論文の概要: Patience is all you need! An agentic system for performing scientific literature review

• arxiv url: http://arxiv.org/abs/2504.08752v1
• Date: Fri, 28 Mar 2025 08:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-20 06:04:33.389340
• Title: Patience is all you need! An agentic system for performing scientific literature review
• Title（参考訳）: 忍耐は必要だ!科学文献レビューを行うためのエージェントシステム
• Authors: David Brett, Anniek Myatt,
• Abstract要約: 大規模言語モデル(LLM)は、様々な分野にわたる質問応答のサポートを提供するために、その利用が増加している。 我々は、科学文献にカプセル化された情報の検索と蒸留を行うLLMベースのシステムを構築した。 提案するキーワードに基づく検索・情報蒸留システムについて, 生物関連質問の集合に対して, 先行する文献ベンチマークを用いて評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Large language models (LLMs) have grown in their usage to provide support for question answering across numerous disciplines. The models on their own have already shown promise for answering basic questions, however fail quickly where expert domain knowledge is required or the question is nuanced. Scientific research often involves searching for relevant literature, distilling pertinent information from that literature and analysing how the findings support or contradict one another. The information is often encapsulated in the full text body of research articles, rather than just in the abstracts. Statements within these articles frequently require the wider article context to be fully understood. We have built an LLM-based system that performs such search and distillation of information encapsulated in scientific literature, and we evaluate our keyword based search and information distillation system against a set of biology related questions from previously released literature benchmarks. We demonstrate sparse retrieval methods exhibit results close to state of the art without the need for dense retrieval, with its associated infrastructure and complexity overhead. We also show how to increase the coverage of relevant documents for literature review generation.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、様々な分野にわたる質問応答のサポートを提供するために、その利用が増加している。 モデル自体は、基本的な質問に答える約束をすでに示していますが、専門家のドメイン知識が必要であったり、疑問が曖昧だったりすると、すぐに失敗します。 科学的研究は、しばしば関連する文献を探し出し、その文献から関連する情報を蒸留し、研究結果がどのように相互に支持するか、矛盾するかを分析する。 情報はしばしば要約だけでなく、研究論文の全文本体にカプセル化されている。 これらの記事内の文書は、しばしば、より広い記事コンテキストを完全に理解する必要がある。 我々は,科学文献にカプセル化された情報の検索と蒸留を行うLLMベースのシステムを構築した。 本研究では, 高度検索を必要とせず, そのインフラストラクチャと複雑性のオーバーヘッドを伴わずに, 最先端に近い結果を示すスパース検索手法を実証する。 また,文献レビュー生成における関連文書のカバレッジ向上について述べる。

関連論文リスト

• SciDQA: A Deep Reading Comprehension Dataset over Scientific Papers [20.273439120429025]
  SciDQAは、科学論文の深い理解のためにLSMに挑戦する、理解を読むための新しいデータセットである。 他の科学的QAデータセットとは異なり、SciDQAはドメインの専門家によるピアレビューや論文の著者による回答から質問を出している。 SciDQAの質問は、図、表、方程式、付属品、補足材料にまたがる推論を必要とする。
  論文  参考訳（メタデータ） (2024-11-08T05:28:22Z)
• LitSearch: A Retrieval Benchmark for Scientific Literature Search [48.593157851171526]
  我々は,最近のMLおよびNLP論文に関する597のリアルな文献検索クエリからなる検索ベンチマークLitSearchを紹介する。 LitSearchのすべての質問は、高品質を保証するために専門家によって手作業で検査または編集された。 BM25と最先端の高密度リトリーバーの間には,24.8%の絶対差がみられた。
  論文  参考訳（メタデータ） (2024-07-10T18:00:03Z)
• Efficient Systematic Reviews: Literature Filtering with Transformers & Transfer Learning [0.0]
  特定のトピックに関する重要な研究項目を特定するのに必要な時間に関して、負担が増大する。 本研究では,必要な内容の自然言語記述として提案される研究課題に適合する汎用フィルタリングシステムを構築する方法を提案する。 以上の結果から, バイオメディカル文献に基づいて事前学習したトランスフォーマーモデルを用いて, 特定のタスクを微調整したトランスフォーマーモデルにより, この問題に対する有望な解決策が得られた。
  論文  参考訳（メタデータ） (2024-05-30T02:55:49Z)
• A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [55.33653554387953]
  パターン分析とマシンインテリジェンス(PAMI)は、情報の収集と断片化を目的とした多くの文献レビューにつながっている。 本稿では、PAMI分野におけるこれらの文献レビューの徹底的な分析について述べる。 1)PAMI文献レビューの構造的・統計的特徴は何か,(2)レビューの増大するコーパスを効率的にナビゲートするために研究者が活用できる戦略は何か,(3)AIが作成したレビューの利点と限界は人間によるレビューと比較するとどのようなものか,という3つの主要な研究課題に対処しようとする。
  論文  参考訳（メタデータ） (2024-02-20T11:28:50Z)
• Bridging Research and Readers: A Multi-Modal Automated Academic Papers Interpretation System [47.13932723910289]
  本稿では,3段階のプロセス段階を有するオープンソースマルチモーダル自動学術論文解釈システム(MMAPIS)を紹介する。 ドキュメントからプレーンテキストや表や図を別々に抽出するために、ハイブリッドなモダリティ前処理とアライメントモジュールを使用している。 すると、この情報は彼らが属するセクション名に基づいて調整され、同じセクション名を持つデータが同じセクションの下に分類される。 抽出されたセクション名を用いて、記事を短いテキストセグメントに分割し、LSMを通してセクション内とセクション間の特定の要約を容易にする。
  論文  参考訳（メタデータ） (2024-01-17T11:50:53Z)
• PaperQA: Retrieval-Augmented Generative Agent for Scientific Research [41.9628176602676]
  本稿では,科学文献に関する質問に回答するためのRAGエージェントPaperQAを紹介する。 PaperQAは、全文の科学論文を通じて情報検索を行い、ソースやパスの関連性を評価し、RAGを使用して回答を提供するエージェントである。 また、文献全体にわたる全文科学論文からの情報の検索と合成を必要とする、より複雑なベンチマークであるLitQAを紹介する。
  論文  参考訳（メタデータ） (2023-12-08T18:50:20Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• MORTY: Structured Summarization for Targeted Information Extraction from Scholarly Articles [0.0]
  学術論文からテキストの構造化要約を生成する情報抽出手法MORTYを提案する。 我々のアプローチは、構造化要約と呼ばれるセグメント化されたテキストスニペットとして、記事の全文とプロパティと値のペアを凝縮する。 また,学術知識グラフから検索した構造化サマリーと,それに対応する公開可能な科学論文を組み合わせた,規模の高い学術データセットも提示する。
  論文  参考訳（メタデータ） (2022-12-11T06:49:29Z)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• A New Neural Search and Insights Platform for Navigating and Organizing AI Research [56.65232007953311]
  我々は、古典的なキーワード検索とニューラル検索を組み合わせた新しいプラットフォームであるAI Research Navigatorを導入し、関連する文献を発見し整理する。 本稿では,システム全体のアーキテクチャの概要と,文書分析,質問応答,検索,分析,専門家検索,レコメンデーションの構成要素について概説する。
  論文  参考訳（メタデータ） (2020-10-30T19:12:25Z)

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。