論文の概要: Cracking the Code: Enhancing Development finance understanding with artificial intelligence
- arxiv url: http://arxiv.org/abs/2502.09495v1
- Date: Thu, 13 Feb 2025 17:01:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 13:49:17.481568
- Title: Cracking the Code: Enhancing Development finance understanding with artificial intelligence
- Title(参考訳): コードの解読:人工知能による開発資金理解の強化
- Authors: Pierre Beaucoral,
- Abstract要約: 本研究は,機械学習(ML)技術,特に自然言語処理(NLP)技術と,BERTopicと呼ばれる革新的なPythonトピックモデリング技術を組み合わせた新しいアプローチを採用する。
既存の開発資金の隠蔽されたトピックを明らかにすることで、この人工知能の応用は、寄付者の優先順位と開発資金全体の理解を深める。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Analyzing development projects is crucial for understanding donors aid strategies, recipients priorities, and to assess development finance capacity to adress development issues by on-the-ground actions. In this area, the Organisation for Economic Co-operation and Developments (OECD) Creditor Reporting System (CRS) dataset is a reference data source. This dataset provides a vast collection of project narratives from various sectors (approximately 5 million projects). While the OECD CRS provides a rich source of information on development strategies, it falls short in informing project purposes due to its reporting process based on donors self-declared main objectives and pre-defined industrial sectors. This research employs a novel approach that combines Machine Learning (ML) techniques, specifically Natural Language Processing (NLP), an innovative Python topic modeling technique called BERTopic, to categorise (cluster) and label development projects based on their narrative descriptions. By revealing existing yet hidden topics of development finance, this application of artificial intelligence enables a better understanding of donor priorities and overall development funding and provides methods to analyse public and private projects narratives.
- Abstract(参考訳): 開発プロジェクトの分析は、ドナー支援戦略の理解、受取人の優先事項の把握、開発資金の能力の評価、地上での行動による開発問題の解決に不可欠である。
この領域では、OECD (Organisation for Economic Co-operation and Developments) Creditor Reporting System) データセットが参照データソースである。
このデータセットは、さまざまな分野(約500万プロジェクト)のプロジェクト物語の膨大なコレクションを提供する。
OECD CRSは、開発戦略に関する豊富な情報源を提供するが、寄付者の自己宣言された主目的と事前に定義された産業セクターに基づく報告プロセスのため、プロジェクトの目的を知らせるには不足している。
本研究は機械学習(ML)技術,特に自然言語処理(NLP)技術とBERTopicと呼ばれる革新的なPythonトピックモデリング技術を組み合わせて,物語記述に基づいた分類(クラスタ)とラベル開発プロジェクトを構築する。
既存の開発資金の隠蔽されたトピックを明らかにすることで、この人工知能の応用は、寄付者の優先事項と開発資金の理解を深め、パブリックプロジェクトやプライベートプロジェクトの物語を分析する方法を提供する。
関連論文リスト
- Deploying Large Language Models With Retrieval Augmented Generation [0.21485350418225244]
Retrieval Augmented Generationは、大規模言語モデルのトレーニングセット外のデータソースからの知識を統合するための重要なアプローチとして登場した。
本稿では,LLMとRAGを統合して情報検索を行うパイロットプロジェクトの開発とフィールドテストから得られた知見について述べる。
論文 参考訳(メタデータ) (2024-11-07T22:11:51Z) - The Responsible Foundation Model Development Cheatsheet: A Review of Tools & Resources [100.23208165760114]
ファンデーションモデル開発は、急速に成長するコントリビュータ、科学者、アプリケーションを引き付けている。
責任ある開発プラクティスを形成するために、我々はFoundation Model Development Cheatsheetを紹介します。
論文 参考訳(メタデータ) (2024-06-24T15:55:49Z) - Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳(メタデータ) (2024-06-20T16:34:07Z) - A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。
我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。
本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
論文 参考訳(メタデータ) (2024-06-15T16:11:35Z) - FAIR Enough: How Can We Develop and Assess a FAIR-Compliant Dataset for Large Language Models' Training? [3.0406004578714008]
大規模言語モデルの急速な進化は、AI開発における倫理的考慮とデータの整合性の必要性を強調している。
FAIRの原則は倫理データのスチュワードシップに不可欠であるが、LLMトレーニングデータの文脈におけるそれらの特定の応用は未調査領域のままである。
本稿では,FAIR の原則を LLM 開発ライフサイクルに統合する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-19T21:21:02Z) - Multimodal Gen-AI for Fundamental Investment Research [2.559302299676632]
本報告では、従来の意思決定プロセスを再考する金融投資業界における変革的イニシアティブについて概説する。
基礎モデル(Llama2)上での微調整手法の有効性を評価し,アプリケーションレベルの目標を達成する。
このプロジェクトには、調査報告、投資メモ、市場ニュース、広範な時系列市場データなど、さまざまなコーパスデータセットが含まれている。
論文 参考訳(メタデータ) (2023-12-24T03:35:13Z) - A Survey of Reasoning with Foundation Models [235.7288855108172]
推論は、交渉、医療診断、刑事捜査など、様々な現実世界の環境において重要な役割を担っている。
本稿では,推論に適応する基礎モデルを提案する。
次に、基礎モデルにおける推論能力の出現の背後にある潜在的な将来方向を掘り下げる。
論文 参考訳(メタデータ) (2023-12-17T15:16:13Z) - Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。
このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。
我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
論文 参考訳(メタデータ) (2023-07-03T16:01:45Z) - Estimating Fund-Raising Performance for Start-up Projects from a Market
Graph Perspective [58.353799280109904]
市場環境を利用して未公開プロジェクトの資金調達実績を予測するためのグラフベースの市場環境(GME)モデルを提案する。
具体的には、市場環境を利用して未公開プロジェクトの資金調達実績を予測するグラフベースの市場環境(GME)モデルを提案する。
論文 参考訳(メタデータ) (2021-05-27T02:39:30Z) - DINGO: an ontology for projects and grants linked data [0.0]
INGOは、プロジェクト、資金、アクター、そして特に研究現場における資金調達ポリシーに関連する意味論的に利用可能なアプリケーションのためのデータをモデル化するフレームワークを提供する。
本論では, 主な特徴, 開発に続いた原則, コミュニティの獲得, 維持と進化について論じる。
論文 参考訳(メタデータ) (2020-06-24T02:47:40Z) - Representation of Developer Expertise in Open Source Software [12.583969739954526]
We use the World of Code infrastructure to extract the complete set of APIs in the file changed by the open source developer。
次に、API、開発者、プロジェクトのベクター表現にDoc2Vecの埋め込みを使用します。
これらの埋め込みがスキル空間の仮定トポロジを反映しているかどうかを評価する。
論文 参考訳(メタデータ) (2020-05-20T16:36:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。