0️⃣ 亮点
?测度“技术创新”（P2）
将专利文本输入模型，映射为由实数构成的嵌入向量（Embeddings），以此捕捉文档的整体语义特征，然后通过计算向量夹角的余弦相似度来衡量文本差异，并采用“1减去余弦相似度”作为创新新颖性的代理变量，数值越高，代表该专利与过往知识的语义距离越远，即创新性越强。
?测度“创新溢出效应”（P3）
使用大语言模型、利用提示词直接从专利文本中提取“核心知识概念”。在此基础上，通过计算企业与同行业或跨地区企业间核心概念的重叠度（共现频率），构建出反映知识流动的量化指标。
1️⃣ 核心研究问题
GenAI如何改变企业研发中的协同模式及创新产出？
2️⃣ 研究设计
文章使用2010年至2025年的国内专利数据，以企业算法备案和行业大模型上线作为外生冲击事件，构建多时点DID进行因果识别。为了衡量创新质量，作者用LLM将专利文本映射为向量，通过计算向量余弦相似度来度量专利的创新新颖性，并使用LLM追踪核心知识概念的溢出效应
3️⃣ 主要结果
GenAI的应用显著降低了发明者对传统人际社会网络的依赖，具体表现为专利平均合作署名数量减少、发明者网络密度下降，以及独立发明者比例上升
但是，这种人际协同的减少并未导致创新质量下降。相反，数据表明GenAI通过人机协同机制显著提升了技术创新的新颖性
异质性分析发现，处于社会网络边缘位置的发明者以及经验较少的发明者从GenAI中获得的边际收益更高
4️⃣ 理论贡献
该文基于社会学习理论，将研究视角从传统的“人际互动”拓展至“人机互动”，论证了AI在知识整合与概念生成中作为协同伙伴的有效性
?Reference：王向前.生成式人工智能、企业技术创新与发明者协同：基于社会学习理论视角[J].经济研究,2025,60(09):156-176.
#经济学 #LLM #创新 #新颖性 #AI #Qwen #DeepSeek #溢出效应 #研0 #博士生
?测度“技术创新”（P2）
将专利文本输入模型，映射为由实数构成的嵌入向量（Embeddings），以此捕捉文档的整体语义特征，然后通过计算向量夹角的余弦相似度来衡量文本差异，并采用“1减去余弦相似度”作为创新新颖性的代理变量，数值越高，代表该专利与过往知识的语义距离越远，即创新性越强。
?测度“创新溢出效应”（P3）
使用大语言模型、利用提示词直接从专利文本中提取“核心知识概念”。在此基础上，通过计算企业与同行业或跨地区企业间核心概念的重叠度（共现频率），构建出反映知识流动的量化指标。
1️⃣ 核心研究问题
GenAI如何改变企业研发中的协同模式及创新产出？
2️⃣ 研究设计
文章使用2010年至2025年的国内专利数据，以企业算法备案和行业大模型上线作为外生冲击事件，构建多时点DID进行因果识别。为了衡量创新质量，作者用LLM将专利文本映射为向量，通过计算向量余弦相似度来度量专利的创新新颖性，并使用LLM追踪核心知识概念的溢出效应
3️⃣ 主要结果
GenAI的应用显著降低了发明者对传统人际社会网络的依赖，具体表现为专利平均合作署名数量减少、发明者网络密度下降，以及独立发明者比例上升
但是，这种人际协同的减少并未导致创新质量下降。相反，数据表明GenAI通过人机协同机制显著提升了技术创新的新颖性
异质性分析发现，处于社会网络边缘位置的发明者以及经验较少的发明者从GenAI中获得的边际收益更高
4️⃣ 理论贡献
该文基于社会学习理论，将研究视角从传统的“人际互动”拓展至“人机互动”，论证了AI在知识整合与概念生成中作为协同伙伴的有效性
?Reference：王向前.生成式人工智能、企业技术创新与发明者协同：基于社会学习理论视角[J].经济研究,2025,60(09):156-176.
#经济学 #LLM #创新 #新颖性 #AI #Qwen #DeepSeek #溢出效应 #研0 #博士生
