颈，有别于法规或市场条件等外部约束。尽管政策干预可以应对社会经济层面的障碍，但源于物理限制和自然规律的技术壁垒则需要科学与工程的突破（Liang等，2022）。技术进步很少是线性的，通常遵循一条不连续的轨迹——在技术壁垒处持续停滞，直到突破性进展触发新一轮快速推进阶段（Ayres，1988）。随着技术生命周期不断缩短和技术复杂度日益增加（Bogers等，2019；Mewes和Broekel，2022），组织迫切需要能够准确识别底层技术问题并探索针对性解决方案的系统。
TRIZ一直作为系统化的、逻辑驱动创新的主导框架（Altshuller，1984），但其对大量专家培训和抽象工程原则的依赖限制了其实际可扩展性（Ilevbare等，2013；Zlotin等，2001）。随着研发决策日益涉及非工程专业人员并需要快速、领域特定情报，这些局限性促使研究方向转向以专利为基础、辅以大语言模型（LLM）的技术挖掘方法，该方法能够在不相应增加专家投入的情况下，大规模地揭示技术问题的解决方案情报。
技术挖掘作为一种满足上述需求的有前景的替代方案应运而生。技术挖掘是一种分析方法，它系统性地从专利和学术出版物等大规模研发信息资源中提取技术知识。通过将以往需要数月完成的分析缩短至分钟级别，它为组织快速探索技术问题和推导解决方案提供了基础（Porter和Cunningham，2004）。从这一视角来看，专利分析已成为技术挖掘的核心工具，因为专利文件本身就包含了技术问题和解决方案的结构化描述，无需像TRIZ那样进行形式化的抽象过程。
先前的研究提出了基于机器学习的方法，从专利中自动提取技术问题和解决方案（Chen等，2020；Guarino等，2022；Kim和Yoon，2022）。然而，两个关键局限性仍然存在。首先，尽管解决方案是从单个专利中提取的，但从组织战略角度映射解决方案组合的框架仍然缺失，限制了技术获取决策的实用性（Kerr等，2006）。其次，由于不同领域和专利之间的内容差异，专家依赖度依然较高。基于监督学习的模型在未见数据上性能下降，而缩短的技术生命周期要求每当出现新领域时都需要专家反复参与标注。
本研究提出了一种基于LLM的专利分析框架，用于识别技术问题并探索潜在解决方案以支持研发决策。该框架做出了两项主要贡献：将技术问题分解为技术问题目标（TPTs）和技术问题症状（TPSs）以结构化技术问题，以及一个内部能力-技术集中度（IC–TC）矩阵用于组织和筛选候选解决方案组合。这种分解使得能够系统性地识别技术领域内反复出现的问题模式和因果依赖关系，所提取的解决方案沿IC和TC维度定位以支持研发优先级排序和技术获取规划。该框架通过四个顺序阶段运行：段落筛选、TPT–TPS提取、问题间因果分析和解决方案探索，每个阶段由通过两阶段选择模块选定的LLMs执行，该模块在分析性能和推理成本之间取得平衡，从而大幅降低对领域特定标注的依赖。
本文其余部分组织如下。第2节综述了克服技术壁垒的问题-解决方案分析以及基于专利的技术分析相关文献。第3节描述了所提出的方法论并详细阐述了整体研究流程、提示词选择模块、数据准备以及每个分析流程阶段。第4节对框架进行了评估，涵盖LLM候选选择以及在三个核心任务上的性能评估：段落筛选、目标-症状提取和问题间因果分析。第5节通过案例研究展示了经验证框架的应用，说明了技术问题全景和解决方案探索。第6节对研究结果进行讨论，涉及问题结构化、组合框架、经济高效的LLM部署、通用性、从业者验证以及未来研究方向。
章节摘要
克服技术壁垒的问题-解决方案分析
技术壁垒包括阻碍特定技术发展轨迹进展的各种因素。这些壁垒可源于多种因素，包括物理和科学限制、缺乏支持性技术、支撑产业发展的基础技术或基础设施不足，以及对技术本身缺乏信任（Ayres，1988；Liang等，2022）。应对以多种形式呈现的技术壁垒是
整体研究流程
本节提出了一个五步流程，将原始专利数据转化为结构化的技术情报，如图1所示。该流程旨在降低对领域专业知识的依赖并解决解决方案组合构建缺乏结构化框架的问题。第3.2节描述了一个用于提示词工程和LLM选择的两阶段选择模块，作为步骤2至5之间共享的领域无关组件，减少了任务特定
评估
本节对拟议框架的三个流程阶段进行了评估：段落筛选（第4.3节）、TPT–TPS提取（第4.4节）和因果分析（第4.5节）。每个阶段的评估分两步进行：首先在不同LLM配置之间进行比较评估以确定合适设置，然后通过人类研究者或领域专家标注对选定配置进行质量验证。数据集在第4.1节中描述，评估
技术问题全景
级联集成配置（V1，F1 = 0.874）处理了4538个源段落，从1277个筛选后的段落中提取了2464个TPT和3761个TPS，随后使用BERTopic聚类为9个TPT主题和33个TPS主题（附录7）。
表3总结了所生成的聚类结果，每个聚类由GPT-5基于BERTopic生成的代表性关键词和文档进行标注。在9个TPT聚类中，基础设施相关问题（TPT1：加氢站）
问题结构化与组合框架作为核心贡献
本研究通过两项不同的贡献推动了基于专利的技术情报发展：将技术问题结构化为目标和症状（TPT–TPS）的分解方法，以及将提取的解决方案映射到内部能力（IC）和技术集中度（TC）轴上的竞争定位框架。其相对于现有方法的方法论性能在第6.2节中讨论；本节解读储氢研究结果揭示的战略性
CRediT作者贡献声明
Sanghyun Park：撰写初稿、可视化、验证、软件、方法论、形式化分析、数据管理、概念化。Leehee Kim：撰写初稿、验证、方法论、形式化分析、数据管理、概念化。Doyoung Park：撰写初稿、验证、方法论、形式化分析、数据管理、概念化。Sungjoo Lee：撰写、审阅与编辑、验证、监督、资源、项目管理、调查、资助
资助
本研究由韩国国家研究基金会（NRF）提供资助，由韩国政府科学技术信息通信部（MSIT）资助（编号：RS-2022-NR070419）。
利益冲突声明
作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。
致谢
在准备本文过程中，作者使用了ChatGPT（GPT-4o）和专业编辑服务（Editage）以提升语言流畅性和可读性。在使用该工具/服务后，作者对所写内容进行了审阅和编辑，并对出版物的内容承担全部责任。
Sanghyun Park于2026年获得韩国首尔国立大学（SNU）工业工程博士学位。他目前就职于韩国科学技术信息中心（KISTI），担任高级研究员。其研究兴趣包括基于LLM的技术情报、专利分析和技术挖掘。
Sanghyun Park | Leehee Kim | Doyoung Park | Sungjoo Lee
