研究者は、大規模言語モデルエージェントが予測分析のために歴史的類推を効果的に取得・統合できるかをテストするために設計された新しいタスクおよびベンチマーク（ADR-bench）であるAnalogical Deep Research（ADR）を紹介する。本研究では、現在のエージェントが表面の特徴ではなく根本的な因果メカニズムに一致するため、困難を抱えていることが特定された。

これに対処するため、著者はCANA（Causal Analogical Researcher）を提案した。これは構造的分解とフィードバックを使用して類推間でメカニズムを整合させるエージェント型フレームワークである。CANAは歴史的類推の生成において最大10%の改善を実現し、ADR-benchにおいて最先端の深層研究エージェントを上回った。

進行中の事象に関するケーススタディは、CANAが正確な予測分析のために歴史的類推を活用する効果を確認した。